A lightweight multi-scale deep learning approach for robust photovoltaic fault detection under noisy conditions

Solaranlagen sind die stillen Arbeitspferde der modernen Energiewende, da sie Sonnenlicht ohne bewegliche Teile oder Rauch in Elektrizität umwandeln. Doch wie jede komplexe Maschine sind auch sie anfällig für Ausfälle. Ein einzelner gebrochener Draht, ein Schattenwurf durch einen nahen Baum oder eine defekte Komponente können die Leistung eines gesamten Systems herabziehen und somit Energie und Geld verschwenden. Die Herausforderung für Ingenieure bestand lange darin, genau zu bestimmen, was das Problem ist und wie schnell es auftritt, insbesondere wenn die Daten der Paneele unordentlich sind. Sensoren erfassen oft zufälliges Rauschen, Kalibrierungsfehler oder plötzliche elektrische Spitzen, die wie Fehler aussehen, aber lediglich Störungen sind. Zwischen einem echten Problem und einem Messfehler zu unterscheiden, war ein schwieriges Rätsel, das oft teure Ausrüstung oder langsame, manuelle Inspektionen erforderte, die dazu führten, dass Systeme zu lange ineffizient liefen.

Ein Team von Forschern der Kookmin University in Südkorea hat einen neuen Weg entwickelt, um dieses Problem zu lösen, indem sie ein digitales System geschaffen haben, das diese Probleme mit bemerkenswerter Geschwindigkeit und Genauigkeit erkennt, selbst wenn die Daten unvollkommen sind. Sie entwickelten ein spezielles Computerprogramm, das wie ein hochqualifizierter Diagnostiker fungiert. Anstatt sich auf eine einzige Methode zur Analyse der Daten zu verlassen, nutzt dieses Programm einen hybriden Ansatz, der die Art und Weise imitiert, wie ein menschlicher Experte ein Problem gleichzeitig aus mehreren Blickwinkeln untersuchen würde. Es sucht nach kleinen, lokalen Mustern in den elektrischen Signalen und versteht gleichzeitig den breiteren Kontext, wie diese Signale im Zeitverlauf miteinander zusammenhängen. Diese duale Perspektive ermöglicht es dem System, das Hintergrundrauschen zu ignorieren und sich auf die wahren Anzeichen von Problemen zu konzentrieren.

Das System, das die Forscher BLGSNet nannten, wurde an einem Datensatz getestet, der sechs verschiedene Zustände einer Solaranlage darstellt: Normalbetrieb, eine unterbrochene Panel-Reihe (String), ein Erdschluss, ein Kurzschluss zwischen den Reihen, eine defekte Komponente und Teilverschattung. In einer perfekten, rauschfreien Umgebung identifizierte das System den Zustand der Paneele zu 99,36 % korrekt. Dies ist eine hohe Hürde, doch der wahre Test kam, als die Forscher realistische Interferenzen einführten. Sie simulierten die Art von Sensorfehlern und elektrischem Rauschen, die in der realen Welt vorkommen, indem sie zufälliges Rauschen und plötzliche Spitzen in die Daten einfügten. Selbst als die Daten durch Rauschen auf einem Niveau von 10 % korrumpiert wurden, behielt das System eine Genauigkeit von 98,08 % bei. Als das Rauschen auf ein herausforderndes Niveau von 15 % erhöht wurde, konnte es die Fehler immer noch in 94,87 % der Fälle korrekt diagnostizieren. Diese Stabilität ist entscheidend, da dies bedeutet, dass das System nicht mit komplexen, langsamen Filtern kombiniert werden muss, um die Daten vorab zu bereinigen; es kann direkt mit der Unordnung umgehen.

Was diesen Ansatz besonders effektiv macht, ist sein Design. Die Forscher kombinierten zwei verschiedene Arten der digitalen Verarbeitung. Ein Teil des Systems scannt die Daten gleichzeitig mit drei verschiedenen „Linsen“, wobei es nach Mustern sucht, die sehr kurz, mittel oder etwas länger sind. Dies ermöglicht es, Fehler zu erfassen, die je nach genauer Betrachtung unterschiedlich aussehen können. Der andere Teil des Systems nimmt diese Ergebnisse und betrachtet sie sowohl vorwärts als auch rückwärts, um zu verstehen, wie die elektrischen Merkmale in einer Sequenz miteinander verbunden sind. Diese Kombination ermöglicht es dem System, den einzigartigen „Fingerabdruck“ eines Fehlers zu erlernen, ohne durch das umgebende Rauschen verwirrt zu werden. Im Gegensatz zu älteren Methoden, die oft Schwierigkeiten haben, wenn die Daten „schmutzig“ werden, oder enorme Rechenleistung erfordern, ist dieses neue Design leichtgewichtig. Es ist klein genug, um auf einem kompakten, stromsparenden Computer in der Größe einer Kreditkarte zu laufen, bekannt als NVIDIA Jetson Nano, der in den Labortests des Teams verwendet wurde.

Um zu beweisen, dass das System außerhalb einer Computersimulation funktioniert, baute das Team einen kleinen Solaraufbau in ihrem Labor. Sie verbanden zwei Solarpaneele mit einer Batterie und einem Wechselrichter und führten das System durch verschiedene Fehlerzustände, einschließlich unterbrochener Kabel und künstlicher Verschattung. Das System verarbeitete die Live-Daten in Echtzeit und stellte eine Diagnose in weniger als 19 Millisekunden. Diese Geschwindigkeit ist schnell genug, um sofortige Maßnahmen zu ermöglichen. Wenn das System ein Problem erkennt, sagt es nicht nur: „Etwas ist falsch“. Es übersetzt diesen Befund in einen klaren, handlungsorientierten Plan. Wenn es einen String-Fehler identifiziert, empfiehlt es, die Verkabelung und die Sicherungen zu überprüfen. Wenn es eine Teilverschattung feststellt, schlägt es vor, nach Ablagerungen oder Hindernissen auf der Oberfläche des Paneels zu suchen. Diese Entscheidungsunterstützungsebene verwandelt einen Rohdatenpunkt in eine praktische Anweisung für einen Wartungsmitarbeiter.

Die Forscher verglichen ihr neues System auch mit mehreren bestehenden Methoden, einschließlich traditioneller maschineller Lernmodelle und anderer Deep-Learning-Netzwerke. Die Ergebnisse zeigten, dass andere Modelle unter sauberen Bedingungen zwar gut abschneiden konnten, ihre Genauigkeit jedoch signifikant sank, sobald Rauschen eingeführt wurde. Das neue System hingegen blieb robust. Es erreichte diese hohe Leistung bei deutlich geringerem Rechenaufwand als seine Konkurrenten, wobei es weniger als die Hälfte des Speichers und nur einen Bruchteil der Rechenleistung anderer fortschrittlicher Modelle benötigte. Diese Effizienz deutet darauf wir, dass eine solche Technologie weit verbreitet eingesetzt werden könnte, selbst bei kleinen oder abgelegenen Solaranlagen, an denen keine leistungsstarken Computer verfügbar sind.

Obwohl die Ergebnisse vielversprechend sind, weisen die Forscher vorsichtig auf die Grenzen ihrer derzeitigen Arbeit hin. Die Tests wurden an einem relativ kleinen Datensatz und einem begrenzten Zwei-Panel-Setup in einer kontrollierten Laborumgebung durchgeführt. Die „Realwelt“-Daten, die sie zur weiteren Validierung verwendeten, wurden mithilfe regelbasierter Labels generiert und nicht durch verifizierte Wartungsberichte aus tatsächlichen Feldausfällen. Dies bedeutet, dass das System noch nicht über Jahre des Betriebs unter verschiedenen Wetterbedingungen in großen Solarparks getestet wurde. Die Konsistenz der Ergebnisse über verschiedene Rauschpegel hinweg und die erfolgreiche Echtzeit-Demonstration auf physischer Hardware bieten jedoch eine starke Grundlage. Die Arbeit zeigt, dass es möglich ist, ein Fehlererkennungssystem zu bauen, das nicht nur genau, sondern auch resilient gegenüber der unvollkommenen, verrauschten Realität der physischen Welt ist, und bietet einen Weg zu zuverlässigeren und selbsterhaltenden Solarnetzwerken.