#VCOM Tomorrow - Die Zukunft der Alarmierung und PV-Überwachung
Das sind wohl die spannendsten und faszinierendsten Fragen, die mir in meiner täglichen Arbeit als Produktmanager gestellt werden. Das spornt uns an, nicht nur einen Schritt vorauszuschauen, um ein besseres Produkt zu entwickeln, sondern auch das Produkt selbst immer wieder neu zu gestalten, um ein besseres Nutzererlebnis zu schaffen. Und um die richtigen Antworten auf diese Themen zu finden, ist es unerlässlich, ein Stück zurück zu gehen. Klingt das widersprüchlich? Ganz und gar nicht. Als Kernstück einer jeden Überwachungssoftware sollte ein effizientes Alarmierungssystem immer die Bedürfnisse des O&M-Managers in einer von ständigen Veränderungen geschüttelten Welt erfüllen. Und dann ist es offensichtlich, dass es heute auf Folgendes ankommt: die wichtigsten/kritischsten Verluste innerhalb einer Anlage zu identifizieren und auf einfache Weise ihre fehlerhaften Komponenten zu erkennen.
Zu diesem Zweck haben wir uns entschieden, eine unserer größten Stärken zu nutzen: Daten, viele Daten. Als Anbieter von O&M-Software können wir dank unserer offenen Importschnittstelle Daten aus beliebigen Quellen sammeln. Die neuesten Technologien für Datenmanagement und maschinelles Lernen ermöglichen es uns heute zu lernen, was das normale Verhalten eines Wechselrichters als Hauptkomponente einer PV-Anlage ist, was dann dazu führt, das Verhalten der Anlage selbst zu lernen. Mit diesem Ansatz wollen wir mögliche Verluste intelligent erkennen und die Fehlerquelle schnell und einfach behandeln.
Was bedeutet das heute konkret für VCOM? Lassen Sie uns einen Blick auf den folgenden Anwendungsfall werfen.
Bei der Verwaltung einer ganzen Anlage ist es wichtig, die folgenden Informationen herauszufiltern: Funktioniert meine Anlage bisher gut? Wo verliere ich am meisten Energie und wie kann ich die zugehörigen Fehler identifizieren? Das Loss Breakdown Chart ist das richtige Werkzeug, um dies in den Griff zu bekommen: Von der Ertragsprognose bis zur tatsächlichen Energieproduktion einer PV-Anlage werden die Verluste auf Basis unserer Simulation dargestellt. Neben der grafischen Darstellung der Verluste im Diagramm werden die ticketbezogenen Informationen in tabellarischer Form entsprechend der Fehlerursache aufgelistet. So können Sie schnell und intuitiv eventuelle Ausfallursachen Ihrer Anlagen erkennen und somit Ihre Anlage effizient warten.
Ein großer Vorteil beim Einsatz unserer Hardware: Bei Anlagen, die mit blue'Logs ausgestattet sind, vom Netzbetreiber oder Direktvermarkter gesteuert werden oder bedingt im Nulleinspeisebetrieb arbeiten, wird die Simulation nun in zwei Iterationen durchgeführt, so dass die durch die Leistungssteuerung verursachten Verluste einfach und intuitiv dargestellt werden.
Aber was ist mit den Verlusten zwischen der Simulation und dem Ertrag? Wie kann ich sie interpretieren und kann ich entscheiden, ob es etwas Dringendes ist oder nicht?
Der Simulationsalgorithmus wird auf alle Wechselrichter angewendet und basiert auf Live-Sensor-Einstrahlungsdaten. Die technischen Daten jedes Wechselrichters sowie die historisch gemessenen Daten jedes Geräts werden für den theoretisch zu erwartenden Ertrag berücksichtigt, der durch unsere maschinellen Lernalgorithmen optimiert wird, um möglichst genaue Ergebnisse zu erzielen. Die geschätzten Verluste zwischen den Simulationsergebnissen und dem gemessenen Ertrag werden im Diagramm angezeigt, um einen Überblick über die Wechselrichterleistung Ihrer Anlage auf täglicher Basis zu geben. So ist es nicht verwunderlich, dass wir auf dem untenstehenden Diagramm für die Wechselrichtersimulation zwei Wechselrichter mit erheblichen Verlusten in diesem Anwendungsfall erkennen können:
Es ist offensichtlich, dass dies eine direkte Auswirkung auf das Systemverhalten hat, wie wir auf dem folgenden Solarstromdiagramm auf Anlagenebene sehen können: Ein Wechselrichterausfall oder eine Fehlproduktion führt systematisch zu einer Fehlproduktion auf Anlagenebene. Diese Informationen, ihre Auswirkungen auf das System sowie ihre Priorität müssen dem O&M-Manager in Echtzeit und auf einfache Weise zur Verfügung gestellt werden. Moderne maschinelle Lernalgorithmen sind in der Lage, verschiedene Fehlerquellen zu erkennen, die nicht zu einem Fehlalarm führen dürfen, z. B. Ertragsminderung durch Abschattung, verschmutzte oder schiefe Einstrahlungssensoren oder Ungenauigkeiten in den Temperatur- oder Einstrahlungsdaten. Letztendlich ist unser Ziel nicht die bloße Optimierung eines Diagramms, sondern unser Ansatz des maschinellen Lernens erlaubt es uns, alle spezifischen Details zu lernen, indem wir systematische Fehler ausschließen.
Das weltweite kontinuierliche Wachstum (ja, ausnahmsweise kann Wachstum für unseren Planeten von Vorteil sein) in der PV-Industrie macht es unmöglich, die Zeit für eine tiefe technische Kalibrierung zu finden, um einen zuverlässigen O&M-Prozess zu verwenden. In diesem Sinne führen alle Vorteile des maschinellen Lernens und alle Vorteile der Daten, über die wir verfügen, zu einem effizienten, modernen Überwachungssystem, das nur Alarme erzeugt, die wichtig sind. Das klingt großartig, aber was ist mit Wechselrichter-Ereignissen? Definitiv wichtige Informationen, aber diese sollten als Medium für die Fehlerursachenerkennung gesehen werden und nicht als Weg, den Fehler selbst zu identifizieren. Unser komponentenbasierter digitaler Zwilling ermöglicht es, kritische Alarme zu identifizieren und mit dem jeweiligen Gerätefehlercode zu kombinieren.
Mein persönliches Ziel und meine Motivation
Mit dem Ziel, unsere Kunden auf ihrer digitalen Transformationsreise zu unterstützen, besteht ein wesentlicher Teil meines Weges als Produktmanager bei meteocontrol darin, das Warum hinter aktuellen Problemen zu identifizieren und gemeinsam mit unserem Entwicklungsteam die richtigen Technologien für die richtigen Zwecke einzusetzen. Wir stehen dabei immer in einem kontinuierlichen und engen Austausch mit unseren Kunden, um ein vollständiges Verständnis für die Auswirkungen unserer Produkte zu erhalten und einen soliden Mehrwert für den Anwender zu schaffen.