Reise, ChristianChristianReiseKiefer, KlausKlausKieferHolland, NicolasNicolasHollandMelgar, DavidDavidMelgarKollosch, BerndBerndKolloschRauschen, IgorIgorRauschenMüller, BjörnBjörnMüllerSarquis Filho, EduardoEduardoSarquis FilhoReetz, ChristianChristianReetzKazacos, DuarteDuarteKazacos2023-09-072023-09-072022Note-ID: 00005FA2https://publica.fraunhofer.de/handle/publica/450341Die automatisierte Fehlererkennung ist Grundvorrausetzung für die Optimierung des Betriebs und der Wartung von PV Kraftwerken. In mehreren neueren Studien werden dazu Methoden und Verfahren beschrieben. Die meisten dieser Verfahren wurden jedoch nicht experimentell mit Daten aus realen PV Kraftwerken validiert. Meist basieren sie auf Simulationen oder auf Daten kleiner Versuchsanlagen, die in Labors aufgebaut und nur mit wenigen Fehlerbedingungen getestet wurden. In unserem gemeinsamen vom BMWK geförderten Projekt OptOM (Kostenoptimale Betriebsführung von PV-Anlagen über ihre wirtschaftliche Lebensdauer) haben wir konkrete Regeln zur automatisierten Fehlererkennung entwickelt und dann in die von der mondas GmbH und der Enmova GmbH entwickelten Datenplattform implementiert. Die in OptOM entwickelten KI-Ansätze ermöglichen zudem die automatisierte Identifikation von Verschattung und Verschmutzung. Die Wirksamkeit dieser Methoden wurden auf der Basis der Daten von 85 in Deutschland installierten und über den Betriebszeitraum von 5 Jahren laufenden PV-Dachanlagen getestet. Um die Genauigkeit der zur Fehlererkennung verwendeten Regeln zu ermitteln, wurden die Ergebnisse mit den tatsächlichen Störungs- und Wartungsprotokolle dieser Anlagen verglichen. Der Vergleich mit der bisherigen manuell durchgeführten Erkennung bei etwa 170 Systemen zeigt eine Fehlererkennungsquote von mehr als 99 %.deBetriebsführungPV-Kraftwerkeposter