IDENTIFICAZIONE NEL DOMINIO DEL TEMPO DEI PARAMETRI DINAMICI DEI MODULI FOTOVOLTAICI MEDIANTE RETI NEURALI INFORMATE DALLA FISICA

IN THIS THESIS, A NOVEL FRAMEWORK BASED ON PHYSICS-INFORMED NEURAL NETWORKS (PINNS) IS PRESENTED TO ENHANCE THE ESTIMATION OF DYNAMIC PARAMETERS IN PHOTOVOLTAIC (PV) GENERATORS IN THE TIME DOMAIN. THE STUDY ADDRESSES THE CHALLENGE OF ACCURATELY IDENTIFYING PV PARAMETERS UNDER VARYING ENVIRONMENTAL CONDITIONS, WHICH HAS BEEN A PERSISTENT PROBLEM IN TRADITIONAL DATA-DRIVEN METHODS DUE TO THEIR HIGH DATA DEPENDENCY, SENSITIVITY TO NOISE, AND LACK OF PHYSICAL CONSISTENCY. IN THE PROPOSED APPROACH, TIME-DOMAIN VOLTAGE AND CURRENT WAVEFORM ARE USED AS INPUTS, WHILE THE PHYSICAL DIFFERENTIAL EQUATIONS OF THE PV SYSTEM ARE EMBEDDED INTO THE NETWORK’S COST FUNCTION. THIS ENABLES THE MODEL TO LEARN FROM BOTH INPUT DATA AND PHYSICAL PRINCIPLES, ACHIEVING ROBUST AND ACCURATE PARAMETER ESTIMATION EVEN UNDER NOISY OR LIMITED MEASUREMENT CONDITIONS AND LESS PHYSICS KNOWLAGES. THE MAIN GOAL OF THIS RESEARCH IS TO DEVELOP A TIME-DOMAIN MODEL CAPABLE OF REPRODUCING THE TRANSIENT AND DYNAMIC BEHAVIOR OF PV GENERATORS WITH HIGH ACCURACY, PROVIDING A RELIABLE FOUNDATION FOR SYSTEM CONTROL, PERFORMANCE MONITORING, AND FAULT DIAGNOSIS IN PHOTOVOLTAIC APPLICATIONS. THIS RESEARCH INTRODUCES A SERIES OF NOVEL PINN-BASED FRAMEWORKS DEVELOPED TO IMPROVE THE ACCURACY AND INTERPRETABILITY OF PARAMETER ESTIMATION IN PV GENERATORS UNDER DYNAMIC CONDITIONS. EACH FRAMEWORK ADDRESSING SPECIFIC LIMITATIONS AND PROGRESSIVELY ENHANCING THE MODEL’S CAPABILITY TO CAPTURE THE REAL PHYSICAL BEHAVIOR OF PV SYSTEMS IN THE TIME DOMAIN. THE WORK BEGINS WITH A BASELINE PINN FRAMEWORK CONSTRUCTED ON A STANDARD SINGLE-DIODE PV CIRCUIT MODEL INCORPORATING A LINEAR CAPACITOR. THE MAIN GOAL OF THIS INITIAL DESIGN TO EVALUATE THE FEASIBILITY OF USING A PHYSICS-INFORMED APPROACH FOR ESTIMATING KEY PHYSICAL PARAMETERS DIRECTLY IN THE TIME DOMAIN. THE LOSS FUNCTION COMBINES BOTH DATA-DRIVEN AND PHYSICS-BASED COMPONENTS, ENABLING THE MODEL TO SIMULTANEOUSLY LEARN FROM MEASUREMENTS DATA AND GOVERNING EQUATIONS AND IN THE RESEARCH INTRODUCES AN ADAPTIVE LOSS-WEIGHTING MECHANISM TO BALANCE THE DATA AND PHYSICS LOSSES DYNAMICALLY DURING TRAINING. BASED ON THIS METHODOLOGY, THE MODEL DEVELOPED INTO A NONLINEAR CAPACITOR MODEL, IN WHICH THE JUNCTION CAPACITANCE IS VOLTAGE-DEPENDENT. BY EMBEDDING THE NONLINEAR CAPACITANCE DIRECTLY INTO THE PHYSICAL CONSTRAINTS OF THE PINN, THE MODEL ACHIEVED MORE ACCURATE TRANSIENT RESPONSE PREDICTIONS. FURTHER ENHANCE TRAINING STABILITY, A MULTIPLE PINN ARCHITECTURE PROPOSED. IN THIS STRUCTURE, INDEPENDENT SUBNETWORKS ASSIGNED TO EACH PARAMETER, WHILE ALL NETWORKS REMAINED GOVERNED BY THE SAME PHYSICAL CONSTRAINTS. THIS APPROACH IMPROVED CONVERGENCE SPEED AND NUMERICAL STABILITY, PARTICULARLY FOR PARAMETERS WITH DIFFERENT NATURAL BEHAVIOR. NOVELTY OF THIS APPROACH LIES IN THE INTRODUCTION OF A NEW STRUCTURE THAT EFFECTIVELY DECOUPLES PARAMETER LEARNING BASED ON THEIR DYNAMIC INFLUENCE WITHIN THE PV CIRCUIT. ALSO, TWO-LEVEL LAYERED PINN FRAMEWORK DEVELOPED TO ESTIMATE ENVIRONMENTAL AND PHYSICAL PARAMETERS. IN THIS NETWORK, THE FIRST LAYER PREDICTS ENVIRONMENTAL CONDITIONS SUCH AS IRRADIANCE AND TEMPERATURE, WHILE THE SECOND LAYER USES THESE ESTIMATES TO ESTIMATE THE VALUE OF DYNAMICS CAPACITOR. THESE ARCHITECTURES HAVE BEEN SPECIFICALLY DESIGNED FOR PV SYSTEMS, CONSIDERING THEIR UNIQUE ELECTRICAL CHARACTERISTICS, NONLINEAR DYNAMICS, AND ENVIRONMENTAL DEPENDENCIES. THIS PV-ORIENTED DESIGN MAKES THE FRAMEWORKS PARTICULARLY EFFECTIVE IN CAPTURING THE REAL PHYSICAL BEHAVIOR OF PV MODULES DURING DYNAMIC OPERATION, WHICH IS CRUCIAL FOR UNDERSTANDING AND PREDICTING SYSTEM PERFORMANCE UNDER REALISTIC ENVIRONMENTAL VARIATIONS.

IN QUESTA TESI VIENE PRESENTATO UN NUOVO FRAMEWORK BASATO SULLE RETI NEURALI INFORMATE DALLA FISICA (PINN – PHYSICS-INFORMED NEURAL NETWORKS) PER MIGLIORARE LA STIMA DEI PARAMETRI DINAMICI NEI GENERATORI FOTOVOLTAICI (PV) NEL DOMINIO DEL TEMPO. LO STUDIO AFFRONTA LA SFIDA DI IDENTIFICARE ACCURATAMENTE I PARAMETRI PV IN CONDIZIONI AMBIENTALI VARIABILI, UN PROBLEMA PERSISTENTE NEI METODI TRADIZIONALI DATA-DRIVEN A CAUSA DELLA LORO FORTE DIPENDENZA DAI DATI, DELLA SENSIBILITÀ AL RUMORE E DELLA MANCANZA DI COERENZA FISICA. NELL’APPROCCIO PROPOSTO, LE FORME D’ONDA DI TENSIONE E CORRENTE VENGONO UTILIZZATE COME INPUT, MENTRE LE EQUAZIONI DIFFERENZIALI FISICHE DEL SISTEMA PV SONO INTEGRATE NELLA FUNZIONE DI COSTO DELLA RETE. QUESTO CONSENTE AL MODELLO DI APPRENDERE SIA DAI DATI SIA DAI PRINCIPI FISICI, OTTENENDO STIME ROBUSTE E ACCURATE ANCHE IN PRESENZA DI RUMORE, MISURE LIMITATE O CONOSCENZE FISICHE RIDOTTE. L’OBIETTIVO PRINCIPALE È SVILUPPARE UN MODELLO NEL DOMINIO DEL TEMPO CAPACE DI RIPRODURRE IL COMPORTAMENTO TRANSITORIO E DINAMICO DEI GENERATORI FOTOVOLTAICI CON ALTA PRECISIONE, FORNENDO UNA BASE AFFIDABILE PER CONTROLLO, MONITORAGGIO DELLE PRESTAZIONI E DIAGNOSI DEI GUASTI. LA RICERCA PROPONE UNA SERIE DI FRAMEWORK INNOVATIVI BASATI SU PINN PER MIGLIORARE L’ACCURATEZZA E L’INTERPRETABILITÀ DELLA STIMA DEI PARAMETRI IN CONDIZIONI DINAMICHE. OGNI FRAMEWORK AFFRONTA SPECIFICHE LIMITAZIONI E POTENZIA PROGRESSIVAMENTE LA CAPACITÀ DEL MODELLO DI RAPPRESENTARE IL COMPORTAMENTO FISICO REALE DEI SISTEMI PV NEL DOMINIO DEL TEMPO. IL LAVORO INIZIA CON UN FRAMEWORK PINN DI BASE, COSTRUITO SU UN MODELLO A DIODO SINGOLO CON CONDENSATORE LINEARE, CON L’OBIETTIVO DI VALUTARE LA FATTIBILITÀ DELL’APPROCCIO INFORMATO DALLA FISICA PER STIMARE I PARAMETRI CHIAVE NEL DOMINIO DEL TEMPO. LA FUNZIONE DI PERDITA COMBINA TERMINI BASATI SUI DATI E SULLA FISICA, CONSENTENDO AL MODELLO DI APPRENDERE DA ENTRAMBI, E INTRODUCE UN MECCANISMO ADATTIVO DI BILANCIAMENTO DELLE PERDITE PER GARANTIRE CONVERGENZA STABILE TRA PARAMETRI DI SCALE DIVERSE. SUCCESSIVAMENTE, IL MODELLO È ESTESO A UN CONDENSATORE NON LINEARE, IN CUI LA CAPACITÀ DI GIUNZIONE DIPENDE DALLA TENSIONE. INTEGRANDO QUESTA NON LINEARITÀ NEI VINCOLI FISICI DELLA PINN, IL MODELLO OTTIENE PREVISIONI TRANSITORIE PIÙ ACCURATE. PER AUMENTARE LA STABILITÀ DELL’ADDESTRAMENTO, VIENE PROPOSTA UN’ARCHITETTURA MULTI-PINN, DOVE SOTTORETI INDIPENDENTI STIMANO CIASCUN PARAMETRO SOTTO GLI STESSI VINCOLI FISICI. QUESTO APPROCCIO MIGLIORA LA VELOCITÀ DI CONVERGENZA E LA STABILITÀ NUMERICA, SPECIALMENTE PER PARAMETRI CON COMPORTAMENTI DIVERSI. LA NOVITÀ RISIEDE NELLA STRUTTURA CHE DECOUPLA L’APPRENDIMENTO DEI PARAMETRI IN BASE ALLA LORO INFLUENZA DINAMICA NEL CIRCUITO PV. INFINE, È STATO SVILUPPATO UN FRAMEWORK PINN A DUE LIVELLI, IN CUI IL PRIMO LIVELLO PREVEDE LE CONDIZIONI AMBIENTALI (IRRADIANZA E TEMPERATURA), E IL SECONDO LIVELLO UTILIZZA TALI STIME PER VALUTARE IL CONDENSATORE DINAMICO. LE ARCHITETTURE PROPOSTE SONO PROGETTATE SPECIFICAMENTE PER I SISTEMI FOTOVOLTAICI, CONSIDERANDO LE LORO CARATTERISTICHE ELETTRICHE UNICHE, LA NON LINEARITÀ E LE DIPENDENZE AMBIENTALI, RISULTANDO PARTICOLARMENTE EFFICACI NEL CATTURARE IL COMPORTAMENTO FISICO REALE DEI MODULI PV DURANTE IL FUNZIONAMENTO DINAMICO.