Nieuwe sensortechnologie moet de efficiëntie van grote zonne-energiecentrales aanzienlijk verhogen. De technologie spoort storingen vroegtijdig op en corrigeert deze. Zo vermindert het systeem stilstand, wat de opbrengst van het zonnepark verhoogt.
De ontwikkeling is onderdeel van het ZeroDefect4PV-project van BEIA Consult International uit Roemenië, het Turkse INELSO Innovative Electrical Solutions en het Duitse Fraunhofer IFF. Grote zonne-energiecentrales bestaan vaak uit tienduizenden modules en componenten. Storingen in individuele modules kunnen de algehele efficiëntie van aaneengeschakelde strings aanzienlijk verminderen.
De exacte locatie van storingen in individuele panelen of clusters is met de huidige technologie echter lastig op te sporen. De onderzoekers testen momenteel een geïntegreerd sensorprototype, ontwikkeld door INELSO Innovative Electrical Solutions, dat dit wel mogelijk moet maken. Het sensorsysteem werkt met een intelligente IoT-communicatiearchitectuur, die inzicht biedt op module-niveau.
Inefficiënties opsporen
Het systeem werkt met een netwerk van sensoren die in het zonnepark worden geplaatst. Deze ‘Data Collection Units’ communiceren via een meshnetwerk, waarbij de individuele units met elkaar zijn verbonden. Zo geven zij de data door aan een server, die onder meer AI gebruikt voor het analyseren van verzamelde gegevens. Het systeem kan bijvoorbeeld gebruikt worden om afwijkingen, vervuiling en defecten vroegtijdig op te sporen.
Het Fraunhofer IFF richt zich binnen het project op de onderlinge communicatie van de sensorprototypen en het halen van inzichten uit de verzamelde meetgegevens. Het richt zich daarbij op:
- Datainvulling: Ontbrekende gegevens in datasets kunnen vervolgprocessen belemmeren. Met behulp van AI worden ontbrekende gegevens aangevuld met minimale afwijkingen van de werkelijke waarden. De modellen leren daarbij continu op basis van nieuwe gegevens.
- Afwijkingsdetectie: De modellen beschrijven aan de hand van wiskundige kenmerken de geleverde data. Door betrouwbaarheidsintervallen te definiëren, worden afwijkingen geïdentificeerd die wijzen op storingen of falen van installaties.
- Voorspellend onderhoud: De modellen detecteren afwijkingen, in sommige gevallen voordat zij optreden. Zo kunnen storingen sneller worden opgespoord en opgelost.
Daarnaast onderzoekt het Fraunhofer IFF hoe informatie die met het sensornetwerk is verzameld kan worden gebruikt voor beheerfuncties voor zonneparken.
‘Meer transparantie, betere voorspellingskwaliteit en betrouwbaarheid’
Hannes Peter Wasser, onderzoeker bij Fraunhofer IFF: “Elke kilowattuur uit hernieuwbare energie die niet wordt ingevoerd, vergroot de behoefte aan fossiele balansenergie en werkt klimaatmitigatiedoelstellingen tegen. De groeiende systeemrelevantie van fotovoltaïsche energie vereist meer transparantie, betere voorspellingskwaliteit en betrouwbaarheid. Dit zullen we in de toekomst bereiken met onze oplossing, die een hoogresolutie-sensorsysteem op module-niveau combineert met AI-diagnostiek, voorspellings- en anomaliedetectiemodi en een modulair platform voor het verzamelen, synchroniseren, voorbewerken en opslaan van alle data.”
Dr. Christoph Wenge, onderzoeker bij Fraunhofer IFF, voegt toe: “In een zonnepaneelstring kan een breed scala aan storingen optreden, niet alleen in de modules zelf, maar ook in de bypassdiodes, de bedrading of de montagesystemen. In tegenstelling tot metingen aan de omvormer, classificeert ons systeem storingen. Het detecteert waar ze zich voordoen. AI-modellen, die vooraf zijn getraind met verschillende storingen, analyseren patronen, identificeren afwijkingen van normale prestaties, herkennen anomalieën en hun impact, bijvoorbeeld of string A minder vermogen levert dan string B. Geïmplementeerde ondersteuningsfuncties, weergegeven op monitors in de controlekamer, bieden het personeel aanbevolen acties, zoals het reinigen of vervangen van een module.”
Pilotsysteem
Momenteel worden tests uitgevoerd op het pilotsysteem bij Fraunhofer IFF. Onderzoekers testen of AI-modellen soorten storingen kunnen herkennen aan de hand van kleine veranderingen in stroom- en spanningscurves. Sensoren zijn eerder in het lab al getest op meetnauwkeurigheid, stabiliteit en communicatiebetrouwbaarheid. Andere testen zijn onder meer gerichte beschaduwing van modules en interpretatie van thermische beelden.
Daarnaast vinden tests plaats bij INELSO Innovative Electrical Solutions in Turkije, gericht op hardwarevalidatie in een zonneveld. BEIA Consult International test de AI-modellen van Fraunhofer IFF in Roemenië met gegevens van SolarEdge-omvormers over energieverbruik en -productie.
Wenge: “Met de pilotinstallaties valideren we ons systeem onder realistische omstandigheden, zodat we hardware, communicatie en datamodellen iteratief kunnen optimaliseren en de schaalbaarheid voor grote zonneparken kunnen beoordelen.”
