Um Langzeitausfälle von Photovoltaik-Kraftwerken zu vermeiden, ist es zunehmend wichtig geworden, neue Materialkombinationen in PV-Systemen im Rahmen von Zuverlässigkeitsprüfungen und Modellierungen zu analysieren. Das interdisziplinäre Forschungsvorhaben ADVANCE!, das unter Leitung des AIT Austrian Institute of Technology in Kooperation mit Forschungs- und Unternehmenspartnern1 durchgeführt wird, erschließt neue Wege für die digitale Analyse des Langzeit- und Degradationsverhaltens von PV-Modulen.
Dafür werden innovative, komplexe statistische Datenverarbeitungsmethoden sowie Machine Learning-Algorithmen entwickelt und für die Analyse und Modellierung des zeit- und stress-abhängigen Leistungsverhaltens von PV-Modulen angewendet. Als Datengrundlage nutzt das Projektteam umfangreiche Mess- und Charakterisierungsdaten von gealterten PV-Modulen aus dem Leitprojekt INFINITY2, die genau definierten, beschleunigten Alterungsszenarien unterzogen wurden.
Vorausschauende Instandhaltung von PV-Modulen
In der PV-Branche ist heute eine zustandsorientierte Instandhaltung üblich. Das bedeutet, der Zustand der PV-Anlage wird regelmäßig oder auch laufend überprüft. Instandhaltungsmaßnahmen werden oft erst spät, d.h. nachdem ein Fehler aufgetreten ist, durchgeführt. Neue digitale Technologien ermöglichen eine vorausschauende Instandhaltung (Predicitive Maintenance). Damit könnten weitere Verbesserungen und eine höhere Effizienz erzielt werden. Bei der vorausschauenden Instandhaltung kommen innovative Charakterisierungsmethoden und digitale Sensoren in Verbindung mit erst seit kurzer Zeit verfügbaren Data Science/Mining-Methoden zur Anwendung. Der aktuelle Zustand des PV-Systems wird dem vorhergesagten Alterungsverlauf gegenübergestellt. Auf Basis der Modellierung können die optimalen Instandhaltungszeitpunkte und -maßnahmen vorausschauend geplant und wirtschaftlich effizient festgelegt werden.
Modellierung der Alterungsvorgänge
Im Rahmen des Projekts werden unterschiedliche Modellierungsansätze entwickelt und angewandt. Forschungsziel ist es, die Zusammenhänge zwischen dem Leistungsabfall von in Betrieb befindlichen PV-Modulen und dem spezifischen Degradationsverhalten der eingesetzten Materialien zu erkennen sowie Stresseinwirkungen zu analysieren. Darauf aufbauend werden Prognosemodelle entwickelt, die auch in natürlichen Umgebungen evaluiert werden sollen. Ziel ist es, damit wesentliche Grundlagen für zukünftige hocheffiziente Materialentwicklungen zu schaffen und prädikative Instandhaltungsvorgaben zu erarbeiten.
Elektrolumineszenz-Bildanalyse – Masken für vorhergesagte „Risse“ (rot), „Fingerdefekte“ (grün) und „Korrosion“ (blau) und entsprechende Begrenzungsrahmen, Abb.: SAL/Lukas Neumaier
projekte.ffg.at/projekt/3862073
ARBEITSPAKETE
> Automatisierte Datenaufbereitung: Kenngrößenerfassung (Feature Selection), Bildanalyse (neuronale Netzwerke – Machine Learning), Data Reduction (Umwandlung experimentell erhaltener digitaler Information in eine korrigierte, geordnete und vereinfachte Form)
> Statistische Modellierung von Zusammenhängen der Daten und Messgrößen einer umfassenden bestehenden Datenbasis (multiple, zeitaufgelöste Charakterisierungsdaten von PV-Modulen während diverser beschleunigter Alterungstests)
> Erstellen eines prädiktiven Modells (chemisch/physikalisch/elektrisch) zur Langzeitbeständigkeit und Zuverlässigkeit von PV-Materialien und -Modulen
> Validierte Degradationsmodelle für PV-Materialien und -Module zur Früherkennung von Alterung, Erstellung optimierter beschleunigter Alterungstests und prädiktiver Instandhaltungs-Vorgaben
1 Projektpartner: AIT – Austrian Institute of Technology GmbH, Applied Statistics GmbH, SAL – Silicon Austria Labs GmbH, OFI – Österreichisches Forschungsinstitut für Chemie und Technik, PCCL – Polymer Competence Center Leoben GmbH, KIOTO Photovoltaics GmbH, FHTW – Fachhochschule Technikum Wien
2 Leitprojekt INFINITY, siehe energy innovation austria 2/2017
www.energy-innovation-austria.at/article/infinity/
