Intelligent Fault Detection and Diagnosis in Solar Power Plants Using Statistical Analysis and Machine Learning

Abstract

This work presents an intelligent fault detection and diagnosis approach for solar power plants using statistical analysis and machine learning. The study focuses on photovoltaic systems, their operating characteristics, common faults, and the limitations of traditional diagnostic methods. The proposed framework combines data preprocessing, correlation analysis, Principal Component Analysis, Squared Prediction Error, Hotelling’s T² statistic, contribution analysis, and machine learning classifiers to detect abnormal behavior, isolate faulty variables, and support maintenance decisions. The proposed method was applied to the Oued El Kebrit photovoltaic power plant in Algeria. The results showed a strong physical correlation between solar irradiance and generated power, while the injected temperature bias and drift fault was successfully detected and isolated. The contribution analysis identified temperature as the dominant faulty variable, and the machine learning comparison showed that the SVM-RBF classifier achieved the best overall performance. These results confirm that combining statistical monitoring with machine learning can improve the reliability, interpretability, and efficiency of fault diagnosis in photovoltaic power plants. يقدم هذا العمل منهجية ذكية لاكتشاف وتشخيص الأعطال في محطات الطاقة الشمسية الكهروضوئية باستعمال التحليل الإحصائي وتقنيات التعلم الآلي. ركزت الدراسة على أنظمة الطاقة الكهروضوئية، خصائص تشغيلها، أهم الأعطال التي قد تؤثر عليها، وحدود طرق التشخيص التقليدية. تعتمد المنهجية المقترحة على معالجة البيانات، تحليل الارتباط، تحليل المركبات الرئيسية، مؤشر خطأ التنبؤ التربيعي، إحصائية ، Hotelling’s T²تحليل المساهمات، وخوارزميات التعلم الآلي من أجل كشف السلوك غير الطبيعي، تحديد المتغيرات المسؤولة عن العطل، ودعم قرارات الصيانة. تم تطبيق المنهجية المقترحة على محطة واد الكبريت للطاقة الشمسية الكهروضوئية في الجزائر. أظهرت النتائج وجود علاقة فيزيائية قوية بين الإشعاع الشمسي والقدرة المنتجة، كما تم كشف عطل الانحياز والانجراف المحقون في إشارة درجة الحرارة وعزله بنجاح. بيّن تحليل المساهمات أن درجة الحرارة هي المتغير الأكثر مسؤولية عن العطل، كما أوضحت مقارنة خوارزميات التعلم الآلي أن مصنف SVM-RBFحقق أفضل أداء عام. تؤكد هذه النتائج أن الجمع بين المراقبة الإحصائية والتعلم الآلي يساهم في تحسين موثوقية ووضوح وفعالية تشخيص الأعطال في محطات الطاقة الشمسية