KICK-PV: KI-basierte Charakterisierung und Klassifizierung von PV-Anlagen zur prädiktiven Wartung

Verbesserung der Präzision der Fernwartung von Photovoltaikanlagen mit KI-Methoden. Fehlerbilder sollen nach Stärke und Ursache bewertet werden, um frühzeitig Schäden zu vermeiden.

Hintergrund des Projekts

Bisher ist es nur in begrenztem Umfang möglich, per Fernwartung auf Fehler in PV-Anlagen zu schließen. Meist werden Fehler erst relativ spät erkannt und die Ausprägung kann nur grob geschätzt werden.

Projektziel

Im Projekt soll mit Hilfe von KI-Methoden die Präzision der Fernwartung von Photovoltaik-Anlagen deutlich erhöht werden, um frühzeitig Fehlerbilder zu identifizieren und diese auch schon im Frühstadium nach Stärke und Ursache einzuteilen. Betreiber von PV-Anlagen werden so rechtzeitig vor finanziellen Schäden geschützt und die Kalkulierbarkeit der Anlagen wird verbessert. Weiter sollen mögliche Fehlerbilder mit einem im Vorhaben entwickelten mobilen Messlabor im Rahmen von Vor-Ort-Analysen möglichst bis auf Modulebene präzise im Detail klassifiziert und quantifiziert werden.

Projektablauf

Datenanalysen und -filterung bestehender Datenströme bei Smartblue AG
Verbesserung der prädiktiven Wartung mit Hilfe von KI-Methoden. Ziel: Möglichst frühzeitige Fehlerdetektion und Einteilung der Fehler nach Stärke und Ursache.
Entwicklung eines mobilen Vor-Ort-Messlabors, um fehlerhafte Module innerhalb größerer Modulstrings (serielle Modulverschaltung) zu identifizieren und einzelne Modulverluste zu quantifizieren.

Innovation

Verbindung von physikalischen Modellen zur Leistungsvorhersage mit KI-Methoden.
KI-Methoden sollen in erklärbare Modelle eingebettet werden und damit Fehler nach Stärke und Ursache klassifiziert werden.
Herkömmliche KI-Modelle geben zwar auch Leistungsprognosen ab, jedoch ist es (Black-Box) meist unmöglich, Verluste quantitativ entsprechend Ursache einzuteilen.