details_view: 4 von 49

 

Verbundvorhaben: PV-DiStAnS-3 – Machine-Learning basierte Differenzstrom- und Leistungsanalyse für einen zuverlässigen Betrieb stromrichterbasierter Energieerzeugungsanlagen; Teilvorhaben: Entwicklung von Methoden zur Zustandsbewertung von photovoltaischen Stromrichtern

Zeitraum
2023-09-01  –  2026-08-31
Bewilligte Summe
1.046.924,73 EUR
Ausführende Stelle
Förderkennzeichen
03EE1164B
Leistungsplansystematik
Netze [EB1820]
Verbundvorhaben
01252722/1  –  PV-DiStAnS-3 - Maschine-Learning basierte Differenzstrom- und Leistungsanalyse für einen zuverlässigen Betrieb stromrichterbasierter Energieerzeugungsanlagen
Zuwendungsgeber
Bundesministerium für Wirtschaft und Klimaschutz (BMWK.IIB5)
Projektträger
Forschungszentrum Jülich GmbH (PT-J.ESE1)
Förderprogramm
Energie
 
Das Deutsche Zentrum für Luft- und Raumfahrt (DLR) wird sich im Rahmen des Vorhabens mit der Erforschung der Auswirkungen kritischer Zustände in stromrichterbasierten Energieerzeugungsanlagen auf die elektrischen Betriebsparameter befassen sowie neue Mess- und Analysemethoden zur Bewertung des Isolationswiderstands und zur Identifikation von Degradationseffekten evaluieren. Der Fokus liegt dabei vornehmlich auf Zustände, die nach dem heutigen Stand der Technik gar nicht oder nur mit hohem personellem und materiellem Aufwand möglich sind. Es sollen in Labor- und Feldtests Datensätze fehlerbehafteter und fehlerfreier Stromrichtersysteme generiert werden, die im Laufe des Vorhabens als Trainingsdaten für selbstlernende Algorithmen sowie zur (Weiter-)Entwicklung neuer und bestehender Detektionsansätze, insbesondere in den Bereichen DC-Lichtbögen, erhöhter Serienwiderstände und umrichterinterner Fehler, genutzt werden. In einem weiteren Teilaspekt des Vorhabens wird das DLR Modelle entwickeln, die das fehlerfreie sowie fehlerbehaftete Verhalten eines Stromrichtersystems nachbilden und vorhersagen können. Ziel ist die Bereitstellung einer modellbasierten Test- und Lernumgebung nach dem Rapid-Control-Prototyping Prinzip um Trainingsdaten von Stromrichtersystemen zu generieren, die für ein gezieltes Training und die Entwicklung neuer Detektionsalgorithmen eingesetzt werden können. Diese Trainingsdaten können auf Basis von Felddaten häufig nicht reproduzierbar bereitgestellt werden bzw. sind im Labor nur mit hohem Aufwand generierbar.