Neuer Algorithmus ermöglicht wetterdatenunabhängige Identifikation von Leistungsdefiziten in Photovoltaik-Anlagen

Damit Photovoltaik-Anlagen erfolgreich arbeiten können, müssen sie über ihre gesamte Lebensdauer optimale Erträge erzielen. Fehler, die die Leistung verringern oder den Betrieb stören, treten sowohl in den Photovoltaikmodulen als auch auf der Systemebene auf. Die Identifikation von Ort und Art der Störung ist notwendig, um sie durch effiziente Betriebs- und Wartungsmaßnahmen zu beseitigen oder abzumildern. Etablierte Verfahren sind bislang meist zeitaufwändig, teuer oder spiegeln nur eine Momentaufnahme der Anlage wieder.

Für Auswertungen über einen längeren Zeitraum ist ein Monitoring, z.B. die Aufzeichnung von Strom, Spannung von Strings, Wechselrichtern oder Modulen, erforderlich. Ein etablierter Parameter zur Bewertung der Leistung von Photovoltaik-Anlagen ist die Performance Ratio, als das Verhältnis der tatsächlich erzeugten Leistung zur theoretisch erwarteten Leistung. Die Performance Ratio setzt also zwangsläufig die Kenntnis der Sonneneinstrahlung voraus. Häufig fehlen diese Daten in den Anlagen jedoch oder sind nur eingeschränkt verfügbar.

Forschende des Helmholtz-Instituts Erlangen-Nürnberg für Erneuerbare Energien (HI ERN) haben nun einen neuen Ansatz entwickelt, mit dem es unabhängig von Wetterdaten möglich ist, unzureichende Leistung zu erkennen und zu quantifizieren. Dieser neu entwickelte selbstreferenzierende Algorithmus analysiert die Leistung der Anlagen auf der Grundlage von Überwachungsdaten beliebiger Zeiträume. Die Studie der Wissenschaftler:innen zeigt, dass die Leistung jedes Strings in der Photovoltaik-Anlage quantifiziert, lokalisiert und visualisiert werden kann.

Die HI ERN-Forschenden Dr. Claudia Buerhop-Lutz, Tobias Pickel, Dr. Jens Hauch und Dr. Ian Marius Peters stellen in ihrer Studie das Potenzial des selbstreferenzierenden Algorithmus (SR) vor. Dazu wird der Algorithmus mit der etablierten Performance Ratio (PR) verglichen. Die Studie wurde kürzlich in Progress in Photovoltaics veröffentlicht und bereits vom Fachmagazin pv magazine aufgegriffen.

Der neu entwickelte Algorithmus kann nicht nur zur Inspektion von Photovoltaikmodulen, sondern auch von Strings, Arrays, Wechselrichtern und Transformatoren eingesetzt werden. Potenzial bietet die selbstreferierende Methode für Degradationsstudien von Zeitreihen und Ursachenanalysen mit maschinellem Lernen und der Kombination mit verschiedenen Datenquellen, zum Beispiel Bilddaten.

Originalpublikation

Claudia Buerhop, Tobias Pickel, Jens Hauch, Ian Marius Peters
Assessment of string performance using self-referencing method in comparison to performance ratio
Prog Photovolt Res Appl. 2022; 1- 7. doi:10.1002/pip.3649
First published: 08 November 2022

Weitere Informationen

Zum Artikel in pv magazine

Kontakt

Dr. Claudia Buerhop-Lutz

Gebäude HIERN-Immerwahrstr /
Raum Room

+49 9131-12538311

E-Mail

Dr. Jens Hauch

Abteilungsleiter Teamleiter "High Throughput Materials and Devices"

Gebäude HIERN-Immerwahrstr /
Raum 1.12

+49 9131-12538301

E-Mail

verwandte inhalte

Die Modulflüsterer

Fachmagazin "Sonnenergie" befasst sich in seiner aktuellen Ausgabe mit der von HI ERN-Forschenden entwickelten neuen Methode, PV-Rückseitenfolien zerstörungsfrei im Feld bestimmen zu lassen.

Aktuelle Studie über die Rolle der Innovation für die Wirtschaftlichkeit und Nachhaltigkeit von Photovoltaik-Modulen veröffentlicht

In der aktuellen Studie wurde untersucht, wie sich die Fortschrittsrate in der Photovoltaiktechnologie auf wirtschaftliche Entscheidungen bei der Planung von Photovoltaikanlagen, die Einführung bahnbrechender Technologien und das Treibhausgaseinsparpotenzial von PV-Modulen auswirkt.

Dig4morE nutzt KI, um die Erträge von Solaranlagen zu verbessern

Mit künstlicher Intelligenz (KI) das Potenzial von Solaranlagen voll ausschöpfen: Das ist das übergeordnete Ziel des Verbundprojekts Dig4morE, dem das Helmholtz-Institut Erlangen-Nürnberg und die Photovoltaik-Unternehmen Sunsniffer, Aquila Capital sowie Sunset Energietechnik angehören.