Modellierung eines Photovoltaik-Fehlererkennungsansatzes unter Berücksichtigung von maschinellem Lernen

Abstract

Die Photovoltaik spielt eine zentrale Rolle bei der Transformation des globalen Energiesystems zu einer emissionsfreien Energieversorgung. In Deutschland tragen rund 1,8 Millionen installierte Photovoltaikdachanlagen mit einer Nennleistung bis zu 30 kWp zur elektrischen Energieerzeugung bei. Dennoch zeigt sich insbesondere in dieser Anlagenklasse, dass durch eine fehlende Fernüberwachung der Stromproduktion und ein fehlendes Qualitätssicherungskonzept technische Störungen auftreten können und es damit zu einer Minderung des Ertrags dieser Photovoltaikanlagen kommt [HHR18; HHR19; SH21]. Bislang wurden zur Erkennung von solchen Anomalien manuelle Verfahren verwendet; Machine-Learning-Konzepte können eine automatisierte und adaptive Alternative darstellen. Hierfür wird die Implementierung eines Isolation Forests mit dem Ansatz von Leloux [Le20] hinsichtlich des methodischen Aufbaus verglichen. Zur Bewertung der verschiedenen Ergebnisse werden exemplarische Ertragsdaten von einzelnen Anlagen analysiert. Der vorliegende Datensatz besteht aus den jeweiligen Erträgen der Anlagen in fünfminütigen Intervallen sowie den nötigen Stammdaten von Photovoltaikanlagen im Südwesten Deutschlands. Die Gegenüberstellung der Verfahren zeigt, dass die Anomalieerkennung durch Isolation Forests Betriebsstörungen von Photovoltaikanlagen automatisch identifizieren kann.