Wartung mit Weitblick: KI-gestützte Störungserkennung in Solaranlagen

Verschiedene Ansätze im Praxistest

Um den vorhandenen Datensatz auszuwerten, testete das Projektteam, bestehend aus Marvin Kühl, Ben Biesenbach und Kishan Ajudiya, mehrere Methoden.

1. Um mögliche Auffälligkeiten in der Leistung der Solarmodule zu identifizieren, wurde ein aufbereiteter Datenanalyse-Ansatz entwickelt. Dabei wurden die Rohmessdaten zunächst bereinigt: Fehlende oder unvollständige Werte zur Sonneneinstrahlung ersetzte man durch geprüfte Wetterdaten aus einer verlässlichen externen Quelle. So entstand ein konsistenter Datensatz als Grundlage für die Auswertung.
   Die Leistung jedes Moduls wurde mithilfe der sogenannten Performance Ratio normalisiert und sowohl im Vergleich zu anderen Modulen derselben Anlage als auch anlagenübergreifend betrachtet. Das System konzentrierte sich dabei auf Abweichungen, die über mehrere Tage hinweg bestehen blieben. Kurzfristige Leistungseinbrüche – zum Beispiel durch vorbeiziehende Wolken – wurden ignoriert. Mit diesem Verfahren rückten länger andauernde technische Probleme wie Verschmutzungen oder elektrische Unterbrechungen in den Fokus. Potenziell fehlerhafte Module konnten so gezielt identifiziert und Wartungs- und Serviceeinsätze deutlich präziser geplant werden.
2. Ein anderer Ansatz setzte auf den direkten Vergleich von Leistungskurven unabhängig von absoluten Ertragswerten. Dazu wurde ein Algorithmus verwendet, der auf der Dynamic Time Warping Methode basiert. Dieser verglich Zeitreihenabschnitte der einzelnen Strings von Solarpanelen miteinander, um ungewöhnliche Verläufe in der Leistung der Panele automatisch zu erkennen. Auf Basis dieses Vergleichs konnten Tage mit ähnlichen Leistungskurven gruppiert (geclustert) und auffällige Muster identifiziert werden. Deutlich wurde, dass nicht jede Abweichung einen Defekt bedeutete – oft waren äußere Einflüsse wie Wolken die Ursache des Leistungseinbruchs.
   
   
3. Mithilfe eines dritten statistischen Ansatzes konnten leistungsschwache oder defekte Strings identifiziert werden. Zunächst wurden jene Strings herausgefiltert, deren Leistung dauerhaft deutlich unter dem Durchschnitt aller Strings lag. Anschließend wurde überprüft, wie sich die Leistungsunterschiede zwischen den übrigen Strings verändern, wenn die auffälligen Kandidaten aus der Berechnung entfernt werden. Verringern sich diese Unterschiede deutlich, gibt dies einen Hinweis auf fehlerhafte Technik, da die verbleibenden Strings homogener arbeiten. Um auch mehrere Probleme gleichzeitig zu erkennen, wurden zusätzlich Kombinationen der verdächtigen Strings – etwa als Zweier- oder Dreiergruppen – testweise ausgeschlossen. Grundlage des Verfahrens ist die Annahme, dass nicht ein großer Teil der Panele gleichzeitig ausfällt. Diese Annahme konnte durch die vorliegenden Messdaten bestätigt werden.