Automation of field inspection in large scale solar farms - Alspin

Solenergi er nå det raskest voksende segmentet i energiindustrien, med en global installert kapasitet på over 1000 GW. For Equinor er solenergi en viktig del av en voksende fornybarportefølje i markeder som Brasil, Argentina, Polen og Nord-Europa. Anleggsovervåking spiller en nøkkelrolle både for sikker drift og optimalisering av energiproduksjonen. Overvåking av den elektriske ytelsen til et PV-anlegg tillater imidlertid vanligvis bare deteksjon av feil- og effekttap på inverter- og stringnivå, der flere titalls eller hundrevis av moduler er koblet sammen. Mindre feil, på PV-modul eller cellenivå, krever andre teknikker for pålitelig deteksjon og diagnostikk. Autonome droner utstyrt med infrarødt kamera er en attraktiv teknologi for kostnadseffektiv overvåkning av storskala solkraftverk. Med automatisk genererte ruteplaner kan dronene styre seg selv til alle deler av anlegget på jakt etter moduler med termiske hotspots eller andre indikatorer på en defekt solcelle. Datasyn og maskinlæringsalgoritmer kan brukes til å identifisere og klassifisere feil som deretter rapporteres tilbake til drifts- og vedlikeholdsteamet som utfører ytterligere diagnostikk eller utskiftinger. Alspin-prosjektet har jobbet med disse problemstillinger og utviklet flere verktøy og metoder, inkludert (i) dronebasert automatisk PV-anleggsovervåkning med høyoppløselige infrarøde sensorer, (ii) en ruteplanlegger for autonome droner i PV-anlegg, (iii) avansert datasyn med maskinlæringsmetoder for modul og cellenivå feildeteksjon og klassifisering, og (iv) en løsning for visualisering av resultater og støtte til vedlikeholdsoperasjoner. Arbeidet har ført til en prototype bestående av automatisert inspeksjonssystem og automatisk droneveilednings som har blitt testet ved et solkraftverk i Brasil.

The key results of the project include: - A solution combining computer vision methods with unsupervised machine learning to automatically detect faults in PV modules using dual infrared and color images. - A solution for automatic drone path planning including a virtual testing environment. - A solution for glocalization and visualization of images and results, providing an overview of plant condition and supporting maintenance planning. - Study of additional luminescence imaging techniques relevant for field-based PV inspection - A large database of PV modules images

The goal is to realize efficient and automated system for solar module inspection and optimize energy production (i.e. high yield and warranty claims) in large scale solar installations. Solar is the fastest growing segment in the energy industry, because of the simple installation and short time to production. Solar farms now contain more than 1 million individual modules, requiring larger space and continuous maintenance for keeping high productivity. Having recently changed its name, Equinor (formerly Statoil) has a mission to invest in renewable energy and to develop its business within green energy. Through joint ventures with Scatech Solar, Equinor intends to use the global presence to expand the portfolio to become a diversified energy company where solar will be part of Equinor new businesses to put the company at the front of green energy industries. An efficient, automated and autonomous inspection and analysis system will be an important tool for both monitoring their investment and optimizing the yield. Manual inspection of solar systems in the field is common today. Interpretation of the IR thermal images is complicated by artefacts that appear in data and dirt on modules, which may not be easily distinguishable from faults. Also, correlation between visual and electrical data is often not practical. With the large installations of today, manual inspection is no longer efficient. Therefore, sophisticated approaches are necessary to determine when defects have a sufficient impact on the energy production to warrant replacement of solar modules. This project aims to realize fault models from the field arrays, high-resolution and multispectral sensing for automated airborne monitoring and inspection from remote distances. Machine learning will be established to correlate inspection with electrical data to evaluate the impact of the defects on the production. A cost-benefit analysis will be integrated to control the operation and maintenance of solar farms.