Physikinformiertes Deep Learning zur Erkennung von Leistungsverlusten in Solarkraftwerken

Bei der groß angelegten Solarenergieerzeugung in Photovoltaik-Kraftwerken kommt es aus verschiedenen Gründen häufig zu Produktionsverlusten. Ein häufiger Grund für Leistungsverluste ist die Abschattung der Solarmodule entweder durch benachbarte Module oder durch externe Objekte wie Bäume oder Gebäude. In diesem Masterprojekt haben wir einen Algorithmus zur Erkennung von Abschattungsverlusten entwickelt, der zwischen den beiden Abschattungsarten unterscheiden kann. Zu diesem Zweck haben wir ein physikalisches Modell des Verlustmechanismus mit einem tiefen neuronalen netzwerk kombiniert. Der Algorithmus erreichte eine hohe Erkennungs- und Klassifizierungsleistung und wird nun bei unserem Partnerunternehmen implementiert, das PV-Anlagenbesitzern eine automatische Überwachung von Leistungsverlusten anbietet. 

Modellierung von Windpark-Windkraftverlusten mit Graph-Neural-Netzen

Das Wachstum der Windenergie als erneuerbare Energiequelle ist in hohem Maße von wirtschaftlichen Investitionsentscheidungen abhängig. Wirbeleffekte, die durch Turbulenzen und eine geringere Windgeschwindigkeit hinter den Windturbinen verursacht werden, führen bei größeren Windparks zu einer Verringerung der Nettoleistung um bis zu 20 Prozent, was zu Einnahmeverlusten in Millionenhöhe führt. Die Modellierung der Nachlaufeffekte kann dazu beitragen, sowohl die Auslegung des Windparks als auch seinen Betrieb zu optimieren, so dass die Leistungsabgabe des gesamten Parks maximiert wird. 

In dieser Masterarbeit haben wir mit einem Start-up-Unternehmen zusammengearbeitet, das Datenanalysen für erneuerbare Anlagen anbietet. Wir haben ein Deep-Graph-Neural-Network-Modell entwickelt, das auf synthetischen Daten trainiert und auf realen Betriebsdaten von Windparks feinabgestimmt werden kann. Das Modell kann durch Wirbelschleppen verursachte Leistungsdefizite der Turbinen vorhersagen und erzielte vielversprechende Ergebnisse, als es mit Daten aus in Betrieb befindlichen Windparks getestet wurde. 

Erkennung von Anomalien in Industriebildern mit modernsten Deep-Learning-Algorithmen

Die Erkennung von Defekten und Anomalien in Bildern findet in verschiedenen Bereichen Anwendung, z. B. in der medizinischen Diagnostik, der Objekterkennung für die Sicherheit oder das autonome Fahren, der Defekterkennung in der Fertigung und der Schadensüberwachung in  Infrastrukturen. In den letzten Jahren gab es eine explosionsartige Zunahme von Hochleistungsmodellen, die diese Aufgabe bewältigen können. Die große Mehrheit dieser Modelle setzt einen sauberen, anomalfreien Trainingsdatensatz voraus. In dieser Masterarbeit haben wir das reale Szenario untersucht, in dem ein anomaliefreier Datensatz nicht garantiert werden kann. Welche Auswirkungen hat dies auf die Anomalie-Erkennungsleistung von Deep-Learning-Modellen? Können wir Algorithmen vorschlagen, die die Leistung verbessern, wenn sie sich aufgrund einer Kontamination des Datensatzes verschlechtert? Wir haben uns insbesondere auf Visual-Transformers-Modelle konzentriert, die in letzter Zeit sehr beliebt geworden sind.