Laufzeit: | 03/2023 - 02/2025 |
Auftraggeber / Zuwendungsgeber: |
Förderprogramm InvestBW, Ministerium für Wirtschaft, Arbeit und Tourismus Baden-Württemberg,Projektträger VDI/VDE-IT |
Kooperationspartner: | PV Zimmermann Tracker GmbH |
Projektfokus: | |
Laufzeit: | 03/2023 - 02/2025 |
Auftraggeber / Zuwendungsgeber: |
Förderprogramm InvestBW, Ministerium für Wirtschaft, Arbeit und Tourismus Baden-Württemberg,Projektträger VDI/VDE-IT |
Kooperationspartner: | PV Zimmermann Tracker GmbH |
Projektfokus: | |
Wie soll der PV Tracker optimal tracken? Diese Frage wird im Projekt »DeepTrack« gemeinsam mit der PV Zimmermann Tracker GmbH erforscht. Hierbei werden neueste KI- und Kraftwerksimulationsmethoden angewendet, um den Ertrag von komplexen Kraftwerken, wie zum Beispiel Agri-PV Kraftwerken, zu maximieren. Die Methoden werden in einer Pilotanlage auf dem solaren Testfeld in Merdingen implementiert und untersucht.
Moderne Ansätze der künstlichen Intelligenz wie Digital Twinning und Deep Learning weisen ein großes Potenzial für den Bereich der erneuerbaren Energien auf. Insbesondere bei nachgeführten Photovoltaik-Anlagen mit bifazialen Solarmodulen besteht die Möglichkeit Regelungsalgorithmen zu erweitern. Dabei kann die gesamte Komplexität der Kraftwerkumgebung in solchen getrackten Systemen berücksichtigt werden, um den elektrischen Ertrag zu steigern. Diese neuartigen KI-Konzepte werden entwickelt und in einem Prototypsystem in Merdingen, Deutschland, implementiert. Der Schwerpunkt liegt dabei auf der Systemerweiterung- und Optimierung, um diffuses Licht zu nutzen, sowie die Systemadaption an neuartige Anwendungsbereiche wie die Agri-Photovoltaik zu ermöglichen. Dazu werden modernste PV-Überwachungs- und Modellierungstools mit Wetterprognosen gekoppelt (digitaler Zwilling), um optimale Trackingpositionen für den Gesamtertrag des Photovoltaiksystems zu erzielen. Dabei werden beispielsweise mikroklimatische Anforderungen und Bedürfnisse auf Pflanzenebene innerhalb eines Agri-Photovoltaiksystems berücksichtigt. Anschließend werden auf der Grundlage der Ergebnisse des digitalen Zwillings neuronale Netze trainiert, um ein prädiktives Metamodell zu erstellen. Der Rechenaufwand des Ansatzes soll so weit reduziert werden, dass dieser auf handelsüblichen Industrierechnern im Kraftwerkfeld implementiert werden kann und damit Aussichten auf markttaugliche Anwendungen hat.