Temporale Graph-Netzwerke für Anomalieerkennung und Leistungsprognose bei PV
Mit dem rasanten Ausbau von Solaranlagen wächst der Bedarf an hochentwickelten Verfahren zur Leistungsüberwachung und frühzeitigen Anomalieerkennung. In einer neuen Studie wird ein innovativer Ansatz vorgestellt, der Temporal Graph Neural Networks (Temporal GNN) nutzt, um die Stromerzeugung von Photovoltaikmodulen präzise vorherzusagen und gleichzeitig Abweichungen im Betrieb zu erkennen.
Der vorgeschlagene Algorithmus modelliert die zeitlichen Beziehungen zwischen entscheidenden PV-Parametern – wie Einstrahlung, Modultemperatur und Umgebungstemperatur – in einem graphbasierten Netzwerk. Durch die Integration dieser Daten kann das System die elektrische Ausgangsleistung exakt prognostizieren und gleichzeitig potenzielle Fehlerquellen frühzeitig identifizieren.
Die Validierung erfolgte anhand von Messdaten eines Außeneinrichtungsprojekts auf einem Dach in Lyon, Frankreich. Dort wurden kontinuierlich Leistungswerte eines PV-Moduls zusammen mit meteorologischen Messungen erfasst. Die Ergebnisse zeigen, dass Temporal GNNs die Genauigkeit der Leistungsprognose deutlich steigern und Anomalien zuverlässig detektieren können – ein bedeutender Fortschritt für die Optimierung von Solarsystemen.