Digital Twin

Il Digital Twin è il motore di analisi all'interno del Mirox-Agent che trasforma le misure del tuo impianto in informazioni su stato dei componenti, perdite e configurazione. Riceve le metriche dal Data Scraper, mantiene in memoria un modello della gerarchia dei componenti di ogni impianto, esegue modelli basati sulla fisica sui dati storici e riporta i risultati alla piattaforma.

Il Digital Twin analizza oggi gli impianti solari fotovoltaici (PV). L'analisi eolica e delle batterie è Pianificata — questi tipi di impianto possono già acquisire dati, ma il Digital Twin non li analizza ancora.

Scopo e ruolo

Il Digital Twin ha uno scopo ben definito: comprendere il comportamento di ogni componente e rilevare i problemi operativi. Trasforma le misure grezze in informazioni utilizzabili senza una propria memorizzazione persistente.

Responsabilità principali:

Ricevere gli aggiornamenti delle metriche dal Data Scraper
Recuperare i dati storici dal database time-series per le finestre di analisi
Costruire in memoria un modello della gerarchia dei componenti dell'impianto a partire dall'IoT Cloud
Scoprire e validare la configurazione di ogni stringa (orientamento, numero di pannelli, clipping dell'inverter, ombreggiamento, performance)
Monitorare ogni notte lo stato dei componenti, classificare lo stato di ciascuno e distinguere le interruzioni di comunicazione dai guasti reali
Calcolare le perdite energetiche con un livello di affidabilità su ogni valore
Pubblicare risultati ed eventi sulla piattaforma IoT Cloud affinché gli operatori possano consultarli
Svuotare la memoria al termine dell'elaborazione

Questa separazione mantiene il Digital Twin focalizzato sull'analisi, mentre la raccolta dei dati e l'archiviazione a lungo termine risiedono altrove.

Due motori di analisi

Il Digital Twin esegue due motori distinti, con trigger e obiettivi diversi — tenerli separati spiega perché alcune informazioni compaiono immediatamente e altre si consolidano nell'arco di diverse notti.

Motore	Cosa determina	Quando viene eseguito
Analisi della configurazione	Per ogni stringa, l'orientamento rilevato, il numero di pannelli, il clipping dell'inverter, l'ombreggiamento e la performance	Manuale — all'avvio (per il giorno precedente) e su richiesta
Watchdog	Stati di salute dei componenti, interruzioni reali vs. gap di comunicazione e perdite energetiche	Automatico — ogni notte per ciascun impianto, con backfill

Perché le informazioni richiedono tempo

Un impianto appena attivato ha bisogno di diverse notti di esecuzioni del watchdog prima che il suo modello di produzione attesa si calibri sul comportamento reale di ogni componente. I primi valori si stabilizzano nell'arco dei primi giorni.

Panoramica dell'architettura

Il Digital Twin opera come servizio asincrono che elabora le metriche man mano che arrivano:

Principi architetturali chiave:

Per impianto: ogni agent ragiona su un singolo impianto come albero di componenti e valuta per componente e per livello
Stateless: nessun risultato di analisi memorizzato localmente — i dati sono elaborati in memoria e svuotati al termine
Basato sulla fisica: modelli standard di settore (non machine learning) simulano la produzione attesa e la confrontano con la realtà
Auto-calibrante: un ciclo di feedback adatta il modello di produzione attesa a ogni componente su una finestra mobile
Su richiesta e pianificato: l'analisi della configurazione viene eseguita su richiesta; il monitoraggio dello stato di salute viene eseguito automaticamente ogni notte

Componenti principali

Elaborazione dei dati

Il Digital Twin elabora i dati su richiesta senza memorizzazione persistente:

Sorgenti dati:

Webhook: riceve in tempo reale gli aggiornamenti delle metriche dal Data Scraper
Database time-series: recupera i dati storici per le finestre di analisi
IoT Cloud: carica la struttura del parco e la configurazione dei componenti

Flusso di elaborazione:

Un trigger via webhook o una richiesta API avvia l'elaborazione
Carica in memoria la struttura del parco dall'IoT Cloud
Recupera i dati storici necessari dal database time-series
Riceve o utilizza le metriche in tempo reale consegnate via webhook
Esegue l'analisi in memoria
Pubblica i risultati sull'IoT Cloud
Svuota la memoria - nessun dato viene mantenuto

Integrazione del webhook:

Riceve gli aggiornamenti delle metriche dal Data Scraper tramite HTTP POST
Le metriche vengono elaborate in memoria durante l'esecuzione dell'analisi
Nessuna memorizzazione persistente delle metriche all'interno del Digital Twin

Analisi della configurazione

Il motore di Analisi della configurazione scopre e valida che cosa sia effettivamente ogni stringa, lavorando dal basso verso l'alto nella gerarchia (stringa, poi quadro di campo, inverter e contatore di immissione). Viene attivato manualmente — una volta all'avvio per il giorno precedente e, per il resto, su richiesta per un intervallo di date scelto.

Cosa rileva (per stringa):

Orientamento — l'azimut dei pannelli, segnalando le deviazioni dal valore configurato
Numero di pannelli — il numero effettivo di pannelli funzionanti, evidenziando quelli mancanti o difettosi
Clipping dell'inverter — quando la potenza DC supera la capacità AC dell'inverter, con durata del clipping ed energia persa
Ombreggiamento — i periodi di ombreggiamento tra file all'alba e al tramonto e la percentuale di perdita risultante
Performance — energia misurata rispetto a quella simulata e un performance ratio per la stringa

Ogni risultato porta con sé uno stato di affidabilità, così un operatore può capire se un rilevamento è stato affidabile, è derivato da dati troppo scarsi, ha raggiunto valori fuori dai limiti fisici o non ha rilevato alcuna corrente (il che può contrassegnare una stringa come inutilizzata).

Solo solare per ora

Le analisi di configurazione descritte sopra si applicano alle stringhe solari PV. Il rilevamento dell'inclinazione dei pannelli è menzionato ma non ancora implementato, e non esiste alcuna analisi di configurazione per impianti eolici o a batteria.

Modelli fisici standard di settore

Il Digital Twin utilizza modelli fisici sottoposti a revisione paritaria anziché machine learning — ad esempio, un modello di irraggiamento a cielo sereno e un modello a singolo diodo dei pannelli per il solare. La produzione attesa è calcolata a partire dalla fisica e dalla geometria del sito, poi confrontata con quanto l'impianto ha effettivamente prodotto.

Watchdog

Il motore Watchdog monitora lo stato di salute dei componenti, separa le interruzioni reali dai gap di comunicazione e calcola le perdite energetiche. A differenza dell'analisi della configurazione, viene eseguito automaticamente ogni notte per ciascun impianto.

Pianificazione automatica notturna:

Ogni impianto viene valutato una volta per notte a un orario stabile tra le 00:00 e le 03:00 UTC, distribuito in modo che gli impianti non vengano eseguiti tutti contemporaneamente
Un impianto entra nella pianificazione notturna una volta che un numero sufficiente delle sue stringhe ha completato l'analisi della configurazione
Alla prima esecuzione, il watchdog recupera lo storico (fino a circa 180 giorni) così da fornire informazioni anche per il periodo precedente all'inizio del monitoraggio
Il sistema tiene traccia dei giorni già elaborati e colma eventuali giorni mancanti nelle notti successive — si auto-ripara senza intervento manuale

Valutazione dello stato di salute:

Per ogni componente, il watchdog simula la produzione che avresti dovuto osservare e la confronta con il valore misurato
I componenti vengono classificati in stati chiari: produzione normale, degradato, sovraproduzione, nessun dato, logger bloccato, inattivo e diversi stati inferiti per componenti i cui dati sono mancanti ma il cui stato di salute può essere dedotto dai componenti vicini
Una passata top-down inferisce lo stato dei componenti con dati mancanti dal loro genitore: un inverter mancante che il genitore mostra come sano viene correttamente contrassegnato come problema di comunicazione, non come interruzione

Irraggiamento di riferimento senza sensore:

Il watchdog ricava una baseline di irraggiamento misurato dalle stringhe con la produzione migliore, così un monitoraggio accurato non richiede un sensore di irraggiamento in loco
L'esistenza di questa baseline di riferimento per un dato giorno è il modo in cui il sistema sa che quel giorno è stato elaborato

Auto-calibrazione (ciclo di feedback sulle performance):

Un fattore di correzione per componente viene addestrato su una finestra mobile affinché la produzione attesa simulata segua il comportamento reale di ogni componente
Apprende solo da componenti sani e solo in giorni con meteo normale — i giorni anomali (forte nuvolosità, neve, guasti) vengono saltati così che i dati errati non contaminino mai il modello
È per questo che i confronti tra atteso ed effettivo si affinano nei primi giorni di vita di un impianto

Rilevamento delle perdite con livello di affidabilità:

La perdita energetica viene calcolata per intervallo come il deficit della produzione misurata rispetto alla produzione simulata, senza mai diventare negativa
Ogni valore di perdita è etichettato con affidabilità HIGH, MEDIUM o LOW, e le categorie sommano al totale — così sai quanto fidarti di ciascun valore
Una lettura di energia piatta (ripetuta) viene esaminata: se la produzione è chiaramente continuata durante un breve gap, viene trattata come un'interruzione di comunicazione ed esclusa dalle perdite; se la produzione si è fermata, viene conteggiata come interruzione reale
I periodi meteorologici — neve, rugiada, nebbia e arresti di rete o esterni — vengono esclusi per tutti i componenti, così il meteo non viene mai scambiato per un guasto di componente

I gap di comunicazione non sono perdite

Quando un componente genitore è sano ma i dati di un figlio sono mancanti, il watchdog segnala un problema di raccolta dati, non una perdita di produzione. Questo evita che un logger temporaneamente offline venga scambiato per energia persa.

Sincronizzazione con il cloud

Il Digital Twin si integra con la piattaforma IoT Cloud:

Sincronizzazione della struttura del parco:

Il Park Tree recupera la configurazione dei componenti dall'IoT Cloud
Aggiornamenti automatici quando i componenti vengono aggiunti o riconfigurati
L'individuazione dei componenti viene sincronizzata di nuovo verso il cloud (inverter, stringhe, ecc.)
Le modifiche alla configurazione invalidano i risultati di analisi memorizzati nella cache

Reporting dei risultati:

I risultati delle analisi vengono inviati all'IoT Cloud tramite API REST
Notifiche di eventi per interruzioni e degradi
Metriche di performance archiviate per il tracciamento storico
Aggiornamenti di stato per la salute dei componenti

Modalità operativa:

Richiede connettività all'IoT Cloud per il funzionamento normale
È necessario il database time-series per l'analisi dei dati storici

Funzionalità correlate

Data Scraper — raccoglie le metriche dell'impianto che il Digital Twin analizza
Panoramica del Mirox-Agent — come il Digital Twin e il Data Scraper vengono eseguiti insieme sull'edge
Digital Twin (funzionalità) — la vista rivolta all'operatore di queste informazioni
Rilevamento delle perdite — come vengono rilevate le perdite energetiche e classificate per affidabilità
Rilevamento dell'efficienza — risultati su configurazione e performance delle stringhe
Valutazione dei componenti — gli stati di salute dei componenti spiegati