Künstliche Intelligenz für Zustandsanalyse von PV-Systemen

Photovoltaikanlagen leisten einen wesentlichen Beitrag zur nachhaltigen Stromversorgung in Deutschland. Doch natürlich laufen nicht alle Module und Komponenten in allen Systemen jederzeit einwandfrei. Mögliche Schwachstellen oder Defekte können zu Ertragseinbußen führen. Werden sie nicht rechtzeitig erkannt, kann das einen signifikanten wirtschaftlichen Schaden für den Betreiber bedeuten. Derzeit ist eine auf jedes individuelle Modul zugeschnittene Defektsuche, die Besonderheiten der Materialauswahl, der Herstellungsprozesse, der Installation oder des Standorts berücksichtigt, jedoch nicht immer möglich. Es besteht ein dringender Bedarf für Monitoringlösungen, die es ermöglichen, Schadensfälle frühzeitig zu erkennen und ohne größeren wirtschaftlichen Ausfall zu korrigieren.

Hier setzte das Gemeinschaftsprojekt »Mon-KI« der GETEC green energy GmbH Magdeburg, die regenerative Energieversorgungslösungen entwickelt, und des Fraunhofer CSP an. Im zweijährigen Projekt wurde durch den Einsatz von KI-Methoden eine bessere Vorhersage von Erträgen und Wartungsarbeiten an Photovoltaikmodulen möglich.

Die Wissenschaftlerinnen und Wissenschaftler des Fraunhofer CSP nutzten hierfür eine mittels computergestützter Methoden durchgeführte IST- und SOLL-Datenvalidierung. Anhand von Feldinspektionen, historischer Daten und Laboruntersuchungen wurden Defektmuster in Monitoringdaten zum Training von Machine-Learning-Modellen erfasst. Damit konnten die Forschenden Defekte, die zu Degradation und Ertragsausfall von PV-Modulen führen, automatisiert erfassen. Als Defekte berücksichtigte das Forschungsteam Potential-induzierte Degradation (PID), Licht- und Temperatur-induzierte Degradation (LID und LeTiD), Bypass-Dioden-Fehler, AC-Sicherungsfehler, Zellbrüche sowie Verschattung und Teilverschattung, die durch Verschmutzung, Vegetation, Nah- und Fernschatten sowie Schnee entstehen.

Die Charakterisierung des Soll-Zustands diente der Erstellung von idealen Abbildern von Photovoltaik-Anlagen hinsichtlich der einzelnen Komponenten wie Module, Kabel, Wechselrichter sowie der elektrischen Verschaltung, Topographie und Wetterbedingungen, um die Leistung beziehungsweise den Energieertrag zu prognostizieren. Dabei wurde unterschieden zwischen neuen Anlagen, die zu Betriebsbeginn voraussichtlich defektfrei sind, und bereits in Betrieb genommenen Bestandsanlagen, die eventuell mit Defekten behaftetet sein können.

Die IST-Daten lieferte der im Projekt entwickelte Prototyp einer Monitoringbox, die mit unterschiedlichen Sensoren die Umgebungsparameter erfasste und dadurch unterschiedliche PV-Systeme vergleichbar machte, identifizierte und quantifizierte. Dr. Matthias Ebert, Gruppenleiter »Modul und Systemzuverlässigkeit« am Fraunhofer CSP, äußerte sich zum Projektstart: »Wir sind uns sicher, dass das Projekt elementare Probleme des derzeitigen Photovoltaik-Monitorings löst und die aktuell sehr zeitintensive personelle Datenanalyse von Defekten reduziert. Durch den Einsatz von Methoden der KI schaffen wir einen zuverlässigen Betrieb von PV-Systemen, indem wir rechtzeitig Defekte identifizieren und somit den Wartungsaufwand optimieren und gleichzeitig senken. Mit den Ergebnissen können neue Geschäftsmodelle erschlossen werden.«