Digital Twin for Fault Detection in Photovoltaic (PV) Systems

Abstract

Sammendrag: Denne forskningen fokuserer på utviklingen av en prediktiv digital tvilling for solcelle (PV) systemer for å forbedre energieffektiviteten og redusere vedlikeholdskostnadene ved å forutsi tap på grunn av tilsmussing. Den økende globale avhengigheten av solenergi, som er satt til å overgå kull som den største elektrisitetskilden innen 2027, understreker viktigheten av å optimalisere solenergibruken. Digitale tvillinger, en virtuell representasjon av fysiske eiendeler, brukes til prognoser, overvåking, kontroll og optimalisering gjennom hele eiendelens livssyklus. Digitale tvillinger kan spille en nøkkelrolle i solcelleanlegg, spesielt når det gjelder å håndtere en rekke driftsutfordringer og feil. Forskningen fokuserer spesielt på tilsmussingstap på grunn av dets betydelige innvirkning på solcellepanelers ytelse og fremhever viktigheten av prediktivt vedlikehold for å redusere dette tapet. Påvirkningen av klimatiske forhold på tilsmussing av solcellemoduler, og hvordan miljøfaktorer som temperatur og fuktighet påvirker solcellepanelers effektivitet, er diskutert i dette prosjektet. Denne oppgaven bidrar til utviklingen av en digital tvillingplattform, prediktiv atferdsmodellering av fysiske eiendeler, og evalueringen av maskinlæringsmodeller for feilprognoser i solcelleanlegg. Tilnærmingen involverer datainnsamling, rengjøring, prosessering og anvendelse av maskinlæringsteknikker for å forutsi og redusere potensielle feil. Prosjektet har funnet kunstige nevrale nettverk (ANNs) som en lovende tilnærming for prediktiv analyse, gitt deres beviste evne til å håndtere komplekse problemer effektivt. Denne innovative tilnærmingen tar sikte på å optimalisere solcelleanlegg, og sikrer mer effektiv og bærekraftig energiproduksjon. Primitive simuleringer og 3D-visualiseringer har blitt gjennomført i Unity, som lar brukeren endre miljøforholdene for å teste forskjellige scenarier. Denne simuleringen fungerer som et interaktivt verktøy for forskere for visuelt å analysere effektene av ulike faktorer i solcelle (PV).

Abstract: This research focuses on the development of a predictive digital twin for solar photovoltaic (PV) systems to enhance energy production efficiency and reduce maintenance costs through forecasting the soiling loss. The increasing global reliance on solar PV, set to surpass coal as the largest electricity source by 2027, emphasizes the importance of optimizing solar energy utilization. Digital twins, a virtual representation of physical assets, are employed for forecasting, monitoring, control, and optimization throughout an asset's lifecycle. Digital twins can play a key role in solar PV systems, particularly in tackling a range of operational challenges and faults. The research particularly focuses on soiling loss due to its significant impact on PV panel performance and highlights the importance of predictive maintenance in mitigating this loss. The influence of climatic conditions on PV module soiling, and how environmental factors like temperature and humidity affect solar panel efficiency have been discussed in this project. This thesis contributes to the development of a digital twin platform, predictive behavioral modeling of physical assets, and the evaluation of machine learning models for fault forecasting in PV systems. The approach involves data collection, cleaning, processing, and the application of machine learning techniques to predict and mitigate potential failures. The project came across Artificial Neural Networks (ANNs) as a promising approach for predictive analysis, given their proven ability to tackle complex problems effectively. This innovative approach aims to optimize solar PV systems, ensuring more efficient and sustainable energy production. Primitive Simulation and 3D visualization have been conducted in Unity which allows the user to alter the environmental conditions to test different scenarios. This simulation serves as an interactive tool for researchers to visually analyze the effects of various factors in PV farms.