Mithilfe von historischen Daten, die bereits durch den Betrieb eines Solarkraftwerks bereitstehen sowie mit dem Fachwissen über die Anlage konstruierten die ZHAW-Forschenden ein neuronales Netzwerk zur intelligenten Fehlerdiagnose, das in die vorhandene Nispera Plattform integriert werden kann. Damit das neuronale Netzwerk zuverlässig intelligent funktioniert, braucht es viele Daten von Störungen, wie etwa Trackerfehler, die jedoch in den Bestandsdaten sehr selten vorkommen. Mithilfe des Wissens über die physikalischen Gesetzmässigkeiten der Anlage und dem Fachwissen, der daran arbeitenden Ingenieur:innen konnte das Team die realen Daten korrumpieren und so quasi künstlich «verfälschte Daten» mit realistischen Störungsmustern erschaffen, mit denen die Algorithmen trainiert werden konnten.

Somit waren die Forschenden imstande, ein zuverlässiges Softwaremodul ohne aufwendig generierte Trainingsdaten zu entwickeln. Diese Vorgehensweise nennt sich daher auch Physics-informed AI. Diese Art der Predicitive Maintenance, eingesetzt in Solarkraftwerken, stellt zudem eine Neuheit bei der Wartung von PV-Kraftwerken dar. «Mit der Kombination aus wertvollem Fachwissen und einem datengetriebenen Deep Learning Model kann das Modul früher und genauer Fehler in der Anlage erkennen als bisherige Ansätze», fasst Goren Huber die Vorteile des Programms zusammen, «die Fähigkeit zur Erkennung von Trackerfehlern wurde um 70 Prozent verbessert im Vergleich zu herkömmlichen KI-Modellen – somit kann das Softwaremodul zu einer Verminderung von Energieverlusten und einer kosteneffizienteren Wartung von Solarkraftwerken beitragen», so die ZHAW-Forscherin.