Sensorsysteem op moduleniveau detecteert storingen in grote PV-installaties

Bestaande systemen controleren grote PV-installaties niet op moduleniveau. Juist daar ontstaan ​​echter storingen die de serieschakeling van meerdere zonnepanelen beïnvloeden, oftewel de complete string. Het Fraunhofer werkt met partners aan een sensorsysteem dat een gedetailleerd beeld geeft tot op moduleniveau, waardoor allerlei afwijkingen, vervuiling en defecten vroegtijdig worden gedetecteerd.

Wanneer individuele zonnepanelen defect raken in grote fotovoltaïsche installaties, kunnen bypassdiodes vermogensverlies in de string voorkomen. Als de bypassdiodes defect zijn, daalt het algehele rendement van de zonnepanelenstrings echter aanzienlijk. De installaties worden meestal alleen echter op string- of inverterniveau gemonitord, waardoor de conditie van individuele modules verborgen blijft.

In het ZeroDefect4PV-project ontwikkelen onderzoekers van Fraunhofer IFF samen met hun partners BEIA Consult International en Inelso Innovative Electrical Solutions een sensorsysteem dat monitoring op moduleniveau en voorspellend onderhoud van grote PV-installaties mogelijk maakt. Dit moet onopgemerkte defecten voorkomen en afwijkingen vroegtijdig detecteren. “Met onze oplossing, die een sensorsysteem met hoge resolutie op moduleniveau combineert met AI-diagnostiek, voorspellings- en afwijkingsdetectiemodi en een modulair platform voor het verzamelen, synchroniseren, voorbewerken en opslaan van alle gegevens, zullen we meer transparantie bereiken, en betere voorspellingskwaliteit en betrouwbaarheid”, aldus Hannes Peter Wasser, onderzoeker bij Fraunhofer IFF.

Bestaande monitoringmethoden verzamelen de gegevens die een omvormer over alle strings levert. Metingen bij de omvormer missen bepaalde fouttypen of detecteren ze pas met vertraging, wanneer ze de energie-efficiëntie al aanzienlijk beïnvloeden.

Drones en stationaire camera’s hebben ook beperkingen. Ze kunnen alleen worden ingezet afhankelijk van het weer, moeten een volledig zonnepark bestrijken of kunnen alleen zichtbare fouten detecteren.

Optische methoden, zoals infraroodthermografie, detecteren hotspots en zichtbare celbreuken. Degradatie, delaminatie, defecte achterfolies en systeemfouten als aardingsfouten, worden daardoor slechts in beperkte mate of helemaal niet gedetecteerd. Defecte elektrische verbindingen blijven vaak onopgemerkt.

Het project kiest daarom voor een aanpak die gebruikmaakt van continue en zeer gedetailleerde monitoring op module-niveau. Inelso heeft sensoren ontwikkeld die diverse, nauwkeurige meetgegevens leveren voor elke module, die worden bijgewerkt in overeenstemming met de specifieke scanfrequentie. Sensoren aan de achterkant van de fotovoltaïsche modules meten de gelijkspanning en gelijkstroom van individuele zonnepanelen en de moduletemperatuur als indicator voor thermische belasting en defecten. Ook de zoninstraling wordt meegenomen. Deze wordt gemeten door een apart weerstation, waarna de gegevens samen met de DCU-waarden in AI-modellen worden ingevoerd.

Prototype sensoren, de dataverzamelingsunits, communiceren via een mesh-sensornetwerk dat is georganiseerd volgens een master-slave-architectuur. Ze gebruiken het energiezuinige LoRaWAN-protocol om de gegevens via het sensornetwerk te verzenden met het ESP-NOW-communicatieprotocol naar gateways op een hoger niveau, die de gegevens doorsturen naar een dataplatform in een centraal controlecentrum. De gegevens worden gesynchroniseerd, veilig opgeslagen en verwerkt en geïnterpreteerd met behulp van geavanceerde analyses en AI-modellen. Fraunhofer IFF heeft een controlecentrum voor de ontwikkeling en simulatie van monitoring- en besturingsalgoritmen voor elektriciteitsnetten, gevestigd in de Elbfabrik, de onderzoeksfaciliteit van Fraunhofer IFF.

Uiteenlopende storingen

Christoph Wenge, een andere onderzoeker bij Fraunhofer IFF, zegt: “De meest uiteenlopende storingen kunnen zich voordoen in een zonnepanelenreeks, niet alleen in de modules zelf, maar ook in de bypassdiodes, de bedrading of de montagesystemen. In tegenstelling tot metingen bij de omvormer, classificeert ons systeem storingen. Het detecteert waar ze optreden. AI-modellen, die vooraf zijn getraind met storingen, analyseren patronen, identificeren afwijkingen van de normale werking, en signaleren anomalieën en hun impact, bijvoorbeeld of reeks A minder vermogen levert dan reeks B. Assistentiefuncties die worden weergegeven op monitoren in de controlekamer geven het personeel in de controlekamer aanbevelingen voor acties, zoals het reinigen of vervangen van een module. Storingen omvatten bijvoorbeeld thermische afwijkingen zoals hotspots, mechanische schade zoals celbreuken of delaminatie, elektrische defecten zoals defecten aan bypassdiodes, schaduw door objecten of vegetatie, vervuiling en sneeuwbedekking, module-mismatch en ongebruikelijke degradatie en vermogensverlies.

Er worden momenteel tests uitgevoerd op het pilotsysteem bij Fraunhofer IFF: de onderzoekers gebruiken kleine veranderingen en kenmerken in de stroom- en spanningscurve om te testen of de AI-modellen het type storing kunnen herkennen. Master- en slave-sensoren zijn al in het laboratorium getest op nauwkeurigheid, stabiliteit en betrouwbaarheid van de communicatie. De sensoren waren aangesloten op de ICT-infrastructuur van Fraunhofer IFF. Andere tests bij Fraunhofer IFF omvatten het gericht beschaduwen van modules door bladeren en de interpretatie van thermische beelden.

Daarnaast staan ​​er tests gepland bij partner Inelso, die zich zullen richten op hardwarevalidatie in een PV-veld in Turkije. Projectpartner BEIA Consult International test de AI-modellen van Fraunhofer IFF in Boekarest met behulp van data over energieverbruik en energieproductie van SolarEdge-omvormers. “Met de pilotinstallaties valideren we ons systeem onder realistische omstandigheden, zodat we de hardware, communicatie en datamodellen iteratief kunnen optimaliseren en de schaalbaarheid voor grote PV-parken kunnen beoordelen”, aldus Wenge.

⚠️ Geen vacatures gevonden.