A lightweight multi-scale deep learning approach for robust photovoltaic fault detection under noisy conditions

I pannelli solari sono i silenziosi motori della moderna transizione energetica, trasformando la luce solare in elettricità senza parti in movimento o fumo. Eppure, come ogni macchina complessa, sono soggetti a guasti. Un singolo filo interrotto, una chiazza d'ombra causata da un albero vicino o un componente che cede possono trascinare verso il basso le prestazioni di un intero sistema, sprecando energia e denaro. La sfida per gli ingegneri è stata a lungo capire esattamente cosa non funzioni, e con quale rapidità, specialmente quando i dati provenienti dai pannelli sono disordinati. I sensori spesso rilevano statistiche casuali, errori di calibrazione o picchi elettrici improvvisi che sembrano guasti ma sono solo rumore. Distinguere un problema reale da un glitch nella misurazione è stato un puzzle difficile, che spesso richiedeva attrezzature costose o ispezioni manuali lente che lasciavano i sistemi a funzionare in modo inefficiente per troppo tempo.

Un team di ricercatori della Kookmin University in Corea del Sud ha sviluppato un nuovo modo per risolvere questo problema, creando un sistema digitale in grado di individuare questi problemi con una velocità e un'accuratezza straordinarie, anche quando i dati sono imperfetti. Hanno costruito un programma informatico specializzato progettato per agire come un diagnostico altamente addestrato. Invece di affidarsi a un singolo metodo per esaminare i dati, questo programma utilizza un approccio ibrido che imita il modo in cui un esperto umano potrebbe esaminare un problema da più angolazioni contemporaneamente. Cerca piccoli schemi locali nei segnali elettrici e, allo stesso tempo, comprende il contesto più ampio di come tali segnali si relazionino tra loro nel tempo. Questa doppia prospettiva le permette di ignorare il rumore di fondo e concentrarsi sui veri segni di problemi.

Il sistema, che i ricercatori hanno chiamato BLGSNet, è stato testato su un dataset che rappresenta sei diversi stati di un array solare: funzionamento normale, una stringa di pannelli rotta, un guasto a terra, un cortocircuito tra le stringhe, un componente guasto e ombreggiamento parziale. In un ambiente perfetto e privo di rumore, il sistema ha identificato correttamente la condizione dei pannelli il 99,36% delle volte. Questo è un traguardo elevato, ma la vera prova è arrivata quando i ricercatori hanno introvato interferenze realistiche. Hanno simulato il tipo di errori dei sensori e di rumore elettrico che si verificano nel mondo reale, aggiungendo statistiche casuali e picchi improvvisi ai dati. Anche quando i dati erano corrotti dal rumore a un livello del 10%, il sistema ha mantenuto un'accuratezza del 98,08%. Quando il rumore è stato aumentato a un livello impegnativo del 15%, è riuscito comunque a diagnosticare correttamente i guasti il 94,87% delle volte. Questa stabilità è fondamentale perché significa che il sistema non deve essere abbinato a filtri complessi e lenti per pulire i dati prima dell'uso; può gestire direttamente la confusione.

Ciò che rende questo approccio particolarmente efficace è il suo design. I ricercatori hanno combinato due diversi tipi di elaborazione digitale. Una parte del sistema scansiona i dati utilizzando tre diverse "lenti" simultaneamente, cercando schemi molto brevi, medi e leggermente più lunghi. Ciò consente di catturare guasti che potrebbero apparire diversi a seconda di quanto si esamina da vicino. L'altra parte del sistema prende poi questi risultati e li esamina sia in avanti che all'indietro, comprendendo come le caratteristiche elettriche si connettano tra loro in una sequenza. Questa combinazione permette al sistema di apprendere l'impronta digitale unica di un guasto senza essere confuso dal rumore circostante. A differenza dei metodi più vecchi che spesso faticano quando i dati diventano sporchi o richiedono enormi quantità di potenza di calcolo, questo nuovo design è leggero. È abbastanza piccolo da poter girare su un computer compatto e a bassa potenza delle dimensioni di una carta di credito, noto come NVIDIA Jetson Nano, che è stato utilizzato nei test di laboratorio del team.

Per dimostrare che il sistema funziona al di fuori di una simulazione al computer, il team ha costruito un impianto solare in scala ridotta nel proprio laboratorio. Hanno collegato due pannelli solari a una batteria e un inverter, poi hanno sottoposto il sistema a vari stati di guasto, inclusi cavi scollegati e ombreggiamento artificiale. Il sistema ha elaborato i dati in tempo reale, effettuando una diagnia in meno di 19 millisecondi. Questa velocità è sufficiente per consentire un'azione immediata. Quando il sistema rileva un problema, non si limita a dire "qualcosa non va". Traduce quel ritrovamento in un piano chiaro e azionabile. Se identifica un guasto alla stringa, raccomanda di controllare il cablaggio e i fusibili. Se vede un ombreggiamento parziale, suggerisce di cercare detriti o ostruzioni sulla superficie del pannello. Questo livello di supporto decisionale trasforma un dato grezzo in un'istruzione pratica per un operatore della manutenzione.

I ricercatori hanno anche confrontato il loro nuovo sistema con diversi metodi esistenti, inclusi i modelli tradizionali di machine learning e altre reti di deep learning. I risultati hanno mostrato che, mentre altri modelli potevano performare bene in condizioni pulite, la loro accuratezza diminuiva significativamente quando veniva introdotto il rumore. Il nuovo sistema, invece, è rimasto robusto. Ha raggiunto questa alta prestazione utilizzando molte meno risorse computazionali rispetto ai suoi concorrenti, richiedendo meno della metà della memoria e una frazione della potenza di calcolo di altri modelli avanzati. Questa efficienza suggerisce che tale tecnologia potrebbe essere implementata ampiamente, anche su piccole installazioni solari o remote dove non sono disponibili computer potenti.

Sebbene i risultati siano promettenti, i ricercatori sono cauti nel sottolineare i limiti del loro attuale lavoro. I test sono stati eseguiti su un dataset relativamente piccolo e su un setup a due pannelli in un ambiente di laboratorio controllato. I dati del "mondo reale" che hanno utilizzato per un'ulteriore validazione sono stati generati utilizzando etichette basate su regole piuttosto che record di manutenzione verificati da guasti reali sul campo. Ciò significa che il sistema non è ancora stato testato per anni di operatività in diverse condizioni meteorologiche in grandi parchi solari. Tuttavia, la coerenza dei risultati attraverso diversi livelli di rumore e la riuscita dimostrazione in tempo reale su hardware fisico forniscono una solida base. Il lavoro dimostra che è possibile costruire un sistema di rilevamento guasti che sia non solo accurato, ma anche resiliente alla realtà imperfetta e rumorosa del mondo fisico, offrendo una strada verso reti di energia solare più affidabili e autosufficienti.