Fehlproduktionsalarme benachrichtigen Sie, wenn es auf System- oder Wechselrichterebene zu einer Abweichung zwischen Soll- und Messwerten kommt. Es gibt mehrere Methoden zur Schätzung der theoretischen Produktion („Simulation“) des Systems im normalen Betriebsmodus:
- Automatischer Wechselrichtervergleich
- Physikalisches Simulationsmodell
- Auf maschinellem Lernen basierende Simulation
Überschreitet die Abweichung den von Ihnen als „Normal“ definierten Schwellenwert, wird ein Alarm ausgelöst. Ob der Alarmschweregrad „Hoch“ oder „Kritisch“ ist, hängt von den von Ihnen eingerichteten Schwellenwerten ab
Der Zielwert und der Vergleich zum Messwert werden bei jeder Datenaktualisierung intervallweise sowohl für die Gesamtanlage als auch für jeden Wechselrichter berechnet. Basierend auf dem Grad der Abweichung können Sie drei verschiedene Alarmschweregrade definieren.
Ändert sich die Abweichung im Laufe der Zeit, wird die Schwere des Alarms automatisch aktualisiert. Ein Dummy-Tool in der VCOM-Benutzeroberfläche kann Ihnen dabei helfen, die Auswirkung verschiedener Werte auf den Alarm zu testen.
Simulationsmethoden
Die folgenden Methoden werden zur Schätzung der theoretischen Produktion verwendet.
Methode 1: Automatischer Wechselrichtervergleich
Bei diesem Verfahren wird die Zielwertquelle durch den Vergleich der Wechselrichter untereinander ermittelt. Die jeweilige Eingangskonfiguration wird automatisch berücksichtigt. Hierzu werden alle Wechselrichter nach ihren Eingangsverhältnissen gruppiert. Anschließend wird der Wechselrichter mit der besten Leistung (derjenige mit der höchsten normalisierten Leistung) als Referenz für andere Wechselrichter in dieser Gruppe festgelegt. Im nächsten Schritt wird die normierte Leistung als Zielwert für die verglichenen Wechselrichter betrachtet.
Anwendungsfall 1: Passende Konfigurationen
In diesem Szenario würde die VCOM Cloud zwei Gruppen bilden:
Gruppe 1: Wechselrichter 1 und Wechselrichter 2 (1:1-Verhältnis von 95°/20° und 275°/20°)
Gruppe 2: Wechselrichter 3 und Wechselrichter 4 (1:1-Verhältnis von 95°/30° und 275°/30°)
Anwendungsfall 2: Mehrere Konfigurationen, die nicht mit einer anderen Konfiguration übereinstimmen
In diesem Szenario würde die VCOM Cloud drei Gruppen bilden
Gruppe 1: Wechselrichter 1 und Wechselrichter 2 (1:1-Verhältnis von 95°/20° und 275°/20°)
Gruppe 2: Wechselrichter 3 und Wechselrichter 4 (1:1-Verhältnis von 95°/30° und 275°/30°)
Gruppe 3: Wechselrichter 5 und Wechselrichter 6 (Ruhe)
Anwendungsfall 3: Einzelne Konfiguration, die mit keiner anderen Konfiguration übereinstimmt
In diesem Szenario würde die VCOM Cloud nur eine Gruppe bilden, die alle Wechselrichter enthält. Andernfalls gäbe es keine Referenz für Wechselrichter 3.
Methode 2: Physikalisches Simulationsmodell
Um die notwendigen Daten aus der Systemkonfiguration (Ausrichtung und Neigungen des Systems) zu gewinnen, wird zunächst die spezifische Leistung (Modul und Wechselrichter) für jedes Ausrichtungsteilsystem berechnet. Die Simulation wird dann basierend auf den Bestrahlungsstärkewerten für jedes Ausrichtungssubsystem generiert. Jedes Subsystem wird mit der Strahlung des Sensors simuliert, der ihm am ähnlichsten ist. Die Ähnlichkeit zwischen Subsystemen und Sensoren wird durch die Berechnung der Korrelation zwischen den Leistungsmessungen des Subsystems und dem Strahlungswert des Sensors bestimmt.
- Die Systemkonfiguration wird abgerufen und das Ausrichtungssubsystem wird definiert
- Installierte Sensoren in der PV-Anlage werden dem jeweiligen Orientierungssubsystem zugeordnet. Temperaturwerte werden berücksichtigt
- Die spezifische Leistung für jedes Orientierungssubsystem wird berechnet
- Aus den Werten der Wechselrichter und der installierten Leistung der Module wird der spezifische Ertrag für jedes Ausrichtungsteilsystem berechnet
- Der Zielwert pro Intervall wird auf Systemebene als spezifischer Wert berechnet
- Der Zielwert pro Intervall wird auf Systemebene als Absolutwert berechnet
Methode 3: Maschinelles Lernen
Algorithmen des maschinellen Lernens analysieren die historischen Messdaten der PV-Anlage und optimieren die physikalische Simulation. Dadurch wird die Abweichung zwischen der gemessenen Leistung und der Zielleistung verringert, um den genauesten Zielwert zu erreichen. Die Simulationsmethode des maschinellen Lernens kann Ihnen helfen, die genauesten Ergebnisse zu erzielen. Um maschinelles Lernen anwenden zu können, muss das System die folgenden Kriterien erfüllen:
- 70 % oder mehr der Tagesdatenpunkte sind gültig
- Es stehen mindestens zwei Wochen lang gültige Trainingsdaten der letzten 30 Tage zur Verfügung.
Wenn gültige Trainingsdaten fehlen, ist die für maschinelles Lernen optimierte Simulation nicht verfügbar und eine Meldung wird auf der Simulationskonfigurationsseite angezeigt.