Fehlererkennung und -diagnose in Photovoltaikanlagen mithilfe künstlicher Intelligenz und Zeit-Frequenz-Analyse

Solarkraft reibungslos am Laufen halten

Mit der Ausbreitung von Solarmodulen auf Dächern und in Wüsten wird es immer wichtiger, ihre Leistungsfähigkeit zu erhalten. Verborgene Probleme — etwa Fehler in der Verkabelung oder verschattete Module — können über lange Zeit stillschweigend Leistung und Ertrag schmälern, bevor sie bemerkt werden. Diese Studie untersucht einen neuen Ansatz, um den "Herzschlag" einer Solaranlage automatisch mit fortgeschrittenen Mustererkennungswerkzeugen der künstlichen Intelligenz zu überwachen. Ziel ist es, Störungen frühzeitig aufzuspüren, selbst wenn die Daten wie im realen Betrieb verrauscht und unordentlich sind.

Warum Solarsysteme fehlerhaft arbeiten können

Große Solarparks bestehen aus vielen miteinander verbundenen Modulen, und kleine Probleme können sich aufsummieren. Einige Zellen können kurzgeschlossen sein, ganze Stränge falsch verkabelt werden oder Teilbereiche durch Bäume, Schmutz oder benachbarte Gebäude verschattet sein. Solche Probleme verändern den zeitlichen Verlauf der elektrischen Größen — Einstrahlung, Modultemperatur, Spannung, Strom und Leistung — über den Tag hinweg. Klassischerweise suchen Ingenieure mit Wärmebildkameras, visuellen Inspektionen oder handgefertigten Regeln nach diesen Fehlern. Diese Methoden sind arbeitsintensiv, können subtile Probleme übersehen und haben oft Schwierigkeiten, wenn mehrere Fehler gleichzeitig auftreten oder wenn Sensoren alt und verrauscht sind.

Zahlen in Bilder verwandeln, die der Computer lesen kann

Die Forschenden schlagen eine ungewöhnliche Wendung vor: Statt Rohzahlen direkt in einen Rechner zu geben, wandeln sie die elektrischen Messungen zunächst in kleine, bildähnliche Karten um, die erfassen, wie sich die Signale über Zeit und Frequenz ändern. Sie verwenden ein mathematisches Werkzeug, die Wigner–Ville-Verteilung, die Muster wie plötzliche Sprünge, langsame Drifts oder wiederkehrende Schwingungen offenbaren kann — Merkmale, die auf unterschiedliche Fehlerarten hinweisen. Für jeden System-Snapshot werden fünf Schlüsselgrößen — Einstrahlung, Temperatur sowie Spannung, Strom und Leistung am Maximum-Power-Punkt — jeweils in einen Streifen farbiger Blöcke über etwa eine Stunde umgewandelt. Diese Streifen sowie ein sechster, der sie zusammenführt, werden zu einer kompakten 6×12-Kachel gestapelt. Jede Kachel ist ein visueller Fingerabdruck des Verhaltens der Anlage in diesem Moment.

Einem digitalen Inspektor das Lesen der Muster beibringen

Sobald die Daten wie kleine Bilder aussehen, kann das Team eine Klasse von KI-Modellen anwenden, die in der Bildanalyse besonders leistungsfähig sind: Convolutional Neural Networks. Zunächst erstellen sie ein detailliertes digitales Modell eines 30-Modul-Arrays und simulieren 17 verschiedene Betriebszustände: einen gesunden Zustand und 16 Fehlertypen, von einigen kurzgeschlossenen Modulen bis hin zu weit verbreiteter Teilverschattung und komplexen Leitungsfehlern zwischen Strängen. Für jeden Fall und bei klarem wie bei bewölktem Himmel erzeugen sie lange, realistische Sensordatenreihen, wandeln diese in 6×12-Karten um und versehen sie mit Labels entsprechend dem zugrunde liegenden Fehler. Das Convolutional Network lernt dann aus Tausenden von Beispielen, welche Anordnungen von Farbe und Form in diesen Karten jeweils einem konkreten Problem entsprechen. Parallel testen die Autoren auch einfachere neuronale Netze und klassische Machine-Learning-Methoden wie Support Vector Machines und Random Forests, alle auf denselben transformierten Daten trainiert, um zu vergleichen, welche Methode am genauesten und robustesten ist.

Die Methode unter verrauschten Bedingungen prüfen

In perfekt sauberen Simulationen erreichen traditionelle neuronale Netze, die direkt mit den fünf numerischen Eingängen arbeiten, nahezu fehlerfreie Genauigkeiten — über 99 % — bei der Unterscheidung der verschiedenen Fehler. Das bildbasierte Convolutional Network schneidet ebenfalls sehr gut ab, mit einer Genauigkeit knapp über 97 %. Solaranlagen existieren jedoch nicht in einer perfekten Welt: Sensoren altern, das Wetter ist unvorhersehbar und Messungen werden verrauscht. Wenn die Forschenden bewusst realistischen Jitter in Einstrahlung, Temperatur, Spannung, Strom und Leistung einfügen, ändern sich die Rangfolgen deutlich. Die einfacheren Netze verlieren viel von ihrem Vorsprung und fallen in den niedrigen 80-%-Bereich oder darunter. Im Gegensatz dazu hält das Convolutional Network, das auf die strukturierten Zeit-Frequenz-Karten schaut, bei normalen Rauschpegeln rund 90 % Genauigkeit und erkennt die meisten Fehler weiterhin korrekt, selbst wenn das Rauschen verdreifacht wird, um sehr alte oder minderwertige Sensoren zu simulieren.

Was das für künftige Solarparks bedeutet

Für den allgemeinen Leser lautet die Schlussfolgerung, dass die Art und Weise, wie wir Informationen einem KI-Modell präsentieren, genauso wichtig ist wie das Modell selbst. Indem die Autoren Rohdaten aus Photovoltaikanlagen in kompakte Bilder verwandeln, die sowohl zeitliche als auch frequenzmäßige Veränderungen erfassen, ermöglichen sie einen digitalen Inspektor, der nicht nur in idealen Bedingungen genau ist, sondern auch robust genug, um die unordentlichen Daten realer Anlagen zu verarbeiten. Ihr Ansatz kann automatisch ein gesundes Array von vielen ähnlich aussehenden Fehlertypen unterscheiden, mit minimalem Bedarf an handgefertigten Regeln. In der Praxis könnte ein solches System im Hintergrund eines großen Photovoltaikparks laufen, Betreiber frühzeitig über konkrete Probleme informieren, Ausfallzeiten reduzieren und Solarenergie langfristig zuverlässiger und kosteneffizienter machen.

Zitation: Seghiour, A., Bendjeddou, Y., Mostefaoui, I.M. et al. Fault detection and diagnosis in photovoltaic systems using artificial intelligence and time–frequency analysis. Sci Rep 16, 10056 (2026). https://doi.org/10.1038/s41598-026-39386-7

Schlüsselwörter: Fehlererkennung in Solaranlagen, Überwachung von Photovoltaik, Zeit-Frequenz-Analyse, Convolutional Neural Networks, Diagnostik erneuerbarer Energien