KI-basierte Charakterisierung und Klassifizierung von PV-Anlagen zur prädiktiven Wartung
Kurzbeschreibung des Projektes Kick-PV in Förderung durch die Bayerische Forschungsstiftung
Im Projekt „Kick-PV“ werden vier verschiedene Verfahren für eine vorwiegend ferndiagnostische Inspektion photovoltaischer Kraftwerke entwickelt. Es werden einige Pakete von Demonstrator-Software für die Ferndiagnostik geschaffen, welche Algorithmen der Künstlichen Intelligenz und des Maschinellen Lernens enthalten. Weiterhin wird ein mobiles Labor aufgebaut, basierend auf allgemein verfügbarer Messtechnik und im Projekt entwickelter Demonstrator-Software, welches der Vor-Ort-Diagnose von Fehlern und Degradationsszenarien und der Kalibrierung dient.
Die Motivation für das Projekt ergibt sich aus der Notwendigkeit, Einspeiseausfälle von PV-Anlagen vorausschauend zu vermeiden, gemäß dem wünschenswerten Konzept der prädiktiven Wartung. Derzeitig verfügbare Verfahren zur ferndiagnostischen Leistungs- und Ertragsbewertung bzw. zur Identifikation von Fehlern und Degradationstypen arbeiten entweder zu langsam oder sind nicht hinreichend präzise.
Nach erfolgreicher Bearbeitung des Projektes werden zukünftig Leistungseinbrüche in Teilen von PV-Kraftwerken sehr früh in Stärke und Ursache erkannt, was PV-Anlagen-Betreiber sicher vor finanziellen Schäden schützen wird. Das Projekt unterstützt den Ansatz, eine kalkulierbare und stabile Erzeugung von elektrischer Energie durch Photovoltaik zu erreichen und somit die Versorgungssicherheit zukünftiger regenerativer Energiesysteme zu erhöhen.
1
Schönau, Maximilian; Daume, Darwin; Panhuysen, Markus; Schulze, Achim; Landes, Dieter (2024)
Schönau, Maximilian; Daume, Darwin; Panhuysen, Markus; Schulze, Achim...
7. Regenerative Energietechnik Konferenz in Nordhausen (RET.Con) 7. RET.Con, 2024 (7), S. 145-152.
Die präzise Erkennung von Clear-Sky-Momenten ist für die Überwachung und
Effizienzana-lyse von Photovoltaikanlagen von zentraler Bedeutung, da
zu diesen Zeitpunkten definierte und model-lierbare
Einstrahlungsverhältnisse herrschen. Es wird ein hybrides Modell zur
verbesserten Erkennung von Clear-Sky-Momenten auf Basis von
Einstrahlungsdaten vorgestellt. Hierfür wurden zunächst ma-nuell, dann
mithilfe eines CNNs Merkmale aus den Einstrahlungsdaten gebildet. Eine
Falls tudie mit Referenzdaten belegt, dass durch die Kombination dieser
wissens-und datengetriebenen Methoden Clear-Sky-Momente zuverlässiger
identifiziert werden können. Dadurch können Analysemethoden schneller
und zuverlässiger Aussagen über die untersuchten PV-Anlagen treffen.Verbesserte Clear-Sky-Erkennung durch hybrides Maschinelles Lernen
Projektleitung
T 09561317202 bernd.huettl[at]hs-coburg.de
Projektbearbeitung
T +49 9561 317 690 Darwin.Daume[at]hs-coburg.de
T +49 9561 317 Maximilian.Schoenau[at]hs-coburg.de
Projektdauer
01.05.2023 - 30.04.2026Projektpartner
Projektförderung
Förderprogramm
Bayerische Forschungsstiftung - ProjektförderungAdressierte SDGs (Sustainable Development Goals)
KI-basierte Charakterisie-rung und Klassifizierung von PV-Anlagen zur prädiktiven Wartung – Kick-PV
Die Motivation für das Projekt Kick-PV ergibt sich aus der Notwendigkeit, Einspeiseausfälle von PV-Anlagen vorausschauend zu vermeiden. Im Vorhaben werden verschiedene Verfahren für eine vorwiegend ferndiagnostische In-spektion photovoltaischer Kraftwerke entwickelt, darunter einige Pakete von Demonstrator-Software für die Ferndiagnostik, die Algorithmen der Künstlichen Intelligenz und des Maschinellen Lernens enthalten. Weiterhin wird ein mobiles Labor aufgebaut, basierend auf verfügbarer Messtechnik und im Projekt entwickelter Demonstrator-Software, das unter anderem der Vor-Ort-Diagnose von Fehlern und Degradationsszenarien dient.
Nach erfolgreichem Projektabschluss werden zukünftig Leistungseinbrüche in Teilen von PV-Kraftwerken sehr früh in Stärke und Ursache erkannt, was PV-Anlagen-Betreiber vor finanziellen Schäden schützen wird. Das Projekt trägt zudem dazu bei, eine kalkulierbare und stabile Erzeugung von elektrischer Energie durch Photovoltaik zu erreichen und somit die Versorgungssicherheit zukünftiger regenerativer Energiesysteme zu erhöhen. (Pressemitteilung Nr. 01/23 der Bayerischen Forschungsstiftung, 27.03.2023)