KI-Forschung : Wie eine KI künftig PV-Anlagen optimieren könnte
Mithilfe des maschinellen Lernens sollen Leistungsdefizite und Defekte frühzeitig erkannt werden.
- © Foto: Sascha KreklauDem Verbundprojekt Dig4morE, gehören das Helmholtz-Institut Erlangen-Nürnberg und die Photovoltaik-Unternehmen Sunsniffer, Aquila Capital sowie Sunset Energietechnik an. Die Projektpartner wollen eine Methodik entwickeln, die mittels KI schnell und kostengünstig geeignete Maßnahmen zur Optimierung der Anlagen vorschlägt. Die Auswertung benötigt lediglich Monitoring-Daten, die im laufenden Betrieb anfallen. Das Bundesministerium für Wirtschaft und Energie (BMWi) fördert das Vorhaben mit über 2 Million Euro über eine Laufzeit von drei Jahren.
Mithilfe des maschinellen Lernens wollen die Forschenden in Dig4morE Leistungsdefizite und Defekte frühzeitig erkennen. Möglich werden soll dies durch ein neues Verfahren, das es möglich macht, Performance-Defizite ‚in-situ‘, also unmittelbar an Ort und Stelle, direkt aus den Monitoring-Daten der Einzelmodule herauszulesen. Für die Entwicklung der Algorithmen stellen Sunsniffer, Aquila Capital und Sunset Energietechnik Daten von insgesamt elf ihrer Solarparks zur Verfügung, die über ganz Europa verteilt sind.
Unterschiedliche Problemfelder
Die ausgedehnten Untersuchungen über den gesamten Kontinent tragen den unterschiedlichen Betriebsbedingungen Rechnung, die in den relevanten Klimazonen vorherrschen. Je nach Anlagentyp und Umgebung liegen unterschiedliche Problemfelder für die Solarmodule vor. „Im mitteldeutschen Hessen spielen andere Faktoren eine Rolle als an der portugiesischen Westküste, wo die starken Winde die Module zum Schwingen bringen“, erläutert Dr. Claudia Buerhop-Lutz vom Helmholtz-Institut Erlangen-Nürnberg, einer Einrichtung des Forschungszentrums Jülich. „Die Algorithmen müssen so trainiert sein, dass sie verschiedene Defizite anhand grundlegender Daten wie Strom, Spannung und Temperatur auseinanderhalten können.“
Gegen Ende des Jahres sollen erste Ergebnisse vorliegen, aus denen sich dann Best-Practice-Beispiele und Handlungsempfehlungen ableiten lassen. Betreiber können diese dann nutzen, um Defizite und Defekte schon in einem frühen Stadium zu erkennen – beispielsweise um Wartungsarbeiten wie Reinigungsmaßnahmen wirtschaftlich planen zu können.
Wie groß der Optimierungsbedarf ist, hat eine frühere Studie des Helmholtz-Instituts Erlangen-Nürnberg gezeigt. Rund acht Prozent der europäischen Solarmodule laufen demnach nicht bei voller Leistung. „Neben falsch eingestellten oder defekten Modulen können auch Umwelteinflüsse wie Staub, Pollen, Vogeldreck oder hochwachsende Bäume und Gräser dazu führen, dass die Anlagen weniger Strom liefern als eigentlich möglich wäre“, erklärt Dr. Claudia Buerhop-Lutz.
Kombination aus KI und Messtechnik
Mit moderner Messtechnik ist es heute prinzipiell zwar schon möglich, fehlerhafte und nicht voll ausgelastete Module aufzuspüren, beispielsweise durch thermografische Analysen. Doch die Verfahren sind teuer und aufwändig. Die Untersuchung großflächiger Solarparks wird in der Regel mit Drohnen aus der Luft vorgenommen. Die Einführung von KI-Messinstrumenten wie in Dig4more soll dagegen kostengünstigere und umfassendere Analyse ermöglichen.
Prof. Brabec, Leiter der Abteilung Hochdurchsatzmethoden in der Photovoltaik, betont: „Wir sehen die Verwendung von Hochdurchsatz-Messmethoden als Schlüsseltechnologie zum nachhaltigen Betrieb von Solarparks. Erst durch die Kombination von Messtechnik, mit der sich große Mengen von Solarmodulen schnell charakterisieren lassen, und künstlicher Intelligenz kann man die bestmöglichen Erträge und Langlebigkeit für Solarfelder sichern.“