Rilevamento e diagnosi dei guasti nei sistemi fotovoltaici mediante intelligenza artificiale e analisi tempo–frequenza

Mantenere il funzionamento regolare dell’energia solare

Con la diffusione dei pannelli solari su tetti e deserti, mantenerli al massimo rendimento diventa cruciale. Problemi nascosti — come difetti di cablaggio o pannelli ombreggiati — possono sottrarre energia e profitti molto prima che qualcuno se ne accorga. Questo studio esplora un nuovo modo per «ascoltare» automaticamente il «battito» di un impianto solare usando strumenti avanzati di riconoscimento di pattern dell’intelligenza artificiale, con l’obiettivo di individuare i guasti precocemente, anche quando i dati sono rumorosi e confusi, come nella realtà.

Perché i sistemi solari possono non comportarsi come previsto

Le grandi centrali solari sono costituite da molteplici pannelli interconnessi, e piccoli problemi possono sommarsi. Alcune celle possono essere cortocircuitate, intere stringhe di pannelli possono essere cablate in modo errato, o sezioni possono essere parzialmente ombreggiate da alberi, sporcizia o edifici vicini. Questi problemi modificano l’evoluzione delle grandezze elettriche del sistema — livello di irraggiamento, temperatura del pannello, tensione, corrente e potenza — nel corso della giornata. Tradizionalmente, gli ingegneri hanno cercato questi guasti con termocamere, ispezioni visive o regole fatte a mano. Questi approcci richiedono molto lavoro, possono non rilevare problemi sottili e spesso faticano quando si verificano più guasti contemporaneamente o quando i sensori sono vecchi e rumorosi.

Trasformare i numeri in immagini che il computer può leggere

I ricercatori propongono una svolta insolita: invece di fornire numeri grezzi al computer, prima convertono le misure elettriche in piccole mappe simili a immagini che catturano come i segnali cambiano nel tempo e nella frequenza. Utilizzano uno strumento matematico chiamato distribuzione di Wigner–Ville, che può rivelare pattern come salti improvvisi, derive lente o ondulazioni ripetute corrispondenti a diversi tipi di guasto. Per ogni istantanea dell’impianto, cinque misure chiave — irraggiamento, temperatura e la tensione, corrente e potenza al punto di massima potenza — vengono ciascuna trasformate in una striscia di blocchi colorati che rappresentano il loro comportamento per circa un’ora. Queste strisce, più una sesta che le fonde insieme, vengono impilate in una compatta piastrella 6×12. Ogni piastrella è un’impronta visiva del comportamento del sistema in quel momento.

Insegnare a un ispettore digitale a leggere i pattern

Una volta che i dati assomigliano a piccole immagini, il team può applicare una classe di modelli di IA eccellenti nell’analisi delle immagini: le reti neurali convoluzionali. Prima costruiscono un modello digitale dettagliato di un array solare da 30 pannelli e simulano 17 diverse condizioni operative: uno stato sano e 16 tipi di guasto, che vanno da alcuni moduli cortocircuitati a ombreggiamenti parziali diffusi e guasti complessi linea-linea tra le stringhe. Per ogni caso, sia con cielo sereno sia nuvoloso, generano lunghe sequenze di letture realistiche dei sensori, le convertono in mappe 6×12 e le etichettano in base al guasto sottostante. La rete convoluzionale apprende quindi, da migliaia di esempi, quali disposizioni di colore e forma in queste mappe corrispondono a ciascun problema specifico. In parallelo, gli autori testano anche reti neurali più semplici e strumenti classici di machine learning come macchine a vettori di supporto e foreste casuali, tutti addestrati sugli stessi dati trasformati, per valutare quale metodo risulti più accurato e più robusto.

Mettere alla prova il metodo in condizioni rumorose

In simulazioni perfettamente pulite, le reti neurali tradizionali che lavorano direttamente sui cinque input numerici raggiungono un’accuratezza quasi perfetta — oltre il 99% — nel distinguere i diversi guasti. Anche la rete convoluzionale basata su immagini ottiene ottimi risultati, con un’accuratezza appena sopra il 97%. Ma gli impianti solari non vivono in un mondo pulito: i sensori invecchiano, il tempo è imprevedibile e le misure diventano rumorose. Quando i ricercatori iniettano volutamente jitter realistico nelle letture di irraggiamento, temperatura, tensione, corrente e potenza, le classifiche cambiano drasticamente. Le reti più semplici perdono gran parte del loro vantaggio, scendendo nella fascia dell’80% o peggio. Al contrario, la rete convoluzionale, che osserva le mappe tempo–frequenza strutturate, mantiene circa il 90% di accuratezza a livelli di rumore normali e continua a identificare correttamente la maggior parte dei guasti anche quando il rumore viene triplicato per simulare sensori molto vecchi o di scarsa qualità.

Cosa significa questo per le future centrali solari

Per un lettore non specialista, la conclusione è che il modo in cui presentiamo l’informazione a un modello di IA conta tanto quanto il modello stesso. Trasformando i dati grezzi dell’energia solare in immagini compatte che catturano sia quando sia come i segnali oscillano, gli autori abilitano un ispettore digitale non solo accurato in condizioni ideali, ma anche abbastanza robusto da gestire i dati disordinati degli impianti reali. Il loro approccio può distinguere automaticamente un campo sano da molti tipi di guasto simili, con minima necessità di regole fatte a mano. In pratica, un sistema del genere potrebbe funzionare in background in una grande centrale fotovoltaica, avvisando gli operatori precocemente di problemi specifici, riducendo i tempi di inattività e rendendo l’energia solare più affidabile ed economica nel lungo periodo.

Citazione: Seghiour, A., Bendjeddou, Y., Mostefaoui, I.M. et al. Fault detection and diagnosis in photovoltaic systems using artificial intelligence and time–frequency analysis. Sci Rep 16, 10056 (2026). https://doi.org/10.1038/s41598-026-39386-7

Parole chiave: rilevamento guasti solari, monitoraggio fotovoltaico, analisi tempo-frequenza, reti neurali convoluzionali, diagnostica energie rinnovabili