Un gruppo di ricerca guidato dall’Università francese di Tolosa ha sviluppato un nuovo metodo di rilevamento delle scie di lumaca nei moduli solari.
Il processo si avvale di un framework di apprendimento collettivo denominato ELDIAG per analizzare le caratteristiche e le statistiche di frequenza temporale del pannello fotovoltaico. Raccoglie i dati dagli ottimizzatori disponibili in commercio senza bisogno di sensori o strumentazioni aggiuntive.
“Le scie di lumaca sono linee di decolorazione locale che si verificano sui pannelli fotovoltaici dopo un uso prolungato. Il nome di questo effetto deriva dall’illusione che lumache o vermi siano passati sul pannello fotovoltaico”, ha spiegato il team. “Non riducono in modo significativo le prestazioni del pannello, ma sono la causa principale di un grave deterioramento del pannello, come microfessure e delaminazione, e possono arrivare a incendiarlo”. Riuscire a rilevare difetti quasi impercettibili dovuti alla traccia della lumaca è davvero una sfida”.
Il nuovo sistema è stato testato su una serie di 16 pannelli fotovoltaici, con una potenza compresa tra 205 W e 240 W. Otto pannelli sono stati utilizzati per l’addestramento e gli altri otto per la convalida. In ogni gruppo, quattro pannelli erano sani e quattro soffrivano di prove di lumaca. Un ottimizzatore Tigo ha estratto 25 parametri da ciascun pannello.
Per ridurre il numero di variabili in ingresso e rendere l’algoritmo più efficiente, sono state utilizzate due tecniche di riduzione della dimensionalità concorrenti. Si tratta dell’analisi delle componenti principali (PCA) e della mappatura isometrica (Isomap), che riducono il numero di parametri in ingresso da 25 a soli tre.
Dopo aver ridotto i parametri, i dati vengono immessi in un semplice framework di apprendimento d’insieme. L’ensemble è composto da tre metodi di deep learning (apprendimento profondo) e utilizza una votazione a maggioranza per produrre un rilevamento finale. È necessario che almeno due algoritmi rilevino un pannello come difettoso perché l’ensemble lo dichiari tale.
Immagine: Université de Toulouse, Engineering Applications of Artificial Intelligence, CC BY 4.0
“I metodi che compongono la strategia di apprendimento collettivo sono K nearest neighbors (KNN), support vector machine (SVM) e decision tree learning (DT)”, ha spiegato il gruppo. “Questi tre algoritmi sono stati selezionati perché operano sulla base di tre principi distinti, consentendo all’approccio di sfruttare i punti di forza di ciascun principio. KNN si basa sulla misurazione della somiglianza utilizzando una metrica di distanza, il metodo SVM si basa sulla ricerca di un iperpiano di separazione ottimale tra due classi di dati e, infine, i DT si basano sulla suddivisione di un set di dati in sottoinsiemi più piccoli per consentire di prendere decisioni basate sulle informazioni contenute in ciascun sottoinsieme”.
I segnali per l’addestramento e la validazione sono stati rilevati in quattro giorni del 2020, ognuno dei quali rappresenta una stagione. Le misurazioni sono state effettuate tra le 7:00 e le 20:00 e i risultati sono stati suddivisi in mattina, mezzogiorno, pomeriggio e sera. Mentre il framework ELDIAG che utilizza la selezione delle caratteristiche Isomap ha mostrato un’accuratezza compresa tra il 70% e l’80%, ELDIAG che utilizza PCA si è dimostrato superiore, con un’accuratezza compresa tra il 79% e l’89%.
“Sebbene i risultati di accuratezza non siano all’altezza di quelli ottenuti dagli approcci basati sulle immagini, è importante sottolineare alcuni aspetti”, ha dichiarato il gruppo. “In primo luogo, il nostro approccio identifica in modo robusto i guasti della scia di lumache in condizioni di irraggiamento variabili, utilizzando un solo segnale di corrente per pannello fotovoltaico. Questo riduce in modo significativo il numero di campioni necessari, pur mantenendo la robustezza del rilevamento dei guasti. Inoltre, il nostro approccio non richiede alcuna installazione aggiuntiva per funzionare. In termini economici è superiore, in quanto offre una soluzione scalabile a livello industriale. Inoltre, utilizzando segnali elettrici, è in grado di rilevare un gran numero di guasti, superando i limiti degli approcci basati sulle immagini”.
Il nuovo sistema è stato presentato in “An ensemble learning framework for snail trail fault detection and diagnosis in photovoltaic modules”, pubblicato su Engineering Applications of Artificial Intelligence.
I presenti contenuti sono tutelati da diritti d’autore e non possono essere riutilizzati. Se desideri collaborare con noi e riutilizzare alcuni dei nostri contenuti, contatta: editors@nullpv-magazine.com.
Inviando questo modulo consenti a pv magazine di usare i tuoi dati allo scopo di pubblicare il tuo commento.
I tuoi dati personali saranno comunicati o altrimenti trasmessi a terzi al fine di filtrare gli spam o se ciò è necessario per la manutenzione tecnica del sito. Qualsiasi altro trasferimento a terzi non avrà luogo a meno che non sia giustificato sulla base delle norme di protezione dei dati vigenti o se pv magazine ha l’obbligo legale di effettuarlo.
Hai la possibilità di revocare questo consenso in qualsiasi momento con effetto futuro, nel qual caso i tuoi dati personali saranno cancellati immediatamente. Altrimenti, i tuoi dati saranno cancellati quando pv magazine ha elaborato la tua richiesta o se lo scopo della conservazione dei dati è stato raggiunto.
Ulteriori informazioni sulla privacy dei dati personali sono disponibili nella nostra Politica di protezione dei dati personali.