Il fotovoltaico in Italia

Le rinnovabili sono al centro della transizione energetica, e pongono grandi sfide in termini di dispacciamento e gestione. Secondo i dati di Terna aggiornati ad oggi – novembre 2023 – la potenza rinnovabile totale installata risulta di 67.4 MW, coprendo più della metà dell’installato italiano.

A giugno 2023 le rinnovabili hanno coperto più del 44% dei consumi elettrici, poco più di 11 miliardi di kWh. Nello stesso periodo del 2022 le rinnovabili hanno coperto solo il 35% del consumo nazionale. Di questi, più del 30% sono tati prodotti tramite fotovoltaico.

Dei 65 MW di installato, più di 28 MW sono dedicati a fotovoltaico, fonte aleatoria e non controllabile, spesso con installazioni di pochi MW, che ha però la precedenza nella distribuzione elettrica.

Gestire al meglio queste fonti, con manutenzione mirata e sistemi di previsione e controllo, aumenta disponibilità e ore equivalenti di queste tecnologie, semplificando la vita a Terna e a chi deve gestire il dispacciamento, e a chi gestisce manutenzione e operatività dei sistemi.

Intelligenza artificiale e fotovoltaico

Il fotovoltaico è caratterizzato da una capacità produttiva di 1100-1500 ore equivalenti. Vuol dire che per ogni kWp installata, in un anno vengono prodotti circa 1100 kWh nel Nord Italia, e 1500 kWh nel Sud Italia, kWh in più o in meno. Questo se il sistema funziona a dovere, senza problemi ad inverter e pannelli, e ad un buon livello di pulizia.

I sistemi di intelligenza artificiale industriale dunque possono essere applicati per supportare i team che monitorano la producibilità dei pannelli, e chi ne gestisce la manutenzione, in modo da raggiungere le ore equivalenti attese e massimizzare il rendimento dei sistemi.

Prevedere la producibilità di impianto

La prima e più scontata applicazione dei modelli di deep learning è la previsione di producibilità di impianto, in base alle condizioni meteo previste. Rispetto ad un modello esplicito, questo tipo di modelli data driven possono essere costruiti con un numero di dati di gran lunga più basso: basta la potenza prodotta storica e le previsioni meteo, in particolare radiazione diretta e diffusa, e temperatura esterna. Non è necessario sapere in anticipo potenza nominale, inclinazione, esposizione e tutti gli altri dettagli geometrici, perché il sistema impara dai dati storici il modo in cui i pannelli producono, e replica il comportamento storico.

Sapere in anticipo la producibilità di impianto rende possibile organizzare meglio le fonti di produzione a fonti tradizionali, ma anche il consumo – ad esempio per privati che utilizzano il fotovoltaico per autoproduzione.

Identificare i pannelli o i campi meno efficienti

Con gli algoritmi di benchmarking è possibile costruire un sistema di monitoraggio evoluto che suggerisca all’operatore quali sistemi sono meno efficienti, in modo da indirizzare eventuali manutenzioni straordinarie.

Utilizzando infatti i dati di potenza nominale installata, informazioni relative alla singola installazione, dati metereologici registrati o previsti, e le informazioni di potenza prodotta in real-time, è possibile costruire un modello di machine learning in grado di prevedere quale dovrebbe essere la potenza prodotta da ogni pannello in base allo storico, e tracciare la mappa di efficienza dei pannelli identificando i campi, le serie o i singoli pannelli che hanno un rendimento più alto, e quelli che hanno un rendimento inferiore.

Il sistema normalizza già su tutti i dati che influenzano il rendimento stesso, quindi ad esempio esposizione o meteo, e può essere utilizzato dagli operatori per valutare interventi di retrofitting o manutenzione straordinaria, con sostituzioni o altri interventi.

Valutare la tecnologia migliore per una determinata zona

Applicando un algoritmo simile a quanto visto nel paragrafo precedente, è possibile costruire un sistema che analizzi impianti a differenti tecnologie o caratteristiche per una stessa area. Il risultato è una mappa di efficienza uguale a quella vista precedentemente, che mostra però le lievi fluttuazioni di rendimento legate alle caratteristiche o tecnologie esplorate.

Ad esempio, potrebbe emergere che a parità di irraggiamento (uno degli input dei modelli) in una specifica località gli impianti autopulenti presentano producibilità nettamente superiore agli impianti tradizionali, o magari che impianti termo-fotovoltaici possono dare risultati migliori. Oppure, potrebbe emergere che la differenza di producibilità a parità di irraggiamento non varia tra un sistema tradizionale e uno ad inseguimento, per caratteristiche specifiche particolari.

Ispezionare i pannelli in modo rapido

Uno degli interventi più complicati di manutenzione dei pannelli è l’ispezione visiva o tramite termocamere, utile per identificare pannelli rotti, hotspot o snail trails, ma molto complicata dal punto di vista logistico. I sistemi di image recognition montati su semplici droni possono supportare nelle ispezioni in campo, fornendo ai tecnici una mappatura precisa dei difetti presenti sui pannelli incidendo in modo importante sui costi dell’intervento.

Ad esempio, un drone equipaggiato con termocamera può facilmente analizzate un campo intero installato su tetto o su supporto rialzato, e identificare gli hotspot in modo preciso registrando il posizionamento e generando una segnalazione. Hotspot non gestiti possono raggiungere differenziali termici di 50°C, portando ad una perdita permanente del rendimento della cella, e nel peggiore dei casi ad incendi.

Manutenzione predittiva e monitoraggio remoto degli inverter

Gli inverter sono indispensabili per l’utilizzo dell’energia prodotta dal pannello. Se l’inverter si guasta, pur avendo un pannello prestante non sarà possibile sfruttarne la produzione, diventa quindi centrale garantire il corretto funzionamento del sistema. I principali guasti di un inverter sono legati al surriscaldamento e al cortocircuito, facilmente identificabili, o a mancate riaccensioni dopo perdita di tensione.

Grazie all’industrial IoT e ai sistemi di deep learning è possibile sviluppare modelli di manutenzione predittiva in grado di suggerire la probabilità di uno specifico guasto a determinate condizioni operative. Sapendo in anticipo lo stato degli inverter, è possibile organizzare interventi di verifica mirati in momenti in cui gli impianti non producono energia (ad esempio dopo il tramonto o in giornate nuvolose), limitando la perdita di efficienza dovuta alle anomalie e di disponibilità dovuta alle fermate.

Monitorare la curva I-V per intercettare perdite di efficienza dei pannelli

La curva corrente-tensione di un pannello fotovoltaico rappresenta le capacità di produzione elettrica di un modulo, considerando le varie inefficienze inevitabili. Ogni pannello ha una sua curva caratteristica, e questa curva varia al variare delle condizioni operative come umidità, temperatura esterna, temperatura del pannello, potenza prodotta e così via.

Il monitoraggio di questa curva in real time non è semplice, in quando costruire una baseline di riferimento valida prevede sistemi di equazioni esplicite molto complessi. Però, monitorando in real time tensione e corrente di ogni serie di pannelli correlate con le condizioni meteo e la potenza prodotta nei primi mesi di esercizio del pannelli, è possibile ricostruire grazie al deep learning la curva effettiva e le sue naturali variazioni, in modo da intercettare variazioni anomale ed anticipare inefficienze e problemi manutentivi.

Un sistema di monitoraggio in real time a supporto del personale di manutenzione non solo facilita le attività di ispezione e intervento, ma può aumentare la producibilità del pannello in quanto le inefficienze sono intercettate tempestivamente e gestite prima che causino una perdita di potenza.

Maggior produzione e migliore gestione

Utilizzando sistemi di monitoraggio evoluto e manutenzione predittiva è quindi possibile massimizzare la disponibilità di impianto, arrivando alle ore equivalenti massime ottenibili in base al luogo in cui il sistema è installato.

Lo sporcamento dei pannelli incide di circa il 5%, con un monitoraggio continuo della curva e le ispezioni automatiche è possibile mantenere i pannelli puliti più a lungo. Hotspot e problemi manutentivi possono deteriorare i pannelli, diminuendone l’efficienza. I sistemi di verifica possono quindi minimizzare i guasti non intercettati intervenendo in tempo. Surriscaldamento o cortocircuiti degli inverter non intercettati possono diminuire la disponibilità dell’impianto, i sistemi di manutenzione predittiva in real time identificano le condizioni di rischio e aiutano a prevenire le anomalie. Infine, l’analisi della potenza rende possibile sviluppare sistemi di previsione o di confronto per gestire gli impianti in modo strategico. La chiave è la raccolta dei dati giusti, e lo sviluppo di modelli di machine learning allenati sui dati storici.