Abstract
Um fehlerbedingte Ausfälle von PV-Anlagen zu vermeiden, hat die Zuverlässigkeitsprüfung und Modellierung neuartiger Materialkombinationen für die Photovoltaik (PV) in den letzten Jahren
stark an Bedeutung gewonnen. In dieser Arbeit, die im Rahmen des Forschungsprojekts ADVANCE! durchgeführt wurde, stellen wir einen Bilddaten-basierten Deep-Learning-Ansatz zur
Extraktion degradationsrelevanter Informationen aus gealterten PV-Modulen vor. Grundlage der Arbeit ist eine umfassende Datenbank, die im Rahmen des Projekts INFINITY aufgebaut wurde und
umfangreiche zeitaufgelöste Mess- und Charakterisierungsdaten von gealterten PV-Modulen enthält, welche definierten beschleunigten Alterungsszenarien unterzogen wurden.
Elektrolumineszenzbilder dienen hier als Input für die Entwicklung und Anwendung eines Deep-Learning-Ansatzes zur Extraktion der Degradationsparametern. Für die Klassifizierung und
Lokalisierung von Defekten verwenden wir eine Mask-R-CNN-Architektur, die eine parallele Segmentierung und Klassifizierung einzelner Fehlerinstanzen ermöglicht. Die extrahierten
Informationen können für eine anschließende statistische Analyse verwendet werden, um Vorhersagen über die Lebensdauer eines PV Moduls unter verschiedenen klimatischen Bedingungen zu
treffen. Obwohl die Anzahl der Bilder vergleichsweise gering ist und die Verteilung der Fehler im Datensatz nicht gleichmäßig ist, zeigen die vorliegenden Ergebnisse das Potenzial unseres
Ansatzes.
stark an Bedeutung gewonnen. In dieser Arbeit, die im Rahmen des Forschungsprojekts ADVANCE! durchgeführt wurde, stellen wir einen Bilddaten-basierten Deep-Learning-Ansatz zur
Extraktion degradationsrelevanter Informationen aus gealterten PV-Modulen vor. Grundlage der Arbeit ist eine umfassende Datenbank, die im Rahmen des Projekts INFINITY aufgebaut wurde und
umfangreiche zeitaufgelöste Mess- und Charakterisierungsdaten von gealterten PV-Modulen enthält, welche definierten beschleunigten Alterungsszenarien unterzogen wurden.
Elektrolumineszenzbilder dienen hier als Input für die Entwicklung und Anwendung eines Deep-Learning-Ansatzes zur Extraktion der Degradationsparametern. Für die Klassifizierung und
Lokalisierung von Defekten verwenden wir eine Mask-R-CNN-Architektur, die eine parallele Segmentierung und Klassifizierung einzelner Fehlerinstanzen ermöglicht. Die extrahierten
Informationen können für eine anschließende statistische Analyse verwendet werden, um Vorhersagen über die Lebensdauer eines PV Moduls unter verschiedenen klimatischen Bedingungen zu
treffen. Obwohl die Anzahl der Bilder vergleichsweise gering ist und die Verteilung der Fehler im Datensatz nicht gleichmäßig ist, zeigen die vorliegenden Ergebnisse das Potenzial unseres
Ansatzes.
Originalsprache | Deutsch (Österreich) |
---|---|
Publikationsstatus | Veröffentlicht - Okt. 2021 |
Veranstaltung | Österreichische Fachtagung für Phototovoltaik und Stromspeicherung - Wien, Österreich Dauer: 13 Okt. 2021 → … https://pvaustria.at/fachtagung-pv-speicher/ |
Konferenz
Konferenz | Österreichische Fachtagung für Phototovoltaik und Stromspeicherung |
---|---|
Land/Gebiet | Österreich |
Zeitraum | 13/10/21 → … |
Internetadresse |