Künstliche Intelligenz in der Photovoltaik

1. Mai 2019

Künstliche Intelligenz ist keine Mode, die in wenigen Monaten wieder verschwindet. Der Einsatz Künstlicher Intelligenz verändert ganze Industrien. Die Frage ist, welche Anwendungsfälle denkbar, nützlich und profitabel sind. Wir wollen auf der Intersolar Europe am 15. Mai um 15 Uhr mit dem Physiker Nicolas Hoyer diskutieren, was Künstliche Intelligenz für die Photovoltaik-Branche bedeutet. Im folgenden Blogbeitrag verdeutlicht Nicolas Hoyer als Gastautor, was Künstliche Intelligenz charakterisiert und wie ihr Einsatz in der Photovoltaik Mehrwert liefern kann.


Was ist künstliche Intelligenz?


Der Begriff Künstliche Intelligenz ist im aktiven Sprachschatz unserer Gesellschaft angekommen. Medien, Gewerkschaften, Regierungen, Hausmänner und Schulkinder sprechen von KI, AI oder Deep Learning. Die IT-Branche spricht darüber hinaus von machine learning. Wie hängen diese Begriffe zusammen? Vereinfacht gesagt ist machine learning die Anwendung Künstlicher Intelligenz. Die künstliche Intelligenz besteht beim machine learning darin, dass ein Algorithmus aus Daten ein bestimmtes Verhalten lernt. Eine gutes Beispiel für machine learning ist, wenn eine Maschine die Handschrift eines Menschens erkennen lernt. Dieses machine learning funktioniert in Form eines supervised learning. Der Maschine werden hier zum Lernen Buchstaben in Bildform und deren Bedeutung als Buchstabe in Reinform vorgesetzt. Das Gegenteil des supervised learnings ist das unsupervised learning. Bei dieser Form können Maschinen durch “Beobachtung” in großen Datensätzen Anomalien oder Cluster entdecken und müssen nicht explizit mit aufbereiteten Daten trainiert werden.

Darüber hinaus gibt es weitere Techniken. Eine große Bekanntheit hat das reinforcement learning erlangt. Die immer mal wieder in den Medien auftauchenden Systeme Alpha Go und Open AI nutzen einen Algorithmus, der durch Bestärkung dazu lernt. Diese Bestärkung erfährt die Maschine zum Beispiel durch den Sieg in einem Go-Spiel oder durch die ersten Schritte einer zurückzulegenden Strecke. Diese machine learning Methoden haben eines gemeinsam: Sie fußen erstens nicht auf strikten wenn-dann-Regeln. Zweitens werden beim Machine learning die einzelnen Software-Bausteine zu Netzen zusammengesetzt, was dem System ermöglicht, zu lernen. Bei der Verwendung von tiefen also größeren neuronalen Netzen spricht man von deep learning. Damit ein solches System hinreichend gut funktioniert, muss es aus Daten lernen. Je mehr desto besser.

 

Anwendungen Künstlicher Intelligenz in der Photovoltaik

Was helfen einem nun diese machine learning Methoden, wenn man einen Solarpark baut? Und welche Daten können Solarpark Betreiber künftig nutzen? Allgemein gesprochen lassen sich aus den im Park ohnehin vorhandenen Daten “unsupervised” Anomalien erkennen. Diese liessen sich weiter analysieren und vielleicht benennen. Eine erkannte Anomalie wäre beispielsweise der Einsatz eines Reinigungsteams, dass die Module eines nachführenden Tracker-Systems reinigt. Die Maschine würde anhand der für die Reinigung charakteristischen Anstellwinkel das Muster einer Reinigung erkennen und benennen. Der gesunkene Ertrag würde automatisch erklärbar.

Diese grundsätzliche Vorgehensweise läßt sich leicht auf komplexere Vorgänge übertragen wie zum Beispiel die Auswertungen aufgenommener Ströme von Elektromotoren oder Leistungen von Strings. Nach einer technischen Analyse lassen sich diese Anomalien clustern und nach einem weiteren “supervised” Lernprozess automatisch erkennen. Funktioniert dieses Erkennen, können nicht nur Anomalien als “etwas ist auffällig” geloggt werden, sondern gleich mit ihrer erlernten Klassifizierung. Ein länger andauernder Leistungseinbruch nur eines Strings wird sich möglicherweise nicht durch eine Verschattung durch Wolken erklären lassen. Etwas visionärer könnten sich in naher Zukunft von Drohnen generierte Thermografie-Bilder zum Identifizieren von hot spots Aussagen über die Verschmutzung oder zur Objektsicherung treffen lassen. Mittels supervised learning sind problemlos Fußgänger von Vögeln oder Rollbüschen zu unterscheiden. Oder von Menschen, die unerlaubterweise Solarpanels demontieren.

 

Was bedeutet das für Projektierer?

Einige der skizzierten Aufgaben erscheinen trivial. Und ob eine Überwachung oder ein Monitoring über eine KI oder einen Menschen oder schlicht gar nicht notwendig ist, entscheiden final die Kosten, gerade im Betrieb. KIs bieten den Vorteil, kontinuierlich überwachen zu können und dann auch möglicherweise automatisch Alarme auszulösen, was sicherlich ein nicht zu verachtender Vorteil ist. Eine notwendige Voraussetzung sind das Vorhandensein von Daten in hinreichender Quantität und Güte. Um zukünftige Auswertungen und den Einsatz von KI-Technologien nicht zu verbauen oder verhältnismäßig kostenintensiv Sensorik nachträglich einbauen zu müssen, erscheint es am Sinnvollsten, bei jeder neuen Anlage die systematische Datenerhebung direkt einzuplanen. Geringe Mehrkosten bei der Entwicklung und Hardware ermöglichen später ein effizientes Monitoring, das bei gegebenen Erträgen Fehlerkosten, Stillstände und Leistungseinbrüche minimiert.



Eckdaten Event


KI-Talk auf der Intersolar Europe 2019
Mounting Systems
Halle A3, Stand 340 (A3.340)
15. Mai, 15 Uhr
zur Facebook Event Page

Zum Autor

Nicolas Hoyer ist Physiker und Gründer des KI Startups www.percept-x.com, das Maschinen deep learning zur Erkennung von Anomalien beibringt. Nicolas lebt und arbeitet in Hamburg.


Zur Messe

Finden Sie hier unsere Themen auf der Intersolar
Finden Sie hier die Schwerpunkte der diesjährigen Intersolar

Zur Newsübersicht Nächster Beitrag