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.

On-site current-voltage (IV) measurements will play an essential role in the online monitoring of PV systems. However, challenging measurement conditions like inconsistent irradiance levels on PV arrays (e.g., due to local shading) can distort IV curves, leading to inaccurate characterizations. By accurately detecting deformed IV curves, the reliability of both on-site and remote IV measurements is significantly enhanced. For this purpose, several classifiers were evaluated using 4104 manually labeled IV measurements on a mc-Si-PV array. Machine learning tech-niques perform much better than a traditional rule-based filter, with accuracy above 99 %. A deep Autoencoder was employed to reduce IV measurements into a set of 7 features, which encoded the shape of the curves into a low dimen-sionality. The IV-Autoencoder improved the classification of IV curves, yielding better results than a feature reduction with Principal Component Analysis. The proposed classifiers are able to sort out on-site IV measurements under un-satisfactory environmental conditions, benefiting the online monitoring of PV systems. It may also be used as an indi-cator for faulty PV strings.