De naweeën van de recente heisa op de particuliere markt niet in acht genomen, is zonne-energie aan een ware opmars bezig. Studies verwachten tegen 2022 wereldwijd een verdubbeling van de geïnstalleerde capaciteit ten opzichte van 2019. Zo bouwt Spanje twee parken van elk ongeveer 600 MegaWatt. Dat is zesmaal meer dan de net geen 100W van het Kristal Solar Park in Lommel, het grootste zonnecelpark van de Benelux. Ivan Gordon en Michiel Vlaminck geven inzicht in de uitdagingen om dergelijke gigantische installaties te beheren en de oplossingen die het imec.icon project Analyst PV ontwikkelde om het beheer te vereenvoudigen. Ivan Gordon is manager PV-technologie en energiesystemen bij imec/EnergyVille en Michiel Vlaminck is onderzoeker bij IPI (image processing and interpretation), een imec onderzoeksgroep aan de Universiteit Gent.
Ivan Gordon: “Als we praten over zonnecelparken, tel je toch al snel enkele tienduizenden tot meer dan honderdduizend panelen. In elk van die panelen kan een defect ontstaan met al dan niet belangrijke gevolgen voor de energieopbrengst en dus ook voor het financiële rendement op de gemaakte investering. Energiebeheerders willen daarom een zo accuraat en gedetailleerd mogelijk inzicht in de prestaties van hun parken. Denk aan bedrijven als ENGIE, die met hun R&D-dochter Laborelec actief betrokken zijn in het Analyst PV project, waar ze verantwoordelijk zijn voor de validatie van de ontwikkelde algoritmes en met de inbreng van hun gebruikersperspectief helpen om het onderzoek in de juiste richting te sturen. In het project ontwikkelden we een softwareplatform om onregelmatigheden in een zonnecelpark in een vroeg stadium te detecteren. Het laat operatoren toe om tijdig in te grijpen op basis van door het platform aangeleverde inzichten. Onze oplossing is gebaseerd op een digital twin die we opbouwen uit de verscheidenheid aan beschikbare data. Ook bevat het de aanzet tot een kosten-baten analyse die een gedetecteerd probleem linkt aan een mogelijke oplossing en de haalbaarheid ervan.”
Gebruikersinterface van het Analyst PV platform dat helpt bij het beheer van zonnecelparken (©AllThingsTalk).
Momenteel baseren energiebeheerders zich veelal op de informatie van sensoren die verspreid over de zonnecelparken belangrijke parameters meten zoals temperatuur en lichtinval. Door bovendien de theoretische en werkelijke opbrengst van hun installaties te vergelijken, krijgen ze een indicatie zodra er zich problemen voordoen. Ivan Gordon: “Het meest arbeidsintensieve is om vervolgens de oorzaak en plaats van het probleem op te sporen. Doordat de zonnepanelen aan elkaar gekoppeld zijn, kan een lokaal probleem in een enkele module ook effect hebben op de omringende panelen. Bovendien loont niet elk defect de moeite om te herstellen. Soms is de herstelling namelijk duurder dan het verloren rendement.”
Michiel Vlaminck: “Tegenwoordig maken beheerders van zonnecelparken daarom ook gebruik van drones om nuttige beelden, zowel visueel als infrarood, te verzamelen over de werking van het zonnecelpark. Sitemark, een Leuvens bedrijf en een van de partners in het Analyst PV project, brengt dergelijke oplossing al op de markt. De analyse van dronebeelden geeft met behulp van artificiële intelligentie aan waar er afwijkingen optreden in het herkenbaar en terugkerend patroon van zonnepanelen. Bijvoorbeeld doordat er vegetatie over groeit, vuil op terecht is gekomen of barsten of andere mechanische defecten zijn ontstaan. Ook in het infraroodbeeld kan je defecten herkennen vanwege warmere en koudere zones die opvallen in het reguliere patroon. Waar deze beelden informatie opleveren over waar precies er iets misloopt, geven ze echter geen informatie over de impact van het probleem op de energieopbrengst van het zonnecelpark.”
De uitdaging voor het Analyst PV project was daarom om de dronebeelden en analyse ervan te koppelen aan de sensordata en kennis over de energieprestaties. Door al deze gegevens aan elkaar te linken, kunnen operatoren de aard en ernst van een eventueel probleem nu beter achterhalen. 3E, een Belgisch softwarebedrijf, is toeleverancier van AI-gebaseerde analysesoftware voor energiebedrijven en leverde een actieve bijdrage als partner in Analyst PV. Ook het Mechelse bedrijf AllThingsTalk droeg bij aan de integratie van de diverse data en de presentatie ervan in een overzichtelijke user interface.
Stitching: totaalbeeld samenstellen uit honderden foto’s
Een eerste belangrijke stap die het platform uitvoert, is om vanuit de verzameling van snapshots een overzicht te reconstrueren van het hele zonnecelpark. Hierin bracht het Analyst PV project al belangrijke verbeteringen aan.
Michiel Vlaminck: “Een drone heeft honderden foto’s nodig om een groot zonnecelpark volledig in beeld te brengen. Zodra je de computer die beelden wil laten samenvoegen tot een totaalbeeld of orthofoto – stitching noemen we dat - wordt de repetitieve structuur ervan een nadeel. De software worstelt namelijk enorm met het kunnen onderscheiden en matchen van zogenaamde keypoints of feature points. Dat zijn elementen van het gefotografeerde object die op naburige foto’s voorkomen en kunnen dienen om ze correct digitaal aan elkaar te plakken. Omdat zonnepanelen dermate op elkaar lijken, loopt commerciële beeldverwekingssoftware daarop vast.”
Boven: Foutief gereconstrueerde orthofoto met behulp van bestaande commerciële software vertoont heel wat artefacten. Onder: Nauwkeurige orthofoto gegenereerd met de Analyst PV software vertoont geen artefacten.
Het Analyst PV project pakte dit probleem aan met behulp van twee nieuwe technieken. Een eerste techniek is om aan de hand van de gps-data van de drone al een ruwe inschatting te maken van waar overeenkomstige keypoints zich bevinden in foto’s uit eenzelfde gebied. Hierdoor kan de software al een groot deel gelijkaardige maar foutieve feature matches elimineren. Ten tweede kent de Analyst PV software ook een gewicht toe aan elke match van twee keypoints. Als keypoints veel matches hebben die allen even goed op elkaar lijken, dan duidt dit op een ambigue match. Een goed voorbeeld is de hoek van een zonnepaneel. Die lijkt namelijk op de hoeken van nagenoeg alle andere zonnepanelen. Door dergelijke ambigue matches een lager gewicht toe te kennen, krijgen de uniekere elementen een belangrijker aandeel in het uiteindelijk aan elkaar stitchen van de afzonderlijke foto’s.
Michiel Vlaminck: “Een andere uitdaging die zich stelt bij de analyse van de beelden, nog voor de defecten kunnen gedetecteerd worden, is het op punt stellen van de thermische infraroodbeelden. Infraroodcamera’s hebben namelijk last van zogenaamde thermische drift, waardoor de specifieke kleurschakeringen bij het begin van de vlucht en bij het einde niet exact overeenstemmen met dezelfde temperatuur. Ook moet gecompenseerd worden voor schaduweffecten, reflecties van het zonlicht etc. Zodra dit gebeurd is, legt de software nog de visuele en infraroodbeelden over elkaar heen en krijgen we een totaalbeeld van de PV-installatie.”
Anomaliedetectie: problemen opsporen en analyseren
De belangrijkste taak van het platform begint dan pas: in het samengestelde totaalbeeld op zoek gaan naar anomalieën en proberen er een oorzaak en oplossing voor te vinden.
Ivan Gordon: “Er zijn verschillende anomalieën die het rendement van een PV-installatie negatief kunnen beïnvloeden en ze hebben elk hun eigenheid. Zo kan er een probleem optreden in de connectordoos waarin de verbinding gelegd wordt tussen de elektrische circuits in de panelen en de bekabeling die de opgewekte stroom moet afvoeren. Als deze defect is, ontstaat een herkenbaar artefact in het warmtebeeld en dat bevindt zich typisch in het midden van het paneel. Een ander gekend fenomeen is zogenaamde potential-induced degradation (PID). Dat is een degradatie die ontstaat door het spanningsverschil tussen de zonnecellen en het metalen frame van het paneel. Hierdoor kunnen ionen uit het glas van het zonnepaneel beginnen diffunderen in de silicium zonnecel waardoor het rendement van de zonnecel naar beneden gaat. Hoewel fabrikanten bij het ontwerp en de fabricage van de zonnepanelen aandachtig zijn om PID te vermijden, zien we het fenomeen in de praktijk toch nog optreden.
Ook externe factoren kunnen aanleiding geven tot problemen. Denk aan uitwerpselen van vogels, vuil en corrosie, of schaduw en overgroeiing door vegetatie. Vijf procent schaduw kan zorgen voor veertig procent minder opbrengst of aanleiding geven tot lokale opwarming en daaraan gelinkte degradatie. Een probleem op één plaats van de installatie heeft daarbij vaak ook een effect op naburige panelen die elektrisch met elkaar verbonden zijn.”
De Analyst PV software detecteert afwijkingen in de infraroodbeelden (links) en koppelt deze aan anomalieën in het visueel beeld (rechts) om de oorzaak van het defect te achterhalen. Boven: overgroeiing door vegetatie. Onder: een achtergelaten voorwerp.
Om deze anomalieën accuraat te kunnen herkennen, berekent de Analyst PV software eerst waar de zonnepanelen zich exact bevinden in de orthofoto die in de eerste fase is samengesteld. Door de omgeving ertussen en er omheen weg te filteren, hoeft het achteraf minder oppervlakte te analyseren op anomalieën en dit komt de efficiëntie ten goede.
Michiel Vlaminck: “Op dit moment kan onze software 95% van de PV-panelen in de orthofoto detecteren met een precisie van 99,5%. Dit is geen sinecure, want zonnepanelen zien er niet overal hetzelfde uit, kunnen onder een bepaalde hoek geplaatst en gefotografeerd zijn etc. We hebben ons dan ook gebaseerd op foto’s van installaties uit verschillende werelddelen. Om deze hoge effectiviteitsgraad te bereiken, hebben we artificiële intelligentie algoritmen ontwikkeld in twee stappen. In een eerste stap gebruikten we klassieke beeldverwerkingsalgoritmen en een eenvoudig model voor machineleren waarmee we al een groot deel van de zonnepanelen herkennen. De informatie uit dit algoritme gebruiken we in een tweede stap dan als trainingsdata voor het meer geavanceerd deep learning algoritme wat uiteindelijk in het platform zit ingebouwd. In deze tweede stap merkten we dat er nog een klein aantal zonnepanelen niet gedetecteerd wordt, onder meer door schaduwen van hoogspanningskabels. Doordat zonnepanelen echter altijd voorkomen in een gestructureerd ‘rooster’ van meerdere panelen kunnen we die informatie gebruiken om gemiste panelen toch automatisch te detecteren.”
Automatisch identificeren van zonnepanelen in een orthofoto. Boven: Het algoritme gebaseerd op deep learning is erg accuraat, maar in zeldzame uitdagende gevallen (bv. schaduwen van hoogspanningskabels) loopt het toch nog mis. Onder: Door gebruik te maken van voorkennis, met name dat zonnepanelen nooit alleen, maar altijd in een gestructureerd ‘rooster’ voorkomen, kunnen de moeilijke gevallen toch automatisch gedetecteerd worden.
Zodra de software herkent waar er zich panelen bevinden, zoekt een ander AI-algoritme naar anomalieën. Ook om dit algoritme te trainen gebruikte het Analyst PV project een gelijkaardige aanpak in twee stappen.
Ivan Gordon: “Behalve kennis over machineleren en neurale netwerken bracht imec op dit punt ook een specifiek fysica-gebaseerd model in dat de energieopbrengst kan voorspellen. Dankzij de kennis over de gebruikte componenten en materialen in de individuele zonnepanelen berekent dit model fysische parameters zoals de effectieve temperatuur en lichtinval op verschillende plaatsen in de zonnepanelen. Kennis die je vervolgens kan combineren met externe data zoals omgevingstemperatuur, lichtinval, windsnelheid en windrichting en waaruit je de theoretische opbrengst van de zonnepanelen en van het ganse park kan berekenen. Onze experimenten leren dat het imec model nauwkeurigere resultaten geeft dan bestaande ‘zwarte doos’ modellen die geen gebruik maken van kennis over wat er werkelijk gebeurt in de zonnepanelen, maar simpelweg gebruik maken van historische opbrengstdata in combinatie met externe data zoals lichtinval en temperatuur”.
Bij afloop van het Analyst PV project zit al deze kennis ingebouwd in een prototypeplatform dat met 90% accuraatheid de anomalieën kan detecteren die gerelateerd zijn aan zowel mechanische defecten zoals corrosie of een probleem met de connectordoos als externe factoren zoals vegetatie, vuiligheid (bv. uitwerpselen van vogels) of schaduwen. Een resultaat dat de industriële partners in het project in staat stelt om hun aanbod naar energiebeheerders verder uit te bouwen en de duurzame energietransitie voor ons allen te ondersteunen.
Meer weten?
- Op 23 november 2021 om 15u presenteert Analyst PV alle resultaten tijdens een online en publiek toegankelijk event. Deelname is gratis, maar registratie verplicht. Programma en registratie via deze link: The Future of Solar Site Management (sitemark.com)
- Analyst PV projectpagina: imec.icon - ANALYST PV (imec-int.com). Energiebeheerders die op zoek zijn naar een commerciële oplossing, kunnen aankloppen bij de industriële partners in het project.
- Heb je als bedrijf zelf een technologisch innovatievraagstuk? Misschien is een imec.icon project dan wel iets voor jou. imec.icon | imec Vlaanderen
