#873791

PANAMA Prescriptive analytics and advanced work force management for optimized O&M of solar power plants

Im Rahmen des Projekts PANAMA wird eine Betriebs- und Wartungssuite (O&M) für Solarkraftwerke entwickelt, validiert und in realer Betriebsumgebung getestet. Die O&M Suite basiert auf Methoden der präskriptiven Wartung, statistischer Datenanalyse der Leistungsdaten, Algorithmen für maschinelles Lernen, künstlicher Intelligenz (KI) und mobilen Workforce-Management-Tools.

Ausgangssituation

Ausfälle beim Betrieb eines Solarkraftwerks führen oft zu unerwarteten Betriebsstörungen sowie Produktions- und Einkommensverlusten. Bei 55% der Wartungsarbeiten handelt es sich um reaktive Wartungsarbeiten. Auf regelmäßige und geplante Wartungsarbeiten, die sogenannte „vorbeugende Wartung“, entfallen aktuell 31% und auf vorausschauende Wartungsarbeiten 12%. Die unterschiedlichen Typen von Wartungsarbeiten basieren auf drei Datenanalysetechniken: beschreibend (was passiert ist), diagnostisch (warum es passiert ist) und vorhersagend (was passieren wird). All dies hilft jedoch nur in begrenztem Umfang. Es liegt daher im Interesse der Eigentümer und Betreiber von Solarkraftwerken, die unterschiedlichen Herangehensweisen und Analysemethoden zu einem lösungsorientierten Wartungsansatz zusammenzuführen, der eine Antwort auf die Frage bietet: Welche Maßnahmen ergriffen werden sollten?
Die „präskriptive Wartung“ liefert Handlungsempfehlungen basierend auf früheren Ergebnissen, bei denen eine empfohlene Vorgehensweise zu einem bestimmten Ergebnis führte. Die „präskriptive Wartung“ kommt ins Spiel, wenn sie mittels künstlicher Intelligenz (KI) und maschinellen Lernens, Handlungsempfehlungen generieren kann, welche die Fähigkeit und den Wissenstand des Technikers erweitern.

Projektverlauf

PANAMA umfasst neben dem Arbeitspaket (WP) für Projektmanagement und Verwertung (WP1), fünf weitere Arbeitspakete, die den geplanten Projektverlauf und die damit verbundenen Meilensteine, im Folgenden näher beschreiben.

WP2: Failure detection/degradation algorithms
Anhand von Echtzeitdaten aus realen Systemen werden Routinen zur Diagnose von Fehlern auf Modul-, Array- und Wechselrichterebene entwickelt sowie Algorithmen zur frühzeitigen Erkennung und Klassifizierung von Fehlern und Leistungsabfall von PV Anlagen. Zur Erkennung der Systemleistungsabweichung dient ein digitaler Zwilling, basierend auf datengesteuerten Algorithmen für maschinelles Lernen.

WP3: Prescriptive maintenance tool
Ziel ist der Entwurf eines integrierten Optimierungswerkzeugs, durch Kombination von generierten Prognosemodellen und Wartungsauswahlmodellen. Ziel ist es, Wartungskosten zu reduzieren, Leistung zu steigern und somit Umsatzsteigerungen zu erzielen. Das Tool verwendet dazu Eingabeparametern wie z.B. Wetterbedingungen, Vorhersagen der PV-Stromerzeugung, Verfügbarkeit des Personals. Ebenso fließen die im Rahmen von WP2 erarbeiteten Daten zum Zustand der PV-Anlage sowie Leistungsindizes mit ein.

WP4: Mobile work force management tool
Die Ergebnisse der präskriptiven Analyse aus WP3 sowie die Algorithmen aus WP2 fließen anschließend in das Design eines mobilen Work Force Management Tools ein, das einen ganzheitlichen Ansatz für die Betriebs- und Wartungsarbeiten von PV-Kraftwerken verfolgt. Somit kann die Verwaltung unterschiedlicher Standorte sowie das Datenmonitoring und die Analyse (unterstützt durch KI und maschinelles Lernen) über eine integrierte Plattform erfolgen.

WP5: Integration and field validation
WP 5 behandelt die Integration aller Subsysteme, basierend auf einem spezifischen Integrationsplan, sowie die Validierung (Labor und Feld) der vorgeschlagenen Algorithmen und notwendige Anpassungen. Das Work Force Management Tool wird im in einem vom Partner INSOS betriebenen Solarkraftwerk mit 6,6 MWp getestet.

WP6: Evaluation and recommendations
Im Rahmen von WP 6 werden die Ergebnisse aus WP5 evaluiert und Empfehlungen für die Vermarktung des Endprodukts erarbeitet. Dazu werden eine Kosten-Nutzen-Analyse des Produkts erstellt, die Testergebnisse aus WP5 hinsichtlich der Erreichung unterschiedlicher KPIs evaluiert, eine Roadmap für die Vermarktung des Produkts sowie weitere Empfehlungen erarbeitet.

Meilensteine

  1. - Failure detection / degradation algorithms
  2. - Prescriptive maintenance tool
  3. - Mobile work force management tool
  4. - Integration and field validation
  5. - Evaluation and recommendations

"Die präskriptive Wartung und der automatisierte Betrieb von Photovoltaik-Kraftwerken sind zentrale Elemente einer möglichst kostengünstigen und verlässlichen Bereitstellung erneuerbarer Energie. "

– Stephan Abermann –

Ergebnisse

Die O&M Suite als präskriptives Instandhaltungswerkzeug soll, mit Hilfe von Algorithmen des maschinellen Lernens und KI, Fehler erkennen, diese lokalisieren und den technischen Teams vor Ort die notwendigen Handlungsempfehlungen geben, welche ihnen helfen, das Problem auf angemessene Art und Weise und in angemessener Zeit zu lösen. Falls erforderlich, sollen die Arbeiten auch automatisch zugewiesen werden. Das entwickelte Tool wird technischen Teams an unterschiedlichen Standorten, zusätzlich mit Hilfe von Visualisierungsfunktionen und Online-Anleitungen, bei der Lösung von Problemen beim Betrieb von Solarkraftwerken unterstützen.

Steckbrief