SI/502555

Schlussbericht

Die Photovoltaik (PV) spielt eine zentrale Rolle bei der Reduktion globaler CO2-Emissionen. Mit der zunehmenden Anzahl installierter PV-Systeme gewinnt die langfristige Zuverlässigkeit von PV-Modulen immer mehr an Bedeutung. Defekte können den Energieertrag erheblich reduzieren, jedoch sind viele Degradationsmechanismen mit konventionellen Inspektionsmethoden nur schwer quantitativ zu erfassen. Multispektrale Bildgebung ermöglicht die Detektion solcher Fehler, indem sie komplementäre Informationen aus unterschiedlichen spektralen Bereichen erfasst. Ziel dieses Projekts war die Entwicklung einer quantitativen Methodik zur Aufnahme und automatisierten Analyse multispektraler Bilder von PV-Modulen. Der entwickelte Ansatz kombiniert ultrascharfe multispektrale Bildgebung mit Methoden der künstlichen Intelligenz, um auf Solarzellebene sichtbare Defekte zu erkennen und mit elektrischen Leistungs­verlusten zu korrelieren. Zur Aufnahme der Bilder wurde eine einzelne hochauflösende multispektrale Kamera verwendet, mit der Aufnahmen im sichtbaren Bereich (VI), Elektrolumineszenz (EL) sowie ultravioletter Fluoreszenz (UVf) erzeugt werden können. Im Verlauf des Projekts wurde ein Datensatz von 241 PV-Modulen mit insgesamt 11.076 Solarzellen erfasst und verarbeitet. Eine speziell entwickelte Segmentierungspipeline extrahierte automatisch einzelne Zellbilder aus den Modulaufnahmen. Mehr als 10 % des Datensatzes wurden von Expertinnen und Experten annotiert , wodurch ein hochwertiger Trainings- und Validierungsdatensatz für maschinelle Lernverfahren entstand. Der zentrale Bestandteil der Methodik ist ein multispektrales Klassifikationsmodell zur Defekterkennung auf Basis der Channel Vision Transformer-Architektur . Das Modell wurde mittels einer progressiven Transfer-Learning-Strategie trainiert: zunächst Vortraining auf ImageNet, anschließend Feinabstimmung auf großen öffentlich verfügbaren EL-Datensätzen und schließlich Anpassung an die multispektralen Bilder dieses Projekts. Trotz der begrenzten Größe des proprietären Datensatzes ermöglichte diese Strategie eine robuste Defekterkennung über verschiedene Modultechnologien hinweg. Das Modell erreichte eine Genauigkeit von über 90 % auf den annotierten Projektdaten sowie etwa 94 % Genauigkeit auf einem unabhängigen externen Datensatz (nur EL) . Für nicht annotierte Bilder wurde eine korrekte Fehlererkennung von über 70 % erzielt und damit die im Projekt definierten Leistungsziele erreicht. Der entwickelte Ansatz ermöglicht die Detektion verschiedener PV-Fehlermodi, darunter Zellrisse, inaktive Zellbereiche, Korrosion, Delamination und Verfärbungen . Ein wesentlicher Fortschritt gegenüber konventionellen Methoden besteht in der Fähigkeit, mehrere gleichzeitig auftretende Defekte innerhalb einer einzelnen Zelle zu erkennen, was die komplexen Degradationsmuster gealterter Module besser widerspiegelt. Durch die Kombination mehrerer spektraler Kanäle können zudem Defekte identifiziert werden, die in reinen EL-Aufnahmen nicht sichtbar sind. Neben der Defektklassifikation wurde im Projekt auch eine datengetriebene Methode zur Abschätzung von Leistungsverlusten von PV-Modulen direkt aus multispektralen Bildern entwickelt. Hierfür wurde ein Deep-Learning-Regressionsmodell auf Basis von ResNet-18 trainiert, um den Verlust der maximalen Leistung anhand von VI-, EL- und UVf-Bildern vorherzusagen. Dadurch wird eine quantitative Verbindung zwischen sichtbaren Degradationsmustern in den Bildern und dem Verlust elektrischer Leistung hergestellt. Dennoch bestehen einige Einschränkungen. Die Methodik funktioniert am besten für Defekte mit klaren optischen Signaturen. Seltene Defekte sowie komplexe Defektkombinationen bleiben aufgrund begrenzter Trainingsdaten schwierig zu erkennen. Darüber hinaus können Degradationsmechanismen ohne sichtbare optische Signatur nicht detektiert werden. Die Analyse konzentrierte sich außerdem auf sichtbare Defekte auf Zellebene , während sichtbare Degradationsmuster auf Modulebene , wie etwa durch potenzialinduzierte oder UV-induzierte Degradation verursachte EL-Muster, nicht berücksichtigt wurden. Insgesamt zeigt das Projekt, dass KI-basierte multispektrale Bildanalyse eine skalierbare, quantitative und automatisierte Erkennung von Defekten in PV-Modulen ermöglicht und visuelle Degradationsmuster mit elektrischen Leistungsverlusten verknüpft. Die Ergebnisse verdeutlichen das große Potenzial KI-gestützter multispektraler Bildgebung als Diagnosewerkzeug der nächsten Generation für die Zuverlässigkeitsbewertung von PV-Systemen in Forschungslaboren, industrieller Produktion sowie im Betrieb und der Wartung von PV-Anlagen.