Nasce Sample, primo sistema di manutenzione predittiva per il fotovoltaico.
Sample è finanziato dal Centro di Competenza Start 4.0, e ha come capofila Maps insieme a due leader del settore energetico come Algowatt e Acea Produzione, e mira a studiare, elaborare e validare una soluzione per la gestione e la resilienza di infrastrutture critiche dedicate alla produzione di energia da fonti rinnovabili non programmabili (Frnp), con particolare riferimento alla generazione da impianti fotovoltaici (Pv) e alla loro interconnessione con le reti elettriche.
Nel settore del fotovoltaico è prevista nei prossimi anni una importante crescita trainata dalle iniziative legate agli obiettivi del Piano Nazionale per l’Energia e il Clima. Già nel primo semestre 2020 le nuove installazioni sono aumentate del 12% e, nel biennio 2021/22 si prevede che il fotovoltaico guiderà la crescita di tutte le energie rinnovabili (Enea, ‘Renewables 2020’ IEA).
I pannelli fotovoltaici hanno generalmente un’alta affidabilità. Quando però si considera l’intero impianto di generazione fotovoltaica (pannelli, inverter, ecc.), le performance possono scendere sensibilmente. Molti dei problemi che si verificano non riguardano i pannelli ma gli altri componenti, per esempio: limitazioni in potenza dell’inverter che non permettono di inseguire il riferimento di tensione di rete, partial shading, guasti al sistema di isolamento, guasti ai diodi di bypass e guasti agli interruttori e sezionatori. In taluni casi il verificarsi del fenomeno di mismatch tra stringhe ha un sensibile impatto sull’efficienza dell’impianto.
In risposta a questi problemi, oggi, i proprietari e gestori di impianti adottano tre differenti strade: includere nell’acquisto dei componenti uno specifico servizio di monitoraggio, investire in piani di manutenzione programmata, oppure non acquistare alcun servizio. Nei primi due casi la manutenzione prevede test manuali quali l’ispezione visiva dei componenti, la misura della curva V-I (curva caratteristica tensione-corrente di un impianto fotovoltaico e della resistenza di isolamento dei pannelli e la termografia a infrarossi del pannello fotovoltaico.
Considerando il notevole incremento previsto delle installazioni di impianti fotovoltaici, in linea con il Pniec e il Pnrr, continuità e qualità della fornitura assumono sempre maggiore rilievo in ottica di resilienza del sistema elettrico. È quindi previsto un forte stimolo per la produzione di soluzioni intelligenti per supportare la manutenzione predittiva, aumentare la vita tecnica degli impianti del 20% e la loro efficienza nel tempo e ridurre fino al 10% i costi di manutenzione dell’asset fotovoltaico.
Data la dimensione del problema e le lacune delle soluzioni attuali presenti sul mercato, è necessario colmare il gap tecnologico. Emerge, perciò, la necessità di una piattaforma data-driven, gestita da terze parti, che fornisca servizi di manutenzione predittiva per ottimizzare il ritorno sull’investimento, minimizzare le perdite di efficienza in caso di anomalie o guasti.
Il progetto è diviso in tre diverse macro-fasi, la prima fase del progetto consiste nell’analisi degli scenari di applicazione della manutenzione predittiva finalizzata a garantire la continuità e la qualità della generazione da Frnp, in particolare per ciò che riguarda la disponibilità e la qualità dei dati da raccogliere, la rappresentazione dei dati con modelli di simulazione e l’individuazione di misure (Kpi-Key Performance Indicator) per la verifica dell’efficacia della soluzione.
Successivamente, sarà realizzata la piattaforma per la gestione della diagnostica e prevenzione delle anomalie dell’impianto fotovoltaico. La piattaforma si basa sull’acquisizione, aggregazione ed elaborazione intelligente dei dati provenienti da sorgenti eterogenee in tempo reale e sullo sviluppo di algoritmi di simulazione del comportamento atteso degli impianti integrati con sistemi di imaging per il monitoraggio fisico degli impianti effettuato con droni. L’efficacia della piattaforma sarà validata in ambiente simulato a partire da una base di osservazioni e dati storici raccolti sugli impianti del nodo infrastrutturale del Campus di Savona di Unige (infrastrutture di ricerca codificate a livello Regionale e Nazionale: Smart Polygeneration Microgrid e Smart Building – Unige nodo infrastrutturale energia) e su impianti di Acea.
Infine, sulla base delle attività svolte precedentemente, ed in particolare delle evidenze raccolte, si procederà con un’analisi dei Kpi per verificare l’efficacia di quanto realizzato. Il risultato che si vuole ottenere è la validazione delle tecnologie e delle funzionalità utilizzate in riferimento ai grandi impianti dove Acea fornirà dati e validerà il processo per verificare il grado di completezza delle soluzioni per una possibile introduzione sul mercato.
Sample porrà, quindi, le basi di un sistema aperto, flessibile e interoperabile a supporto della resilienza e continuità operativa di impianti di produzione di energia. Inoltre, implementerà a questo scopo un primo insieme di servizi indirizzati agli impianti fotovoltaici.
Nei prossimi anni avremo un aumento di asset da monitorare in tempo reale ai quali fornire assistenza garantendo la più ampia continuità operativa possibile ed un’ottimizzazione degli interventi di riparazione. Le società energetiche dovranno fare ricorso alla digitalizzazione e a soluzioni innovative come la piattaforma realizzata grazie al Progetto Sample. Soluzioni intelligenti utili per valutare lo stato di salute degli impianti in tempo reale e migliorare l’efficienza complessiva utilizzando dati provenienti da fonti eterogenee come image mapping eseguito con droni e dati IoT provenienti dall’hardware installato. Migliorando ed automatizzando la gestione operativa con soluzioni intelligenti si adotta un approccio strategico, che consentirà una riduzione dal 20 al 50 per cento del tempo necessario per pianificare la manutenzione, un aumento dal 10 al 20 per cento del tempo di attività e della disponibilità delle attrezzature, una riduzione dal 5 al 10 per cento del costo complessivo della manutenzione (fonte: Predictive maintenance and the digital supply network – Deloitte 2019).
