Analytical monitoring system for the reliable diagnosis of failures in grid-connected photovoltaic systems

Abstract

Κατά την τελευταία δεκαετία, η έρευνα στον τομέα των φωτοβολταϊκών (ΦΒ) συστημάτων έχει επικεντρωθεί σε μεθόδους που αποσκοπούν στην αύξηση της αξιοπιστίας και της απόδοσης των ΦΒ εγκαταστάσεων. Αρκετή έρευνα έχει διεξαχθεί τα τελευταία χρόνια στον τομέα αυτό με σκοπό την μείωση του σταθμισμένου κόστους ηλεκτρικής ενέργειας και την εγγυημένη απόδοση του συστήματος κατά τη διάρκεια της ζωής του, μέσω της συνεχούς και σταθερής παρακολούθησης των συστημάτων αυτών. Κύρια πρόκληση στην προσπάθεια διασφάλισης της βέλτιστης λειτουργίας των ΦΒ συστημάτων, είναι η διατήρηση της αξιοπιστίας μέσω της αυτόματης αναγνώρισης/διάγνωσης και ταξινόμησης σφαλμάτων σε διάφορους τύπους (π.χ. απώλειες απόδοσης, μηχανισμούς υποβάθμισης και αστοχίες). Η ικανότητα διάγνωσης σφαλμάτων σε πρώιμο στάδιο είναι επίσης ζωτικής σημασίας για τη βελτιστοποίηση της προληπτικής και διορθωτικής συντήρησης ΦΒ συστημάτων. Η παρούσα διδακτορική διατριβή προτείνει την ανάπτυξη αλγορίθμων και μεθοδολογιών για ένα σύστημα παρακολούθησης (το οποίο θα επεξεργάζεται και θα αναλύει δεδομένα σε πραγματικό χρόνο) που έχει ως στόχο την προληπτική και διορθωτική συντήρηση ΦΒ συστημάτων. Οι προτεινόμενοι αλγόριθμοι και οι καινοτόμες μεθοδολογίες (για αξιόπιστη διάγνωση σφαλμάτων και έγκαιρη επίλυση βλαβών λειτουργίας) μπορούν να ενσωματωθούν στο σύστημα παρακολούθησης για να διασφαλιστεί η βέλτιστη απόδοση και λειτουργία του ΦΒ συστήματος. Για τον εντοπισμό ΦΒ σφαλμάτων, οι καταγεγραμμένες μετρήσεις ελέγχονται αρχικά για ελλιπείς και λανθασμένες τιμές. Ακολούθως διάφοροι αλγόριθμοι (βασισμένοι σε τεχνικές στατιστικής ανάλυσης και μηχανικής μάθησης) αναπτύχθηκαν με σκοπό να: α) προβλέπουν την απόδοση του ΦΒ συστήματος, β) εντοπίζουν τις διάφορες αστοχίες, τους διάφορους μηχανισμούς υποβάθμισης και τις απώλειες απόδοσης, γ) ταξινομούν τα διάφορα σφάλματα σε κατηγορίες, δ) διακρίνουν τις βλάβες σε αναστρέψιμες και μη αναστρέψιμες και τέλος ε) παρέχουν εισηγήσεις/προτάσεις διορθωτικών μέτρων (λαμβάνοντας υπόψη οικονομικά κριτήρια) για την επίλυση των βλαβών/σφαλμάτων. Οι προτεινόμενες μεθοδολογίες εκτελούν συγκρίσεις μεταξύ των μετρούμενων και των προσομοιωμένων ηλεκτρικών παραμέτρων και χρησιμοποιούν αλγορίθμους μηχανικής μάθησης και στατιστικής για να εντοπίσουν και να κατηγοριοποιήσουν τα σφάλματα στο ΦΒ σύστημα. Η αποτελεσματικότητα του προτεινόμενου συστήματος για τη διάγνωση απωλειών απόδοσης και σφαλμάτων επαληθεύτηκε πειραματικά σε υφιστάμενα ΦΒ συστήματα (μικρής και μεγάλης κλίμακας) που είναι εγκατεστημένα στην Κύπρο, στην Ελλάδα και στις ΗΠΑ. Αυτές οι καινοτόμες μεθοδολογίες και οι αλγόριθμοι μπορούν να ενσωματωθούν σε υφιστάμενες ΦΒ εγκαταστάσεις για αυτόματη αναγνώριση σφαλμάτων, χωρίς να διαταράσσεται η κανονική λειτουργία του συστήματος.

Over the last decade, research on photovoltaic (PV) systems has shifted from a race for the highest cell efficiency to the increase of the lifetime energy yield. Presently, a major part of the research concerns with the reliability of the installations and the guaranteed lifetime performance through constant, solid, and traceable PV plant monitoring of installed systems, hence directly impacting positively investment cost, levelized cost of electricity (LCOE), and in general PV competitiveness. In this sense, a main challenge in the quest for ensuring quality of operation for grid-connected PV systems, is to safeguard reliability and optimal performance by identifying and accurately quantifying the factors behind the various failures and performance loss mechanisms. The ability to diagnose (detect and classify) faults at an early stage is also crucial for optimising the maintenance strategies and reducing the operation and maintenance (O&M) costs. The present doctoral study proposes the development of algorithms for PV monitoring applications. In this context, innovative methodologies/routines and algorithms are developed to significantly improve the performance of PV systems through the early and reliable diagnosis of faults (i.e., failures and trend-based performance losses). To detect faults in PV systems, the recorded measurements are first thoroughly checked for consistency, missing, erroneous and outlying values. After checking and correcting the acquired measurements, different data-driven algorithms (based on statistical analysis and machine learning techniques) are developed to: a) predict the performance of the PV system under investigation, b) detect commonly occurred PV failures and performance losses, c) quantify the fault incidents and the root causes, d) distinguish reversible from irreversible fault mechanisms, and finally, e) provide recommendations of actionable O&M decisions – mitigation actions (e.g., suggestions of corrective actions) to resolve the detected incidents based on fault criticality evaluation and financial metrics. The proposed routines perform comparisons between the measured and simulated electrical parameters and utilise statistical (i.e., change-point) and machine learning algorithms to first identify the fault and then quantify the root cause. The effectiveness of the proposed algorithms and routines for diagnosing accurately fault occurrences was demonstrated experimentally on test PV systems (ranging from small- to large-scale) installed in Cyprus, Greece and US. Finally, the derived data-driven functionalities can then be embedded into existing PV monitoring systems for real-time performance monitoring and/or when mass analysing data from PV power plants. This enables remote and automated diagnosis of PV underperformance issues and the provision of recommendations for fault events resolution (by performing O&M activities), without affecting the overall operation of the PV system.