Le ispezioni con drone sono diventate una parte essenziale del monitoraggio degli impianti fotovoltaici utility-scale: consentono di rilevare migliaia di moduli fotovoltaici (FV) in tempi rapidi, senza lenti sopralluoghi a piedi. Ma raccogliere immagini termiche è solo l’inizio: il valore nasce dal rilevamento dei difetti solari con IA, la fase che trasforma le immagini grezze in un elenco prioritizzato di guasti, perdite e interventi.
Senza intelligenza artificiale (IA), i team di ispezione devono esaminare manualmente ogni immagine termica, individuare i possibili difetti, stimarne la gravità e stabilire quali problemi richiedano un intervento immediato. Sui grandi impianti questo processo è lento, richiede molta manodopera ed è spesso poco uniforme.
Invece di limitarsi a raccogliere dati, un programma di ispezione con drone assistito dall’IA rileva automaticamente i guasti, ne stima l’impatto economico e dà priorità agli interventi di manutenzione.
Anziché produrre l’ennesimo report di ispezione, l’IA moderna trasforma i dati di ispezione in informazioni di manutenzione utilizzabili, che aiutano gli operatori a recuperare più rapidamente la produzione di energia persa.
Perché l’IA rileva i difetti solari meglio dell’analisi manuale
I termografi esperti sono molto abili nell’individuare hotspot evidenti, moduli danneggiati e anomalie termiche visibili.
Una singola ispezione può produrre decine di migliaia di immagini termiche e, su più impianti, l’analisi manuale delle immagini diventa uno dei principali colli di bottiglia operativi. L’IA eccelle nel riconoscere schemi difficili da individuare a occhio, tra cui:
- Schemi di sporcamento a gradiente
- Degradazione indotta da potenziale (PID) in fase iniziale
- Guasti in evoluzione dei diodi di bypass
- Difetti ricorrenti su lotti di moduli
- Anomalie termiche a livello di intero portafoglio
- Tendenze di degradazione nel lungo periodo
Molti di questi problemi causano inizialmente solo piccole perdite di produzione. Ripetuti su centinaia o migliaia di moduli, però, possono ridurre in modo significativo le prestazioni e i ricavi dell’impianto.
Uno degli esempi più comuni è il rilevamento degli hotspot sui pannelli solari, in cui l’IA individua variazioni anomale di temperatura molto prima che diventino evidenti nelle ispezioni di routine.
Integrando i risultati sugli hotspot in un programma di manutenzione predittiva per i moduli FV, gli operatori possono risolvere i guasti in evoluzione prima che causino perdite di produzione diffuse.
La coerenza è il punto in cui l’analisi automatizzata fa la differenza. I modelli di ClearSpot raggiungono una precisione del 99% nel rilevamento dei guasti e applicano le stesse regole di classificazione a ogni immagine di ogni volo, così i risultati di un impianto sono confrontabili con quelli di un altro e quelli di una stagione con la successiva.
Secondo il National Renewable Energy Laboratory (NREL), la termografia a infrarossi combinata con analisi avanzate migliora l’identificazione dei difetti negli impianti fotovoltaici e sostiene una pianificazione della manutenzione più efficace.
Rilevamento dei difetti solari con IA: classi di difetto e priorità
Un buon modello di IA fa più che segnalare pixel «caldi». Assegna ogni anomalia a una classe di difetto, perché la classe determina la causa probabile, l’energia a rischio e la riparazione corretta. La tabella seguente mostra come vengono tipicamente distinte e prioritizzate le classi più comuni.
| Classe di difetto | Firma termica / RGB | Causa probabile | Priorità tipica |
|---|---|---|---|
| Hotspot su singola cella | Una cella nettamente più calda di quelle vicine | Cella incrinata o ombreggiata, sporco localizzato | Monitorare; escalation se il ΔT cresce tra un volo e l’altro |
| Riscaldamento multicella o a macchie | Più celle calde con schema irregolare | Danno alle celle, inizio di PID, infiltrazione di umidità | Media; confermare con curva I-V o test EL |
| Diodo di bypass attivato (substringa) | Un terzo del modulo uniformemente più caldo | Substringa guasta o ombreggiata, conduzione del diodo | Alta; un’intera substringa produce poco o nulla |
| Riscaldamento dell’intero modulo | Intero modulo più caldo della fila | Circuito aperto, modulo scollegato o in cortocircuito | Alta; il modulo non contribuisce alla produzione |
| Fuori servizio di una stringa | Un’intera stringa uniformemente più calda di quelle adiacenti | Fusibile bruciato, ingresso del combiner scattato, guasto al cavo | Critica; maggiore perdita di energia per singolo guasto |
| Riscaldamento di scatola di giunzione o connettore | Calore localizzato sulla scatola di giunzione o sul connettore MC4 | Contatto scadente, corrosione, giunto di saldatura difettoso | Critica; rischio per la sicurezza e di incendio |
| Schemi di sporcamento e ombreggiamento | Riscaldamento a gradiente lungo i bordi dei moduli o delle file (confermato in RGB) | Polvere, escrementi di uccelli, vegetazione | Pianificare pulizia o interventi sulla vegetazione |
| Danno fisico | Vetro incrinato, delaminazione o segni di bruciatura in RGB | Grandine, movimentazione, perforazione da hotspot | Alta; richiesta di garanzia e sostituzione |
Ogni rilevamento è associato alla posizione GPS del modulo, così l’ordine di lavoro indirizza i tecnici alla fila, al tavolo e al modulo esatti anziché a un’area generica del campo.
Dalle immagini del drone agli ordini di lavoro di manutenzione
I moderni flussi di ispezione comprendono molto più che scattare fotografie termiche.
Un flusso di lavoro tipico prevede:
- Il drone acquisisce immagini termiche e RGB.
- L’IA rileva automaticamente le anomalie.
- Ogni difetto viene classificato per tipologia.
- Viene calcolata la perdita di energia stimata.
- Le priorità di manutenzione vengono ordinate in base all’impatto economico.
- Vengono generati ordini di lavoro per i tecnici di campo.
Invece di esaminare manualmente migliaia di immagini di ispezione, gli operatori ricevono un piano di manutenzione prioritizzato, concentrato sui problemi con il maggiore impatto sulla produzione di energia.
Questo flusso di lavoro diventa ancora più prezioso quando i risultati confluiscono nei processi quotidiani di asset management: gli esiti dell’ispezione passano direttamente alla pianificazione operativa, senza lunghe analisi manuali.
Allo stesso modo, confrontare le anomalie termiche con il monitoraggio delle prestazioni dell’impianto in tempo reale consente agli ingegneri di verificare se un sospetto guasto su una stringa o su un inverter stia effettivamente causando perdite di energia, migliorando la precisione della manutenzione e riducendo le visite in campo non necessarie.
Dati di ispezione di qualità producono risultati migliori con l’IA
L’intelligenza artificiale è efficace tanto quanto i dati di ispezione che riceve. Anche i modelli più avanzati non riescono a identificare con precisione i difetti se le immagini termiche sono incomplete o acquisite in condizioni sfavorevoli. Un’analisi di IA di alta qualità dipende da diversi fattori, tra cui:
- Termocamere radiometriche
- Alta risoluzione dell’immagine a infrarossi
- Posizionamento GPS o RTK
- Quota di volo corretta
- Sovrapposizione costante delle immagini
- Condizioni di irraggiamento stabili
- Piani di volo pianificati con cura
Termocamere radiometriche e non radiometriche
Una termocamera radiometrica memorizza un valore di temperatura calibrato per ogni pixel, in modo che il software possa misurare dopo il volo la differenza di temperatura (ΔT) tra una cella sospetta e celle di riferimento sane. Una termocamera non radiometrica registra solo un’immagine con mappa colori: può mostrare che qualcosa appare più caldo, ma non di quanto. Per la classificazione automatica dei difetti e l’ordinamento per gravità, i dati radiometrici sono il requisito minimo pratico.
Soglie di ΔT e IEC TS 62446-3
La IEC TS 62446-3 è la specifica internazionale per la termografia a infrarossi all’aperto di moduli e impianti FV. Definisce le condizioni di misura, tra cui l’irraggiamento minimo sul piano del modulo e le condizioni di cielo stabile, e classifica le anomalie in base alla differenza di temperatura rispetto a moduli sani comparabili. La gravità cresce con il ΔT e la norma chiede agli ispettori di interpretare il ΔT insieme allo schema dell’anomalia, non in modo isolato. I modelli di IA addestrati su dati conformi alla IEC applicano quelle soglie nello stesso modo su ogni immagine e correggono emissività e angolo di ripresa, in modo che i riflessi sul vetro non vengano scambiati per guasti.
Una scarsa qualità delle immagini riduce la precisione del rilevamento, indipendentemente da quanto sia avanzato il software di IA. Per questo i principali operatori considerano la qualità dell’ispezione parte del proprio modello di servizi di O&M fotovoltaico anziché concentrarsi solo sul software di IA. La nostra guida alle ispezioni con drone a infrarossi approfondisce quota di volo, sovrapposizione e impostazioni della termocamera.
L’Agenzia Internazionale dell’Energia PVPS (IEA PVPS) raccomanda di mantenere metodologie di ispezione coerenti e condizioni ambientali adeguate per migliorare l’affidabilità delle ispezioni termiche degli impianti fotovoltaici.
L’IA crea valore per il business, non solo report migliori
Il vero valore dell’IA non è soltanto individuare più difetti, ma individuare prima i difetti giusti.
I report di ispezione tradizionali spesso trattano tutte le anomalie allo stesso modo, costringendo i team di manutenzione a decidere quali richiedano attenzione immediata. L’IA elimina questa incertezza valutando l’impatto operativo ed economico di ogni difetto.
Invece di produrre report statici, l’IA stima automaticamente:
- Impatto sui ricavi
- Gravità del difetto
- Perdite di produzione attese
- Urgenza della manutenzione
- Priorità di riparazione
- Ritorno potenziale dell’investimento in manutenzione
In questo modo i team di manutenzione possono concentrarsi sulle riparazioni che migliorano di più le prestazioni dell’impianto, invece di risolvere i problemi nell’ordine in cui sono stati scoperti.
Collegare i risultati dell’ispezione ai budget di manutenzione permette agli operatori di ridurre le visite non necessarie e di concentrare la spesa dove si trova l’energia. Ricontrollare i dati di produzione dopo ogni riparazione verifica il miglioramento e crea un ciclo di feedback continuo che rafforza le decisioni operative.
Con la crescita dei portafogli utility-scale, le piattaforme di ispezione basate sull’IA supportano anche il benchmarking a livello di portafoglio grazie ad analisi avanzate per le energie rinnovabili. Queste informazioni aiutano gli operatori a individuare guasti ricorrenti alle apparecchiature, confrontare le prestazioni dei siti e migliorare continuamente le strategie di manutenzione su intere flotte.
Conformità e standard di ispezione
Le ispezioni con drone sugli impianti utility-scale devono soddisfare sia i requisiti operativi sia la normativa di settore.
Negli Stati Uniti le operazioni commerciali con drone sono regolate dalle norme FAA Part 107, mentre le metodologie di ispezione dovrebbero seguire standard termografici riconosciuti per garantire una classificazione dei difetti coerente e ripetibile.
Allo stesso modo, in Europa gli operatori seguono i regolamenti dell’Agenzia dell’Unione europea per la sicurezza aerea (EASA) per le operazioni con drone, oltre ai requisiti di protezione dei dati applicabili ai registri di ispezione.
Mantenere storici di ispezione completi offre diversi vantaggi operativi, tra cui:
- Richieste di garanzia più solide
- Migliore documentazione tecnica
- Migliore reportistica per investitori e finanziatori
- Conformità normativa più semplice
- Piena tracciabilità della manutenzione
- Registri delle prestazioni degli asset più affidabili nel lungo periodo
Conservare lo storico delle ispezioni insieme ai registri di manutenzione crea una traccia di audit trasparente che supporta le richieste di garanzia, la reportistica ai finanziatori e decisioni informate lungo tutto il ciclo di vita dell’asset.
Seguire le linee guida riconosciute a livello internazionale della Commissione Elettrotecnica Internazionale (IEC), in particolare la IEC TS 62446-3 per la termografia, contribuisce inoltre a mantenere le procedure di ispezione coerenti e allineate alle migliori pratiche di settore.
Perché l’ispezione con IA sta diventando essenziale per il solare utility-scale
Con la crescita dei portafogli solari utility-scale, i flussi di ispezione manuale diventano sempre più difficili da scalare. Migliaia di immagini, più siti di progetto e portafogli in espansione richiedono un approccio più rapido e intelligente al rilevamento dei difetti e alla pianificazione della manutenzione. L’IA consente agli operatori di:
- Analizzare migliaia di immagini di ispezione in pochi minuti
- Rilevare anomalie termiche sottili con maggiore coerenza
- Dare priorità alle riparazioni in base all’impatto economico
- Ridurre i tempi di analisi manuale
- Migliorare la pianificazione della manutenzione
- Aumentare la disponibilità degli asset
- Recuperare più rapidamente la produzione di energia persa
Applicato a un intero portafoglio, l’approccio O&M guidato dall’IA di ClearSpot garantisce una riduzione del 30–50% dei costi di O&M e del 65% dei tempi di fermo, con una disponibilità superiore al 97%.
Conclusione
Le ispezioni con drone forniscono i dati; l’intelligenza artificiale genera il valore operativo.
Rilevando automaticamente i difetti sottili, stimandone l’impatto economico, dando priorità alla manutenzione e generando ordini di lavoro operativi, l’IA trasforma le ispezioni aeree in un flusso di lavoro completo di ottimizzazione dei ricavi.
Anziché affidarsi ad analisi manuali delle immagini e a report statici, i principali operatori utility-scale collegano oggi ispezione con drone, asset management e flussi di O&M, in modo che ogni difetto rilevato diventi un ordine di lavoro prioritizzato e tracciabile.
Con la continua crescita dei portafogli solari utility-scale, il vantaggio competitivo non deriva più dalla raccolta di più dati di ispezione, ma dalla loro trasformazione in informazioni operative che migliorano l’affidabilità, riducono i costi e massimizzano la produzione di energia nel lungo periodo.
Domande frequenti
Il rilevamento dei difetti solari con IA utilizza il machine learning per analizzare le immagini termiche e RGB acquisite durante le ispezioni con drone degli impianti FV. Identifica automaticamente le anomalie, classifica il tipo di guasto, stima l’impatto energetico ed economico e dà priorità agli interventi di manutenzione.
L’IA può rilevare hotspot sulle celle, degradazione indotta da potenziale (PID), guasti dei diodi di bypass, schemi di sporcamento, circuiti aperti, guasti di stringa, surriscaldamento delle scatole di giunzione, degradazione dei moduli e collegamenti elettrici allentati. Molti di questi problemi possono essere individuati ben prima che causino perdite di energia significative.
I modelli di ClearSpot raggiungono una precisione del 99% nel rilevamento dei guasti quando le immagini sono acquisite con una termocamera radiometrica nelle condizioni della IEC TS 62446-3, inclusi i requisiti di irraggiamento minimo e cielo stabile. Una scarsa qualità delle immagini riduce la precisione di qualsiasi modello.
L’IA riduce i tempi di analisi manuale ordinando ogni difetto per gravità e impatto economico. Combinata con i dati di produzione del sistema di monitoraggio, aiuta i team di manutenzione a risolvere per primi i problemi più critici e a verificare il recupero di produzione dopo ogni riparazione.
I progetti solari utility-scale generano enormi quantità di dati di ispezione. L’IA permette agli operatori di analizzare tali dati in modo coerente, individuare schemi di guasto ricorrenti tra i siti, migliorare l’efficienza della manutenzione e massimizzare le prestazioni degli asset nel lungo periodo.