Signatures of degradation mechanisms from photovoltaic plants
Signatures de mécanismes de dégradation des centrales photovoltaïques
Résumé
The degradation of the PV (Photovoltaic) performance over its lifetime is usually determined with the variation of power at maximum power point (Pmpp). However, the same amount of Pmpp losses can have different causes, which have, different expectations of evolution with time.Existing Performance loss rate (PLR) methods are not suitable to identify these root causes and mechanisms from the field data. EDF’s physical model is a sophisticated version of a 2-diode model. This model contains parameters that can reflect degradation over time. When the current-voltage curve (IV curve) measurements are available from the field the parameters of the physical model can be straightforwardly estimated. However, the IV curve measurements are rarely available from the PV production sites the parameter, estimation is challenging since only limited data about the observed system is available. Estimating the model parameters using only Pmpp and weather data is the challenge here allowing a more precise evaluation of the health state of the system, rather than estimating only the performance loss metric.Sensitivity analysis was performed on various photovoltaic physical models namely the single diode model and the EDF code. A sensitivity analysis was performed on different photovoltaic physical models, namely the single-diode model and the EDF code. The three most influential parameters identified by our methodology are the series resistance (Rs), the shunt resistance (Rsh) and the short-circuit current (Isc). These identified parameters were used in the calibration of the PV performance model. The constraints of the sensitivity analysis were defined based on expert knowledge and available literature. Finally, three parameters were identified as the influential ones (on degradation) namely the series resistance (Rs), shunt resistance (Rsh) and the short circuit current (Isc). These identified parameters will be used in the calibration of the PV performance model.The Approximate Bayesian Computation (ABC) was used for the calibration of our computational code. The proposed algorithm aims to identify the posterior distribution of parameters by calibrating the computational code to the observed data. The ABC method expresses the probability of the observed data under a prior statistical model with certain parameter values. Because the code is computationally intensive, Polynomial Chaos Expansion (PCE) was used as a surrogate model to replace the original code and speed up the calibration process.The algorithm has been validated on simulated synthetic data (Digital Power Plant) with added Gaussian noise, some systematic discrepancy, and a known parameter degradation evolution. The results on the synthetic data show that the evolution of parameters can be estimated in noisy measurement conditions.The proposed method has then been applied to the real outdoor data collected during the operation of the photovoltaic plant in Bolzano (Italy, during the period of 2011-2019). The method only gives robust results in the summer and autumn because of stable weather conditions. In these months, the results show that the power decline of the fielded modules can be attributed to the decline in the Isc while the parameters Rs and Rsh do not show any significant change over 8 years. Additional analysis is needed to define the precise degradation mechanism associated with the evolution of extracted parameters and their correlation with outdoor operating conditions.As a perspective, we suggest using our new method to look into a big amount of data sets with known and unknown mechanisms to learn about the robustness of the method and the evolution of the parameters that could reveal more interesting characteristics and suggest physical arguments for studying breaking points and changes in failure mechanisms over the lifetime of PV power plants.
La dégradation de la performance des centrales PV (photovoltaïque) au cours de leur durée de vie est généralement déterminée par la variation de la puissance au point de puissance maximale (Power at maximum power point Pmpp). Cependant, la même quantité de pertes en Pmpp peut avoir des causes multiples, qui ont, chacune, des évolutions différentes dans le temps.Les méthodes existantes de taux de perte de performance (Performance Loss Rate) ne sont pas adaptées pour identifier ces causes et mécanismes fondamentaux à partir des données de terrain. Le modèle physique d’EDF est une version sophistiquée d’un modèle à 2 diodes. Ce modèle s dépend de paramètres dont les valeurs évoluent au cours du temps et peuvent reflètent ainsi les processus de dégradation. Lorsque les mesures des courbes courant-tension (courbes IV) sont disponibles, les paramètres du modèle physique peuvent être directement estimés. Toutefois les mesures de la courbe IV sont rarement effectuées sur les sites de production de PV et l'estimation des paramètres du modèle à 2 diodes est difficile à partir du nombre limité de variables mesurées. Le défi que nous nous attachons à relever est l'estimation des paramètres du modèle en utilisant uniquement le Pmpp, et la météo, permettant ainsi une évaluation plus précise de l'état de santé du système, plutôt que d'estimer uniquement la mesure de la perte de performance.Une analyse de sensibilité a été réalisée sur différents modèles physiques photovoltaïques, à savoir le modèle à diode unique et le code d’EDF. Les trois paramètres les plus influents identifiés par notre méthodologie sont ont la résistance-série (Rs), la résistance shunt (Rsh) et le courant de court-circuit (Isc). Ces paramètres identifiés ont été utilisés dans la calibration du modèle de performance PV.L'algorithme proposé vise à identifier la distribution a posteriori des paramètres en calibrant le code de calcul en fonction des données observées. L’inférence bayésienne a été menée à l’aide de la méthode ABC (Approximate Bayesian Computation) car la vraisemblance des observations est un code de calcul et n’a pas d’expression close. Comme l’exécution du code de calcul est chronophage, l'expansion du chaos polynomial (PCE) a été utilisée comme modèle de substitution pour remplacer le code original et accélérer l’inférence. L'algorithme a été validé sur des données synthétiques simulées (Digital Power Plant) auxquelles nous avons ajouté un bruit de mesure gaussien, une erreur systématique et un scénario d’évolution de dégradation des paramètres. Les résultats sur les données synthétiques montrent que l'évolution des paramètres peut être estimée en dépit du bruit de mesure et des fluctuations importantes.La méthode proposée a ensuite été appliquée à des données réelles collectées en fonctionnement à la centrale solaire de Bolzano (Italie, pendant la période 2011-2019). Notre méthode ne donne des résultats robustes qu'en été et en automne, la météo étant plutôt stable pour ce site pendant cette période. Au cours de ces mois, les résultats montrent que la baisse de puissance des modules exposés peut être attribuée à la baisse du Isc alors que la Rs et la Rsh ne montrent pas de changement significatif sur 8 ans. Une analyse supplémentaire sera nécessaire pour définir plus précisément les mécanismes de dégradation qui peuvent être identifiés avec l'évolution des paramètres extraits et leur corrélation avec les conditions de fonctionnement extérieures.En perspective, nous suggérons d'utiliser notre méthode pour examiner un grand nombre de jeux de données ayant des mécanismes de dégradation connus et inconnus, afin de connaître et améliorer la robustesse de la méthode et l'évolution des paramètres qui pourraient se révéler être des caractéristiques plus intéressantes, et de suggérer des explications physiques permettant d’identifier les points de rupture et les changements des mécanismes de défaillance au cours du temps.
Origine : Version validée par le jury (STAR)