Data-Driven Statistical Methods for Fault Detection in Solar Photovoltaic Systems

Abstract

By creating a sophisticated data-driven statistical monitoring and diagnostic framework, this project seeks to improve the effectiveness and dependability of photovoltaic (PV) systems operating in desert conditions. The main goal of the study is to perform a thorough quantitative and qualitative comparison between the traditional static Principal Component Analysis (PCA) method and its dynamic extension, Dynamic Principal Component Analysis (DPCA), which is implemented in the MATLAB environment for early fault detection and isolation. The suggested methodology was assessed using actual operational and meteorological data gathered from the Oued El Kebrit solar power plant in Souk Ahras Province, Algeria, in order to give practical applicability. The simulation results showed that the DPCA approach is clearly more technically advanced than the traditional static PCA method. By using statistical control limits based on Hotelling's 𝑇2 and Squared Prediction Error (SPE) indices, DPCA considerably decreased the False Alarm Rate (FAR) while increasing the Fault Detection Rate (FDR) by integrating temporal dynamics into the monitoring framework. Additionally, Reconstruction-Based Contribution (RBC) charts demonstrated a high degree of efficacy in precisely pinpointing the factors causing aberrant system behaviour, facilitating proactive maintenance plans and reducing energy losses. The results validate the potential of dynamic multivariate statistical monitoring approaches as dependable instruments for enhancing the fault management and operational performance of solar systems operating in harsh desert environments. يسعى هذا المشروع، من خلال إنشاء إطار عمل متطور للمراقبة والتشخيص الإحصائي القائم على البيانات، إلى تحسين فعالية وموثوقية الأنظمة الكهروضوئية ) (PVالعاملة في الظروف الصحراوية. الهدف الرئيسي من الدراسة هو إجراء مقارنة كمية ونوعية شاملة بين طريقة تحليل المكونات الرئيسية الساكنة التقليدية )(PCAوامتدادها الديناميكي، تحليل المكونات الرئيسية الديناميكي) ، (DPCAوالذي تم تنفيذه في بيئة ماتلاب ) (MATLABللكشف المبكر عن الأعطال وعزلها. تم تقييم المنهجية المقترحة باستخدام بيانات تشغيلية وجوية حقيقية تم جمعها من محطة الطاقة الشمسية "وادي الكبريت" في ولاية سوق اه ارس، الجزائر، وذلك من أجل إعطاء تطبيق عملي. وأظهرت نتائج المحاكاة أن أسلوب ) (DPCAمتطور تقنياً بشكل واضح مقارنة بطريقة ) (PCAالساكنة التقليدية. ومن خلال استخدام حدود التحكم الإحصائي القائمة على مؤشرات "هوتيلينج" 𝑇2ومربع خطأ التنبؤ) ، (SPEخفضت طريقة ) (DPCAبشكل كبير من معدل الإنذارات الكاذبة )(FARبينما زادت من معدل الكشف عن الأعطال ) (FDRعن طريق دمج الديناميكيات الزمنية في إطار المراقبة. بالإضافة إلى ذلك، أظهرت مخططات المساهمة القائمة على إعادة البناء ) (RBCدرجة عالية من الفعالية في تحديد العوامل المسببة للسلوك غير الطبيعي للنظام بدقة، مما يسهل خطط الصيانة الاستباقية ويقلل من خسائر الطاقة. وتؤكد النتائج إمكانات أساليب المراقبة الإحصائية الديناميكية متعددة المتغيرات كأدوات موثوقة لتعزيز إدارة الأعطال والأداء التشغيلي للأنظمة الشمسية التي تعمل في البيئات الصحراوية القاسية.