Nieuwe fotovoltaïsche (PV) technologieën zijn bijzonder efficiënt en productief. Ze gaan bovendien tot 25 jaar en langer mee. Het nadeel is evenwel dat die PV-technologieën permanent onderhoud nodig hebben om op volle capaciteit te draaien, terwijl de bestaande onderhoudstechnieken niet betrouwbaar genoeg zijn om fouten te detecteren. Het gevolg: ongeveer 30% van de installaties presteert niet op volle kracht.

Het ANALYST PV-consortium zal daarom een nieuw systeem ontwikkelen om die fouten sneller te detecteren. Internet of Things (IOT)-sensoren, AI-gestuurde probleemanalyse en automatische beeldanalyse vormen de basis voor het systeem. Het prototype zal de kracht van data gebruiken om het permanente beheer en onderhoud van PV-installaties te vereenvoudigen

Status

Lopend project

De huidige PV-controlesystemen schieten tekort

Fotovoltaïsche technologieën zijn niet meer weg te denken in de overgang naar volledig hernieuwbare energiebronnen. In 2019 bedroeg het wereldwijde productievermogen van fotovoltaïsche installaties zo’n 500 GW en naar verwachting ronden we in 2022 de kaap van 1 TW. Om PV-installaties te bouwen, doen bedrijven forse investeringen die ze moeten terugverdienen tijdens de 25 jaar waarin de installaties operationeel zijn. Dat een groot deel van de bestaande PV-installaties niet op volle capaciteit draait – mogelijk omdat de bestaande onderhoudstechnieken en controlesystemen niet betrouwbaar genoeg zijn – vormt echter een groot probleem voor bedrijven. Er is dus een nieuw onderhoudssysteem nodig om het rendement van hun investeringen te verhogen.

Analyst PV

De kracht van automatisering en machine learning

De meeste controle- en onderhoudssystemen meten permanent de prestaties van de PV-cellen, maar hun resolutie is te laag om exact te detecteren wat de oorzaak van eventueel energieverlies is. De gegevens moeten bovendien manueel in de systemen worden ingevoerd. Dat is een tijdrovende bezigheid én het houdt een groot risico op onjuiste configuratie in. Daarnaast worden drones ingezet om vanuit de lucht met infraroodscans bijkomende informatie te verzamelen over de PV-cellen. De bestaande beeldanalysealgoritmen leveren echter veel vals-positieve resultaten op.

Deze tekortkomingen bieden mogelijkheden voor de ontwikkeling van een zelflerende oplossing: een controlesysteem met hoge resolutie op basis van data van IoT-sensoren en een mix van gewone en infraroodbeelden.

ANALYST PV

De ‘digital twin’-methode: een combinatie van sensor- en beeldgegevens

Het ANALYST PV-consortium bestaat uit verschillende partijen die betrokken zijn in de verschillende fases van de waardeketen van PV-installaties. Ze doen een beroep op de expertise van EnergyVIlle/imec in detectie- en analysealgoritmen om 4 innoverende doelstellingen te behalen:

  1. Met machine learning een geautomatiseerde digitale dubbelganger van de PV-installatie (een zogeheten ‘digital twin’) ontwikkelen als basis voor een snel foutdetectiesysteem.
  2. Een geautomatiseerd, efficiënt en betrouwbaar algoritme creëren voor foutdetectie in PV-installaties.
  3. Het nieuwe systeem valideren en de voordelen ervan meten.
  4. De waarnemingen van het systeem koppelen aan een besluitvormingsmechanisme dat op basis van gegevens over levensduur, vermogen en opbrengstverlies mogelijke herstel- of vervangacties voorstelt.

Minder manueel werk, hoger rendement

Het nieuwe systeem van het ANALYST PV-consortium zal het aantal manuele handelingen, en dus ook het aantal werkuren gewijd aan PV-onderhoud, gevoelig verlagen. De automatisering van de foutdetectie en verbeteringsprocessen zal het rendement van de PV-installaties bovendien de hoogte injagen.

“Het ANALYST PV-consortium zal een nieuw systeem voor foutdetectie ontwikkelen op basis van Internet of Things (IOT)-sensoren, AI-gestuurde probleemanalyse en automatische beeldanalyse. De doelstelling is het beheer en de prestaties van fotovoltaïsche installaties verbeteren.”

Eszter Voroshazi

Contact

Eszter Voroshazi

R&D team leader - PV Module Technologies at EnergyVille/imec