Optimal getrackte PV-Anlagen durch Deep Learning
Nachführende Photovoltaik-Anlagen mit Trackern führen zu einem Ertragsgewinn von 20 bis 30 Prozent im Vergleich zu fest montierten PV-Freiflächenanlagen. Zusätzlich könnten sie weitere Kriterien in ihrer Ausrichtung berücksichtigen, beispielweise den Lichtbedarf bestimmter Pflanzensorten unter Agri- und Biodiversitäts-Photovoltaik oder die Höhe der Einspeisevergütung zu bestimmten Uhrzeiten. Die Zimmermann PV-Tracker GmbH, ein Teil der Zimmermann PV-Steel Group, und das Fraunhofer-Institut für Solare Energiesysteme ISE optimieren im Forschungsprojekt »DeepTrack« diese Tracking-Algorithmen mit einem digitalen Zwilling, der durch Deep Learning optimierte Steuerungsansätze berechnet.
Lernen kann er unter anderem durch Daten seines »echten« Zwillings, gebaut durch Zimmermann PV-Tracker im Outdoor Performance Lab - dem Testfeld des Fraunhofer ISE in Merdingen.
Laut der vom Verband Deutscher Maschinen- und Anlagenbauer (VDMA) herausgegebenen International Technology Roadmap for Photovoltaic werden zukünftig weltweit 60 Prozent aller PV-Kraftwerke mit einem Tracker-System arbeiten. In Ländern mit starker Sonneneinstrahlung wie Spanien machen sie schon heute den größeren Anteil neugebauter PV-Freiflächenanlagen aus. Durch den Beschluss des Solarpaket I im Erneuerbare-Energie-Gesetz EEG wird auch in Deutschland ein starkes Wachstum an Agri-PV-Systemen mit PV-Trackern erwartet. »Gerade für die Agri-Photovoltaik mit ihren vielen unterschiedlichen Kulturen und Systemen sehen wir ein großes Potenzial für nachgeführte PV-Anlagen, deren Tracking-Algorithmus perfekt abgestimmt ist«, sagt Hannes Elsen, Produktmanager bei Zimmermann PV.
Im Forschungsprojekt »DeepTrack« baute das Unternehmen deshalb eine ihrer nachgeführten PV-Anlagen auf das Solartestfeld des Fraunhofer ISE für Messungen unter Freilandbedingungen. Das Projektkonsortium entwickelte darauf basierend einen digitalen Zwilling, der dank Deep Learning PV-Überwachungs- und Modellierungstools mit Wetterprognosen koppelt. So können die optimalen Trackingpositionen der PV-Module für unterschiedliche Bedarfe abgebildet werden.
»In einem ersten Schritt haben wir so Steuerungsabläufe entwickelt, die auf den optimalen Stromertrag bifazialer Solarmodule ausgerichtet waren oder genau auf die Bedürfnisse einer bestimmten Pflanze unter Agri-Photovoltaik«, erklärt Dr. Matthew Berwind, Teamleiter am Fraunhofer ISE. »Der nächste Schritt besteht nun darin, die beiden Ansätze so zu kombinieren, dass wir das Maximum aus beiden Gesichtspunkten herausholen. Diesen ‚Sweet Spot‘ zu berechnen ist herausfordernd, aber durch unser KI-basiertes Konzept möglich.«
Das Forschungsprojekt «DeepTrack», unterstützt durch das Förderprogramm InvestBW des Ministeriums für Wirtschaft, Arbeit und Tourismus Baden-Württemberg, ist bis Anfang 2025 angesetzt. In dieser Zeit können die Forscherinnen und Forscher das digitale Zwilling-Modell weiter verfeinern und validieren, indem sie es kontinuierlich mit tatsächlichen Leistungsdaten vergleichen, um die Zuverlässigkeit und Wirksamkeit dieser innovativen Technologie sicherzustellen.
Wissenschaftlicher Ansprechpartner:
Matthew Berwind, matthew.berwind@ise.fraunhofer.de
Weitere Informationen:
https://www.ise.fraunhofer.de/de/presse-und-medien/news/2024/optimal-getrackte-pv-anlagen-durch-deep-learning.html
Die semantisch ähnlichsten Pressemitteilungen im idw
