Bei der Erzeugung von Energie aus regenerativen Quellen wie Wind, Sonne oder Biomasse werden - je nach Komplexität des zugrunde liegenden Prozesses - kontinuierlich eine Fülle verschiedener Mess- bzw. Kennwerte erfasst. Aus wirtschaftlicher Sicht ist vor allem der Ertrag, also die Menge erzeugter und ins Netz eingespeister Energie, relevant.
Für die ständige Verbesserung des Anlagenbetriebes beispielsweise in einem Solarpark lassen sich jedoch eine Reihe weiterer Daten nutzen. Aufgrund der dezentralen räumlichen Verteilung und den damit verbundenen hohen Kosten für die Sensorik werden meist nur an wenigen Komponenten einer Anlage Sensoren installiert. Ausfälle einzelner Module oder Modulgruppen etwa lassen sich deshalb nicht direkt messen und können nur durch aufwändige manuelle Inspektionen erkannt werden.
"Die Universität Leipzig untersucht daher, mit welchen Algorithmen und Verfahren die schon heute erhobenen Messdaten genutzt werden können, um Betreiber auf Anomalien und Störungen in ihren Anlagen hinzuweisen. Hierfür werden verschiedene, weitgehend parameterarme, selbstlernende Verfahren und Algorithmen eingesetzt", erklärt Kühne.
In einem exemplarisch untersuchten Park, in dem Solarmodule auf zweiachsigen Nachführungssystemen (Tracker) installiert sind, sei es so beispielsweise möglich, innerhalb von sieben Tagen festzustellen, ob einzelne Tracker ausgefallen sind. Damit könnten ohne zusätzliche Investitionen in Sensorik oder sonstige Hardware wirtschaftlich relevante Ertragsausfälle vermieden werden.
Das Projekt EUMONIS ist eine Innovationsallianz zur Entwicklung einer Software- und Systemplattform für Energie- und Umweltmonitoringsysteme. Es wird vom Bundesministerium für Bildung und Forschung (BMBF) gefördert. Im Rahmen dieser Allianz werden gezielt Kooperationen unterstützt, die auf das Anwendungsfeld Erneuerbare Energien ausgerichtet sind.