L’INTELLIGENZA ARTIFICIALE APPLICATA AL SETTORE FOTOVOLTAICO: TECNOLOGIE E NUOVE PROSPETTIVE

L’INTELLIGENZA ARTIFICIALE APPLICATA AL SETTORE FOTOVOLTAICO: TECNOLOGIE E NUOVE PROSPETTIVE

Con la crescente domanda di energia da fonti rinnovabili, la generazione di energia fotovoltaica è diventata fondamentale, coadiuvata dalla sempre maggiore competitività dei prezzi del fotovoltaico sul mercato. In questo contesto, l’intelligenza artificiale applicata al settore fotovoltaico consente di raggiungere ottimi risultati in termini di efficienza e affidabilità, garantendo un ritorno sull’investimento. 

Come funziona?

La conversione da luce a energia elettrica avviene nella cella fotovoltaica, costituita generalmente da silicio puro al 99%. Le prestazioni delle celle fotovoltaiche sono fortemente influenzate da:

  • – radiazione solare;
  • – condizioni meteorologiche;
  • – temperatura esercizio;
  • – posizione geografica dell’installazione.

Nella gestione del fotovoltaico le maggiori difficoltà che si possono incontrare sono:

  • – Manutenzione time-consuming;
  • – Difficoltà ad intercettare perdite di efficienza risolvibili;
  • – Predizione della producibilità per gestire al meglio la richiesta del mercato dell’energia; 

L’applicazione del Machine Learning al fotovoltaico ha l’obiettivo di identificare i pannelli fotovoltaici malfunzionanti per ridurre i costi di manutenzione ed effettuare una predizione della potenza fotovoltaica per pianificare correttamente le operazioni delle centrali elettriche in modo da garantire la stabilità, l’affidabilità e l’economicità del sistema.

MANUTENZIONE PREDITTIVA 

La prima possibile applicazione dell’AI nel settore fotovoltaico riguarda l’introduzione di un sistema di monitoraggio dei guasti e manutenzione predittiva.

Un sistema di monitoraggio per la manutenzione predittiva è caratterizzato dall’implementazione di un algoritmo di intelligenza artificiale, allenato sui dati derivanti dai sensori, già inseriti in campo, collegati a ciascun pannello fotovoltaico per misurare la curva tensione-corrente. L’obiettivo della manutenzione predittiva è quello di garantire un miglioramento dell’efficienza dell’impianto in analisi mediante la previsione di possibili guasti.

Una variabile influente risulta essere la potenza dei pannelli, dipendente da più fattori tra cui l’irraggiamento solare ricevuto dal pannello e il meteo locale. Uno degli approcci più utilizzati per la rilevazione delle anomalie è quello di confrontare la curva tensione-corrente di un particolare pannello con la curva tensione-corrente dei  pannelli vicini, mediante l’identificazione dei pannelli fotovoltaici malfunzionanti, con l’obiettivo di intercettare anomalie ed inefficienze sul nascere.

RICONOSCIMENTO IMMAGINI

Il monitoraggio dello stato di salute di un asset è fondamentale. Tuttavia queste tecniche richiedono tempo, causano arresti alla generazione di energia e spesso utilizzano  strumentazione di laboratorio a costi elevati. Inoltre, gli impianti fotovoltaici sono spesso collocati in luoghi inaccessibili, rendendo pericoloso qualsiasi intervento di manutenzione.

Il riconoscimento delle immagini risulta essere dunque un’applicazione di intelligenza artificiale ottimale nel settore fotovoltaico, basato sul deep learning per il rilevamento di cellule anomale in immagini ottenute da veicoli aerei senza equipaggio, dotati di un sensore termico a infrarossi. L’ispezione di un impianto fotovoltaico utilizzando un’immagine termica permette di identificare eventuali malfunzionamenti dei moduli, rappresentati da zone con colori differenti per diverse temperature di esercizio. 

L’utilizzo di reti neurali profonde consente una completa comprensione dell’immagine, garantendo maggiore accuratezza  e restituendo la posizione esatta delle anomalie contenute nella stessa immagine.   

L’approccio proposto per l’analisi delle anomalie può essere un aiuto essenziale per assistere gli operatori per le operazioni di manutenzione, riducendo i possibili errori derivanti da operazioni manuali. Considerando che, al giorno d’oggi, i sopralluoghi sono affidati a ispezioni visive, l’approccio basato sul deep learning ridurrà i costi complessivi di manutenzione dei moduli fotovoltaici e aumenterà l’efficienza degli impianti stessi.

FORECASTING

L’imprevedibilità e la variabilità dell’energia solare causano gravi problemi all’affidabilità e alla stabilità dei sistemi di alimentazione esistenti, connessi alla rete. La previsione della potenza fotovoltaica è quindi essenziale per le società di servizi pubblici per pianificare correttamente le operazioni delle centrali elettriche.

In base al tipo di input impiegati nel modello di intelligenza artificiale, le tecniche di previsione possono essere classificate in generale come approcci fisici o statistici. I metodi fisici modellano il fotovoltaico in funzione di alcune variabili indipendenti come le caratteristiche delle celle fotovoltaiche, l’irraggiamento solare e la temperatura delle celle. I metodi di previsione statistica si basano invece su dati storici passati per la previsione. 

L’algoritmo di rete neurale artificiale è tra gli algoritmi di intelligenza artificiale più utilizzato per prevedere la produzione solare da variabili metereologiche, in quanto l’algoritmo presenta una capacità intrinseca di modellare dati non lineari, dinamici e sistemi complessi.

Tra i possibili input del modello si possono inserire le variabili di:

  • – Valore medio della temperatura dell’aria;
  • – Umidità relativa;
  • – Nuvolosità a diverse altitudini;
  • – Valore medio della radiazione;

Variabile di output:

  • – Potenza di uscita pannello;

La variabile radiazione solare ha una stretta relazione con il tempo, l’angolo orario solare, la data di osservazione, l’ora e le nuvole. A causa delle incertezze meteorologiche la potenza di uscita (output) ha anche forti caratteristiche cicliche tra cui il ciclo diurno e il ciclo annuale. Inoltre la variabile nuvolosità risulta avere un’influenza significativa sull’accuratezza della previsione di potenza erogata. I possibili risultati delle previsioni di potenza potrebbero avere un errore di previsione con cielo coperto superiore dell’errore di previsione con tempo soleggiato.

 

CONCLUSIONE

Abbiamo visto come manutenzione predittiva, riconoscimento immagini e forecasting sono tre diverse applicazioni dell’AI al fotovoltaico. Applicando l’intelligenza artificiale al fotovoltaico si possono quindi ridurre i costi di manutenzione, prevedere la potenza, pianificare correttamente le operazioni e  garantire affidabilità ed efficienza del sistema. 

 

 Se vuoi sapere come stiamo cambiando le regole del gioco nel settore del condition monitoring della produzione di energia, naviga sul nostro sito o contattaci direttamente

 

 

Altri Articoli:

Lo sapevi?

Organizziamo ALMENO un webinar al mese sui temi
dell’ingegneria di manutenzione, dell’efficientamento energetico
e degli ultimi trend di intelligenza artificiale.

Lascia un tuo contatto per ricevere tutti gli inviti!