Ertragsbewertung von Photovoltaischen Kraftwerken mithilfe Maschinellen Lernens

Abstract

Eine präzise Bewertung der Leistungsfähigkeit von PV-Kraftwerken bringt große Vorteile für den Anlagen-Betreiber. Verschiedene Faktoren wie String-Ausfälle, Alterung der Module, Verschmutzung und Verschattungen können die Leistung signifikant beeinflussen und führen zu finanziellen Einbußen [1]. Die Quantifizierung dieser Leistungseinbußen ist essentiell, um wirtschaftlich eine zustandsorientierte Wartung der Anlage betreiben zu können [2]. Sie kann außerdem zur Klärung von Garantie- bzw. Gewährleistungs-fragen des Asset Managers gegenüber Hersteller / Installateur, Netzbetreiber und Versicherer dienen. Für den Investor ergeben sich aus der Leistungsbestimmung Informationen über die historische und zukünftige Rentabilität einer Anlage. Ein weiterer signifikanter Vorteil einer Echtzeit Ertragsbewertung ist die Erleichterung der Fahrplankonformität [3]: Sobald der Zustand einer Anlage bekannt ist, kann eine zuverlässige Ertragsprognose erstellt werden, die es ermöglicht, den Energieertrag zu einem höheren Preis zu verkaufen. Die Ertragsprognose ist insbesondere für größere Anlagen verpflichtend [4]. Die Ertragsbewertung von PV-Kraftwerken ist erheblichen Störfaktoren ausgesetzt. Während ein PV-Modul im Labor unter kontrollierten Standard Test Bedingungen (STC) bemessen werden kann [5], [6], [7], [8], wird eine online Ertragsbewertung im Feld stark durch die verfügbare Messtechnik und nicht kontrollierbaren Umgebungsbedingungen erschwert [9]. Methoden des maschinellen Lernens können hier eine Ertragsbewertung in einer Qualität ermöglichen, welche mit klassische Methoden nicht erreicht werden kann.