Technische Ausfälle können in Solarkraftwerken zu erheblichen Energieverlusten führen. Ein solcher Fehler tritt auf, wenn das Solarnachführsystem (Solar-Tracking-System) in einer bestimmten Position stecken bleibt, anstatt sich zu drehen, um den Sonnenstrahlen optimal zu folgen. Um solche Energieverluste zu vermeiden, müssen Fehler im Nachführsystem rechtzeitig erkannt und behoben werden. Wenn genügend historische Daten vorliegen, kann ein KI-Algorithmus darauf trainiert werden, die Stromerzeugungsdaten einer PV-Anlage zu analysieren und Energieverluste, die auf Tracker-Fehler zurückzuführen sind, automatisch zu erkennen. Eine der Herausforderungen für ein solches KI-System besteht darin, dass es dies unter allen Wetterbedingungen und in jeder Region der Welt tun kann, aber keinen Zugang zu Beispielen historischer Tracker-Fehler hat, da diese normalerweise eher selten sind.

Die Herausforderung, zu wenig Informationen über Ausfälle zu haben, ist nicht nur bei PV-Anlagen gegeben. Ein neuartiger Ansatz zur Bewältigung dieser Herausforderung besteht darin, die Lücke der fehlenden Daten mit Hilfe unseres Wissens über die Physik des Systems zu schliessen, in einer sogenannten "physikinformierten KI"-Methode.

Im Projekt wurde ein Softwaremodul für die intelligente Erkennung und Diagnose von Energieverlusten in netzgekoppelten PV-Anlagen entwickelt. Das Verständnis des Tracker-Mechanismus ermöglichte es dem Projektteam, einen "Fehlergenerator" zu entwickeln, der die Daten einer normal funktionierenden, in Betrieb befindlichen Solaranlage verwendet und sie in der richtigen Weise "verfälscht", so dass es so aussieht, als ob sie von fehlerhaften Solar-Trackern stammen würden. In einem nächsten Schritt werden die synthetischen fehlerhaften Daten zusammen mit den normalen Betriebsdaten in ein "Deep Learning" neuronales Netzwerk eingespeist, das darauf trainiert ist, zwischen "fehlerhaften" und "gesunden" Solarstrings zu unterscheiden.

Die Ergebnisse der Klassifizierung zeigen, dass die physikalisch informierte KI die Fähigkeit zur Erkennung von Tracker-Fehlern um 70 % verbessert, verglichen mit einer KI-Methode, die das Fachwissen nicht miteinbezieht. Konkret gelang es dem hybriden Algorithmus, 392 von 417 Fehlern zu erkennen, anstatt nur 231 Fehler zu entdecken. Dies wurde erreicht, während die Zahl der Fehlalarme nahe bei Null lag.

Verwandte Artikel:

1. Goren Huber, Lilach and Notaristefano, Antonio, .
   Predictive Maintenance mit Physics-Informed-Deep-Learning : Anwendungsfall Photovoltaikanlagen. fmpro service. 2022(3), pp. 24-25. Available from: https://doi.org/10.21256/zhaw-25292
2. Zgraggen, Jannik; Guo, Yuyan; Notaristefano, Antonio; Goren Huber, Lilach, 2022. Physics informed deep learning for tracker fault detection in photovoltaic power plants.
   In: Kulkarni, Chetan; Saxena, Abhinav, eds., Proceedings of the Annual Conference of the PHM Society 2022.14th Annual Conference of the Prognostics and Health Management Society, Nashville, USA, 1-4 November 2022.Available from: https://doi.org/10.36001/phmconf.2022.v14i1.3235
3. Zgraggen, Jannik; Guo, Yuyan; Notaristefano, Antonio; Goren Huber, Lilach, 2023. Fully unsupervised fault detection in solar power plants using physics-informed deep learning.
   In: Brito, Mário P.; Aven, Terje; Baraldi, Piero; Čepin, Marko; Zio, Enrico, eds., Proceedings of the 33rd European Safety and Reliability Conference (ESREL 2023). 33rd European Safety and Reliability Conference (ESREL), Southampton, United Kingdom, 3-7 September 2023.Singapore:Research Publishing.pp. 1737-1745. 
   Available from: https://doi.org/10.3850/978-981-18-8071-1_P652-cd
4. Goren Huber, Lilach; Palmé, Thomas; Arias Chao, Manuel, 2023.Physics-informed machine learning for predictive maintenance : applied use-cases. 
   In:2023 10th IEEE Swiss Conference on Data Science (SDS).10th IEEE Swiss Conference on Data Science (SDS), Zurich, Switzerland, 22-23 June 2023.IEEE.pp. 66-72. 
   Available from: https://doi.org/10.1109/SDS57534.2023.00016