Estimation of missing strings based on tracker and stringbox operational data in utility-scale photovoltaic power plants

Abstract

Este trabalho propõe uma nova metodologia para detecção de strings ausentes, ou seja, strings que se tornam eletricamente desconectadas devido a falhas, em usinas fotovoltaicas em grande escala (USPVPPs), por meio da integração de dados operacionais de sistemas de controle de supervisão e aquisição de dados (SCADA) nos níveis de tracker e stringbox. Falhas nos trackers são inicialmente identificadas por meio da análise de desvio angular e taxa de variação. Um modelo de regressão polinomial treinado com cenários simulados de falha estima as perdas de potência correspondentes, ajustando dinamicamente o número esperado de strings por stringbox. As medições de corrente das stringboxes dentro das subunidades (SUs) da usina são agrupadas com o algoritmo k-means para estabelecer linhas de base de comportamento saudável, e desvios em relação a elas permitem a estimativa de strings ausentes. Além disso, um critério de recorrência é aplicado para reduzir alertas esporádicos isolados. Validada em uma usina fotovoltaica de 30 MW, a metodologia resultou em uma redução de 71% nos falsos alertas e alcançou 83% de acurácia na distinção entre falhas relacionadas a strings e a trackers. A abordagem não requer sensores adicionais, aproveitando a infraestrutura SCADA existente para aumentar a confiabilidade operacional.

Abstract: This work proposes a novel methodology for detecting missing strings, i.e., strings that become electrically disconnected due to faults, in utility-scale photovoltaic power plants (USPVPPs) by integrating operational supervisory control and data acquisitions (SCADAs) system data from both tracker and stringbox levels. Tracker faults are first identified via angular deviation and change-rate analysis. A polynomial regression model trained on simulated fault scenarios estimates the corresponding power losses, dynamically adjusting the expected number of strings per stringbox. The current measurements from stringboxes within plant subunits (SUs) are clustered using k-means to establish healthy behavior baselines, and deviations from them enable missing string estimation. Additionally, a recurrence criterion is applied to reduce spurious onetime alerts. Validated on a 30 MW photovoltaic (PV) plant, the method led to a 71% reduction in false alerts and achieved 83% accuracy in distinguishing between string-related and tracker-related faults. It requires no additional sensors, leveraging existing SCADA infrastructure to enhance operational reliability.