This paper presents modeling guidelines and a benchmark system for power system simulation studies of grid-connected, three-phase, single-stage Photovoltaic (PV) systems that employ a voltage-sourced converter (VSC) as the power processor. The objective of this work is to introduce the main components, operation/protection modes, and control layers/schemes of medium- and high-power PV systems, to assist power engineers in developing circuit-based simulation models for impact assessment studies, analysis, and identification of potential issues with respect to the grid integration of PV systems. Parameter selection, control tuning, and design guidelines are also briefly discussed. The usefulness of the benchmark system is demonstrated through a fairly comprehensive set of test cases, conducted in the PSCAD/EMTDC software environment. However, the models and techniques presented in this paper are independent of any specific circuit simulation software package. Also, they may not fully conform to the methods exercised by all manufacturers, due to the proprietary nature of the industry.

The electricity produced from renewable energy, in particular from wind and photovoltaic plants, has seen exponential rise in the last decade. Consequently, the prediction of power produced from these plants is fundamental for the reliability, safety and stability of the grid. This paper compares three physical models describing the PV cell (corresponding to three-, four- and five-parameter equivalent electric circuit) and two thermal models for the cell temperature estimation (NOCT and Sandia). The models were calibrated and tested towards ten monocrystalline and eight polycrystalline modules installed at SolarTechLab at Politecnico di Milano. The hourly error of the forecasted power output is usually lower than 15 Wh, while NMAE% and WMAE% are in the range of 0.5% and 10%. Low errors, calculated with actual weather conditions, suggest that the implemented models are accurate, but they cannot be directly compared with other approaches which adopt weather forecasts. Results show that there is no clear advantage of using complex models, but the data used for the model calibration mostly affect the model accuracy. It was found that forecasted power output are more accurate using experimental data and Sandia’s thermal model in monocrystalline cells type, while for the polycrystalline the data from the manufacturer and NOCT have lower errors.

In the future solar energy will be very important energy source. More than 45% of necessary energy in the world will be generated by photovoltaic array. Therefore it is necessary to concentrate our forces in order to reduce the application costs and to increment their performances. In order to reach this last aspect, it is important to note that the output characteristic of a photovoltaic array is nonlinear and changes with solar irradiation and the cellpsilas temperature. Therefore a maximum power point tracking (MPPT) technique is needed to draw peak power from the solar array in order to maximize the produced energy. This paper presents a comparative study of ten widely-adopted MPPT algorithms; their performance is evaluated using the simulation tool Simulinkreg. In particular, this study compares the behaviors of each technique in presence of solar irradiation variations.

We compare the 24-hour ahead forecasting performance of two methods commonly used for the prediction of the power output of photovoltaic systems. Both methods are based on Artificial Neural Networks (ANN), which have been trained on the same dataset, thus enabling a much-needed homogeneous comparison currently lacking in the available literature. The dataset consists of an hourly series of simultaneous climatic and PV system parameters covering an entire year, and has been clustered to distinguish sunny from cloudy days and separately train the ANN. One forecasting method feeds only on the available dataset, while the other is a hybrid method as it relies upon the daily weather forecast. For sunny days, the first method shows a very good and stable prediction performance, with an almost constant Normalized Mean Absolute Error, NMAE%, in all cases (1% < NMAE% < 2%); the hybrid method shows an even better performance (NMAE% < 1%) for two of the days considered in this analysis, but overall a less stable performance (NMAE% > 2% and up to 5.3% for all the other cases). For cloudy days, the forecasting performance of both methods typically drops; the performance is rather stable for the method that does not use weather forecasts, while for the hybrid method it varies significantly for the days considered in the analysis.

After a fast photovoltaic (PV) expansion in the past decade supported by many governments in Europe, in this postincentive era, one of the most significant open issues in the PV sector is to find appropriate inspection methods to evaluate real PV plant performance and failures. In this context, PV modules are surely the key components affecting the overall system performance; therefore, there is a main concern about the occurrence of any kind of failure in PV modules. This paper aims to propose a novel concept for monitoring PV plants by using light unmanned aerial vehicles (UAVs) or systems (UASs) during their operation and maintenance. The main objectives of this study are to explore and evaluate the use of different UAV technologies and to propose a reliable, cost-effective, and time-saving method for the inspection of PV plants. In this research, different UAVs were employed to inspect a PV array field. For this purpose, some thermal imaging cameras and a visual camera were chosen as monitoring tools to suitably scan PV modules. The first results show that the procedure of utilizing UAV was effective in the detection of different failures of PV modules. Moreover, such a process was much faster and cost effective than traditional methods.

Lithium-Ion batteries play a crucial role in vehicle electrification to meet the goals of reducing fossil fuels. However, they deteriorate over time and it is thus needed to predict their rate of decay since, after a certain threshold, they are not suitable anymore for their designed application. One of the main indicators that displays the aging status of a cell is the State of Health (SOH), which expresses the remaining total capacity of the cell in comparison with its initial total capacity. For an accurate evaluation of the SOH, various methods have been proposed in the literature. In this article, a comparative study of nine data-driven techniques in terms of error and processing time is presented. These different algorithms have been tested on two public datasets, extracting selected features and performing an Incremental Capacity Analysis (ICA) to estimate the SOH of a cell using only partial discharges. The benefits of using Machine Learning (ML) methods for the models can be found in the processing times that are faster than experimental methods, making the entire industrial testing stage faster.

To fully exploit the advantages of bifacial PV (bPV) modules and understand their performance under real-world conditions, a comprehensive investigation was conducted. It was focused on bPV installations with some mounting constraints, as in industrial rooftops, where the ideal high module-to-ground height for optimal bPV performances is not feasible due to structural reasons. The experimental setup involved measuring the I-V curves of conventional and bifacial modules under diverse atmospheric conditions, including different solar irradiance levels and ambient temperatures, as well as mounting configurations. The results show a proportional increment of power generation between 4.3% and 7.8% if compared with two different conventional modules and a bifacial power gain between 2 and 15% under identical conditions. Additionally, the negative potential influence of the mounting structure was observed. Small differences in the alignment between the module and structural beams can virtually eliminate the bifacial contribution, with an estimated reduction up to 8.5 W (a potential bifacial gain of 3.43%).