AI and Machine Learning in Solar PV: Where It Actually Helps (and Where It's Hype)
Every second solar pitch deck now has "AI" on a slide. Some of it is real and already earning its keep on operating plants. A lot of it is a linear regression wearing a costume. After years working across PV engineering and software, here's how I separate the two.
Start with the boring truth: value comes from data, not clever models
Before any machine learning is worth discussing, a plant needs clean, time-aligned, well-labelled data — inverter telemetry, string currents, irradiance sensors, module temperature, and a maintenance log that someone actually keeps. I've seen more "AI projects" fail on missing timestamps and mislabelled strings than on model choice. If the data foundation is shaky, no algorithm rescues it. That's not a limitation of AI; it's the first 80% of the work.
Where ML genuinely earns its place
A few areas consistently pay off. Fault detection and diagnostics is the clearest: models trained on healthy-plant behaviour can flag underperforming strings, failing optimizers, or soiling patterns days before a threshold alarm would. Soiling-loss estimation from performance data — rather than a fixed monthly percentage — lets you time cleaning against actual revenue loss instead of a calendar. Short-term production forecasting, blending numerical weather prediction with the plant's own history, is now standard for anyone exposed to imbalance prices; a few percentage points of forecast-error reduction translate directly into avoided penalties. And thermal-image analysis on drone inspections, where computer vision classifies hotspots far faster than a human reviewing thousands of frames, is a real time-saver on large sites.
Where it's mostly theatre
Long-horizon yield prediction "by AI" is where I get skeptical. A P50 built from twenty years of satellite irradiance and a validated loss model is a physics problem, not a pattern-recognition problem — and lenders know it. Wrapping that in a neural network rarely improves the estimate and often removes the transparency a due-diligence reviewer needs. Similarly, "AI-optimized" module layout on a simple greenfield site is usually classical optimization that has existed for decades. And any model that can't explain why it flagged something will struggle the moment an asset manager asks for a reason before dispatching a truck.
Explainability isn't a nice-to-have in this industry
Energy assets are financed on twenty-year horizons by people who need to defend every assumption. A black box that says "this string is bad, trust me" creates a governance problem, not a solution. The models that survive contact with real operations are the ones that show their working: here's the expected output, here's the measured output, here's the residual, here's the feature that moved. That transparency is often more valuable than a marginal accuracy gain.
A practical filter I use
When someone presents an AI feature, I ask four questions. What decision does it change? What does it cost to be wrong? What data does it actually need, and do we have it? And could a simpler method get 90% of the value? If the honest answers are "none, little, data we don't have, and yes," it's a slide, not a system. If they're "cleaning schedule, real money, data we already collect, and no," it's worth building.
Where this is heading
The genuine near-term wins are unglamorous: better forecasting, faster fault triage, smarter maintenance scheduling, and storage-dispatch optimization as batteries spread across portfolios. That last one is where machine learning and market dynamics meet — deciding when to charge and discharge against volatile prices is a genuinely hard sequential-decision problem where good models beat rules of thumb. The hype will keep running ahead of the engineering. But if you keep asking what decision changes and what it costs to be wrong, you'll back the projects that actually move the needle and quietly skip the ones that just look good in a deck.
The best AI work in solar rarely looks impressive from the outside. It looks like a plant that gets cleaned at the right time, catches faults a week earlier, and forecasts its own output within a tighter band — steady, explainable gains that compound over an asset's life.
If you're building or evaluating an energy product and want to know where machine learning will actually pay off — from fault detection to forecasting and storage dispatch — that intersection of solar engineering and software is exactly where I work.
Get in touch →AI și machine learning în fotovoltaice: unde ajută cu adevărat (și unde e doar hype)
Aproape fiecare pitch deck de solar are acum „AI" pe un slide. O parte e reală și deja își merită banii pe centrale în funcțiune. Multă e o regresie liniară deghizată. După ani de lucru între inginerie fotovoltaică și software, iată cum le separ.
Adevărul plictisitor mai întâi: valoarea vine din date, nu din modele deștepte
Înainte să discutăm de machine learning, o centrală are nevoie de date curate, aliniate în timp și etichetate corect — telemetrie de la invertoare, curenți pe stringuri, senzori de iradianță, temperatura modulelor și un jurnal de mentenanță pe care chiar îl ține cineva. Am văzut mai multe „proiecte AI" picând din cauza timestamp-urilor lipsă și a stringurilor etichetate greșit decât din cauza alegerii modelului. Dacă fundația de date e șubredă, niciun algoritm nu o salvează. Nu e o limitare a AI-ului; sunt primii 80% din muncă.
Unde ML își câștigă cu adevărat locul
Câteva zone se dovedesc constant utile. Detecția și diagnoza defectelor e cea mai clară: modele antrenate pe comportamentul unei centrale sănătoase pot semnala stringuri subperformante, optimizatoare defecte sau tipare de murdărire cu zile înainte ca o alarmă pe prag să reacționeze. Estimarea pierderilor din murdărire din datele de performanță — nu un procent lunar fix — îți permite să programezi curățarea în funcție de pierderea reală de venit, nu de calendar. Prognoza de producție pe termen scurt, combinând predicția meteo numerică cu istoricul propriu al centralei, e acum standard pentru oricine e expus la prețurile de dezechilibru; câteva procente de reducere a erorii de prognoză înseamnă direct penalizări evitate. Iar analiza imaginilor termice de la inspecțiile cu drona, unde computer vision clasifică hotspot-urile mult mai rapid decât un om care revede mii de cadre, economisește timp real pe siturile mari.
Unde e mai mult teatru
Predicția de producție pe termen lung „prin AI" e unde devin sceptic. Un P50 construit din douăzeci de ani de iradianță satelitară și un model de pierderi validat e o problemă de fizică, nu de recunoaștere de tipare — iar băncile știu asta. Împachetarea într-o rețea neuronală rareori îmbunătățește estimarea și adesea elimină transparența de care are nevoie un evaluator de due diligence. La fel, amplasarea „optimizată cu AI" a modulelor pe un teren simplu e de obicei optimizare clasică, existentă de decenii. Și orice model care nu poate explica de ce a semnalat ceva va avea probleme în clipa în care un asset manager cere un motiv înainte să trimită o echipă.
Explicabilitatea nu e un moft în industria asta
Activele energetice sunt finanțate pe orizonturi de douăzeci de ani de oameni care trebuie să apere fiecare ipoteză. O cutie neagră care spune „stringul ăsta e defect, ai încredere" creează o problemă de guvernanță, nu o soluție. Modelele care supraviețuiesc contactului cu operarea reală sunt cele care își arată raționamentul: iată producția așteptată, iată cea măsurată, iată reziduul, iată variabila care a contat. Transparența asta valorează adesea mai mult decât un câștig marginal de acuratețe.
Un filtru practic pe care îl folosesc
Când cineva prezintă o funcție AI, pun patru întrebări. Ce decizie schimbă? Cât costă să greșești? De ce date are nevoie efectiv și le avem? Și ar putea o metodă mai simplă să obțină 90% din valoare? Dacă răspunsurile oneste sunt „niciuna, puțin, date pe care nu le avem și da", e un slide, nu un sistem. Dacă sunt „programul de curățare, bani reali, date pe care deja le colectăm și nu", merită construit.
Încotro se îndreaptă
Câștigurile reale pe termen scurt sunt neglamuroase: prognoză mai bună, triaj mai rapid al defectelor, programare mai inteligentă a mentenanței și optimizarea descărcării stocării, pe măsură ce bateriile se răspândesc în portofolii. Ultima e locul unde machine learning se întâlnește cu dinamica piețelor — a decide când încarci și descarci în raport cu prețuri volatile e o problemă de decizie secvențială cu adevărat grea, unde modelele bune bat regulile empirice. Hype-ul va alerga în continuare înaintea ingineriei. Dar dacă tot întrebi ce decizie se schimbă și cât costă să greșești, vei paria pe proiectele care chiar contează și le vei ocoli discret pe cele care doar arată bine într-un deck.
Cea mai bună muncă de AI în solar rareori pare impresionantă din exterior. Arată ca o centrală curățată la momentul potrivit, care prinde defecte cu o săptămână mai devreme și își prognozează producția într-o bandă mai strânsă — câștiguri constante, explicabile, care se compun pe durata de viață a activului.
Dacă construiești sau evaluezi un produs în energie și vrei să știi unde va aduce cu adevărat valoare machine learning — de la detecția defectelor la prognoză și optimizarea stocării — exact la această intersecție dintre ingineria solară și software lucrez.
Ia legătura →