Investigation of optimal strategies for photovoltaic system operation

Abstract

As the installed capacity of Photovoltaic (PV) systems increases, strategies for their optimal operation are essential to be employed. The optimal operation of PV systems depends on their normal operation and profitability and requires not only efficient Operation and Maintenance (O&M) strategies but also their competitive participation in electricity markets. Traditional O&M approaches—time-based Preventive Maintenance (PvM), condition-based PvM, and predictive methods—primarily focus on detecting faults or degradation without addressing the increasingly demanding question of how corrective and replacement actions should be prioritized. As the installed PV capacity grows, so does the number of issues requiring attention, intensifying the operational burden on O&M contractors. This complexity underscores the need for Prescriptive Maintenance (RxM) methodologies, which are designed to prioritize actions and allocate human resources optimally. This thesis aims to investigate methods for the optimal operation of PV system focusing on: i) the development of a comprehensive RxM methodology tailored to PV systems O&M and ii) the development of a holistic forecasting framework to support PV systems’ participation in electricity market, considering the European Target Model rules. The RxM methodology integrates three key components: a holistic point-forecasting model, a multi-layered PvM model with AI-based Digital Twin (DT) integration. More specifically, the forecasting model introduces a Long Short-Term Memory (LSTM) model trained using a hybrid Adam–Unified Particle Swarm Optimization (UPSO) algorithm. The hybrid optimizer leverages Adam’s fast convergence and UPSO’s global search capability, enabling more accurate power predictions under limited numerical weather prediction inputs. Across multiple datasets, input scenarios, and benchmark optimizers, the hybrid approach outperforms conventional methods in 66.67% of cases, achieving normalized mean absolute error reductions of up to 16.17% compared to persistence and up to 6.46% relative to Adam alone. Additionally, the development of PvM model was based on the integration of AI-based DTs to enhance its fault detection (FD) and fault classification (FC) accuracy. Neural Network and LSTM-based DTs are trained to simulate PV performance using only meteorological inputs, achieving R² values above 0.99. These simulations are combined with measured data and fed into six classifiers. Results demonstrate that DT-enhanced FD and FC significantly improve classification performance, with string-level modeling yielding superior accuracy and certain classifiers, such as Support Vector Machines, NN, and Extreme Learning Machines, benefiting the most from DT inputs. Building upon the forecasting and PvM layers, the RxM model was formulated as a Mixed-Integer Nonlinear Programming (MINLP) that minimizes total O&M costs, including labor, fuel, and energy-loss costs. Thirteen scenarios and multiple system topologies are used to benchmark the RxM model against alternative scheduling schemes. The proposed approach yields a consistent 4.5–17.06% reduction in total O&M costs, outperforming rule-based and single-objective strategies. In parallel, a holistic forecasting framework is developed to support PV systems’ participation in both the Day-Ahead Market (DAM) and the Intra-Day Market (IDM) in line with European Target Model rules. Four forecasting models—covering DAM, and the three auctions of IDM—were developed using Convolutional Neural Network (CNN) and Transformer architectures. Results across six datasets show that Transformer-based models reduce Mean Absolute Error by 27.94–32.45% compared to CNNs, with the forecasting model of the second and the third auction of IDM providing the most substantial improvements in forecast accuracy. Overall, the thesis delivers two complementary frameworks: an RxM methodology that enables cost-optimal O&M planning, and a DAM/IDM-compliant forecasting model that enhances market participation. Together, these contributions advance the operational reliability, economic performance, and market integration of large-scale PV systems.

Καθώς η εγκατεστημένη ισχύς των φωτοβολταϊκών (ΦΒ) συστημάτων αυξάνεται, καθίσταται απαραίτητη η εφαρμογή στρατηγικών για τη βέλτιστη λειτουργία τους. Η βέλτιστη λειτουργία των ΦΒ συστημάτων εξαρτάται τόσο από την ομαλή λειτουργία όσο και από την οικονομική τους απόδοση και απαιτεί όχι μόνο αποτελεσματικές στρατηγικές Λειτουργίας και Συντήρησης (Operation and Maintenance – O&M), αλλά και την ανταγωνιστική συμμετοχή τους στις αγορές ηλεκτρικής ενέργειας. Οι παραδοσιακές προσεγγίσεις O&M — όπως η χρονικά προγραμματισμένη Προληπτική Συντήρηση (Preventive Maintenance – PvM), η προληπτική συντήρηση βασισμένη στην κατάσταση του εξοπλισμού και οι μέθοδοι προγνωστικής συντήρησης — επικεντρώνονται κυρίως στον εντοπισμό σφαλμάτων ή υποβάθμισης του συστήματος, χωρίς να αντιμετωπίζουν το ολοένα και πιο απαιτητικό ζήτημα του προγραμματισμού των διορθωτικών ενεργειών και των αντικαταστάσεων. Καθώς η εγκατεστημένη ισχύς ΦΒ συστημάτων αυξάνεται, αυξάνεται αντίστοιχα και ο αριθμός των προβλημάτων που απαιτούν αντιμετώπιση, γεγονός που επιβαρύνει σημαντικά τη λειτουργία των εταιρειών συντήρησης. Η αυξανόμενη αυτή πολυπλοκότητα αναδεικνύει την ανάγκη ανάπτυξης μεθοδολογιών Καθοδηγούμενης Συντήρησης (Prescriptive Maintenance – RxM), οι οποίες αποσκοπούν στον προγραμματισμό των ενεργειών και στη βέλτιστη κατανομή των ανθρώπινων πόρων.Η παρούσα διατριβή στοχεύει στη διερεύνηση μεθόδων για τη βέλτιστη λειτουργία των ΦΒ συστημάτων, εστιάζοντας σε: α) την ανάπτυξη μιας ολοκληρωμένης μεθοδολογίας RxM προσαρμοσμένης στις ανάγκες λειτουργίας και συντήρησης ΦΒ συστημάτων και β) την ανάπτυξη ενός ολιστικού πλαισίου πρόβλεψης για την υποστήριξη της συμμετοχής των ΦΒ συστημάτων στις αγορές ηλεκτρικής ενέργειας, λαμβάνοντας υπόψη τους κανόνες του ευρωπαϊκού μοντέλου αγοράς ηλεκτρικής ενέργειας (European Target Model). Η προτεινόμενη μεθοδολογία RxM ενσωματώνει τρία βασικά στοιχεία: ένα ολιστικό μοντέλο σημειακής πρόβλεψης και ένα πολυεπίπεδο μοντέλο προληπτικής συντήρησης (PvM) με την ενσωμάτωση Ψηφιακών Διδύμων (Digital Twins – DT) βασισμένων σε τεχνητή νοημοσύνη. Συγκεκριμένα, το μοντέλο πρόβλεψης βασίζεται σε ένα μοντέλο Long Short-Term Memory (LSTM), το οποίο εκπαιδεύεται με έναν υβριδικό αλγόριθμο βελτιστοποίησης Adam–Unified Particle Swarm Optimization (UPSO). Ο υβριδικός αυτός αλγόριθμος αξιοποιεί τη γρήγορη σύγκλιση του Adam και την ικανότητα αναζήτησης του χώρου λύσεων του UPSO, επιτρέποντας ακριβέστερες προβλέψεις παραγωγής ακόμη και με περιορισμένες εισόδους μετεωρολογικών προβλέψεων. Το μοντέλο εφαρμόστηκε σε πολλαπλά σύνολα δεδομένων και σενάρια εισόδων, ενώ πραγματοποιήθηκε σύγκριση με διαφορετικούς αλγορίθμους βελτιστοποίησης. Με βάση τα αποτελέσματα, η υβριδική προσέγγιση υπερέχει των συμβατικών μεθόδων στο 66,67% των περιπτώσεων, επιτυγχάνοντας μείωση του κανονικοποιημένου μέσου απόλυτου σφάλματος έως και 16,17% σε σχέση με το μοντέλο βάσης και έως 6,46% σε σύγκριση με τον Adam. Παράλληλα, η ανάπτυξη του μοντέλου PvM βασίστηκε στην ενσωμάτωση ψηφιακών διδύμων βασισμένων σε τεχνητή νοημοσύνη, με στόχο τη βελτίωση της ακρίβειας εντοπισμού (Fault Detection – FD) και ταξινόμησης σφαλμάτων (Fault Classification – FC). Τα ψηφιακά δίδυμα αναπτύχθηκαν με χρήση Νευρωνικού Δικτύου και LSTM και εκπαιδεύτηκαν με τέτοιο τρόπο ώστε να προσομοιώνουν την παραγωγή των ΦΒ συστημάτων χρησιμοποιώντας μόνο μετεωρολογικές εισόδους, επιτυγχάνοντας τιμές R² μεγαλύτερες από 0,99. Οι προσομοιώσεις αυτές συνδυάζονται με τις πραγματικές μετρήσεις παραγωγής και εισάγονται σε έξι αλγορίθμους ταξινόμησης. Τα αποτελέσματα δείχνουν ότι η ενσωμάτωση των DT βελτιώνει σημαντικά την απόδοση της ανίχνευσης και ταξινόμησης σφαλμάτων, με τη μοντελοποίηση σε επίπεδο συστοιχίας να παρουσιάζει την υψηλότερη ακρίβεια, ενώ συγκεκριμένοι ταξινομητές, όπως οι Support Vector Machines, τα Νευρωνικά Δίκτυα και οι Extreme Learning Machines, ωφελούνται περισσότερο από την αξιοποίηση των DTs. Με βάση τα μοντέλα πρόβλεψης και προληπτικής συντήρησης, το μοντέλο RxM διαμορφώθηκε ως πρόβλημα Μη Γραμμικού Προγραμματισμού Ακεραίων Μεταβλητών (Mixed-Integer Nonlinear Programming – MINLP), το οποίο ελαχιστοποιεί το συνολικό κόστος λειτουργίας και συντήρησης, συμπεριλαμβανομένων του κόστους εργασίας, καυσίμων και απωλειών ενέργειας. Δεκατρία σενάρια και πολλαπλές τοπολογίες συστημάτων χρησιμοποιήθηκαν για τη σύγκριση του προτεινόμενου μοντέλου RxM με εναλλακτικές στρατηγικές προγραμματισμού συντηρήσεων. Τα αποτελέσματα δείχνουν ότι η προτεινόμενη προσέγγιση επιτυγχάνει σταθερή μείωση του συνολικού κόστους O&M κατά 4,5–17,06%, υπερέχοντας των στρατηγικών που βασίζονται σε κανόνες ή σε μονοκριτηριακές προσεγγίσεις. Παράλληλα, αναπτύχθηκε ένα ολοκληρωμένο πλαίσιο πρόβλεψης για την υποστήριξη της συμμετοχής των ΦΒ συστημάτων τόσο στην Αγορά Επόμενης Ημέρας (Day-Ahead Market – DAM) όσο και στην Ενδοημερήσια Αγορά (Intra-Day Market – IDM), σύμφωνα με τους κανόνες του ευρωπαϊκού μοντέλου αγοράς ηλεκτρικής ενέργειας. Αναπτύχθηκαν τέσσερα μοντέλα πρόβλεψης — για την αγορά DAM και για τις τρεις δημοπρασίες της αγοράς IDM — χρησιμοποιώντας αρχιτεκτονικές Convolutional Neural Networks (CNN) και Transformers. Τα αποτελέσματα από έξι σύνολα δεδομένων δείχνουν ότι τα μοντέλα βασισμένα σε Transformers μειώνουν το Μέσο Απόλυτο Σφάλμα κατά 27,94–32,45% σε σύγκριση με τα CNN, ενώ τα μοντέλα πρόβλεψης της δεύτερης και της τρίτης δημοπρασίας της IDM προσφέρουν τις σημαντικότερες βελτιώσεις στην ακρίβεια πρόβλεψης. Συνολικά, η διατριβή παρουσιάζει δύο συμπληρωματικά πλαίσια: μια μεθοδολογία RxM που επιτρέπει τον οικονομικά βέλτιστο προγραμματισμό λειτουργίας και συντήρησης και ένα μοντέλο πρόβλεψης συμβατό με τις αγορές DAM/IDM που ενισχύει τη συμμετοχή των ΦΒ συστημάτων στις αγορές ηλεκτρικής ενέργειας. Οι δύο αυτές προσεγγίσεις συνεισφέρουν σημαντικά στην αξιοπιστία, την οικονομική απόδοση και την αποτελεσματική ενσωμάτωση μεγάλων ΦΒ συστημάτων στις σύγχρονες αγορές ηλεκτρικής ενέργειας.