Drone-based optical soiling measurements for photovoltaic power plants

Winkel, Peter; Pitz-Paal, Robert; Agert, Carsten

doi:44480

Drone-based optical soiling measurements for photovoltaic power plants = Drohnenbasierte optische Verschmutzungsmessungen für Photovoltaik Kraftwerke

Winkel, Peter^RWTH*

2025

Verantwortlichkeitsangabevorgelegt von Peter Winkel

ImpressumAachen : RWTH Aachen University 2025

Umfang1 Online-Ressource : Illustrationen

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2025

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak04

Hauptberichter/Gutachter
Pitz-Paal, Robert (Thesis advisor)^RWTH* ; Agert, Carsten (Thesis advisor)

Tag der mündlichen Prüfung/Habilitation
2025-07-04

Online
DOI: 10.18154/RWTH-2025-06048
URL: https://publications.rwth-aachen.de/record/1014368/files/1014368.pdf

Einrichtungen

Lehrstuhl für Solartechnik (DLR) (412910)

Thematische Einordnung (Klassifikation)
DDC: 620

Kurzfassung
Um den Betrieb von PV Parks bezüglich des Ertrags und der Stromgestehungskosten zu optimieren ist ein gezieltes Monitoring wichtig. Defekte Module und Wechselrichter müssen zeitnah erkannt und ersetzt werden. Der Einfluss von Umweltfaktorenwie z.B. Verschmutzung muss im Auge behalten werden, da diese die Degradierung der Anlage beschleunigen können. Jede Instandhaltungsmaßnahme ist mit Kosten verbunden. Für eine Reinigung sind dies Arbeitszeit, Wasserverbrauch und Geld. Für die Entwicklung optimierter Reinigungsstrategien ist die Messung des durch Verschmutzung hervorgerufenen, elektrischen Verlustes ist dabei ein wichtiger Parameter. Bereits vor dieser Dissertation gibt es einige Möglichkeit den durch Verschmutzung hervorgerufenen elektrischen Leistungsverlust zu messen. Die Leistung des Parks kann mit der modellierten Leistung verglichen werden, wobei Betriebsbedingungenwie Bestrahlungsstärke, Temperatur und andere Quellen für Effizienzminderungen berücksichtigt werden. Diese anderen Quellen für Effizienzminderungen, z.B. Alterung, sind jedoch in der Regel nicht bekannt. Um ein möglichst genaues und räumlich aufgelöstes Bild von der Verschmutzung zu bekommen ist es sinnvoll eine kamerabasierte Messmethode zu entwickeln. Das Ziel dieser Arbeit ist die Entwicklung einer solchen kamerabasierten Methode, welche die elektrischen Verluste eines PV Parks aus Drohnenbildern abschätzen kann. Dabei bezieht sich die erste Methode auf den Verschmutzungstyp Mineralstaub. Kalibriert wird die Methode durch Aufnahme einiger Bilder eines sauberen PV Moduls und eines verschmutzten Moduls. Im Anschluss ist die Auswertung dritter Bilder möglich. In den durchgeführten Validierungen der Methode wurde ein RMSE von 0.93% (absolut) erzielt. Eine zweite Methode wurde entwickelt, um grobe Verschmutzungen wie Blätter und Vogelkot zu auszuwerten. Dabei wird Deep Learning benutzt, um zunächst Verschmutzungen zu detektieren und im Anschluss zu segmentieren. Durch Abschätzung der Transmittanzen der verschiedenen Verschmutzungstypen ist es dann möglich den hervorgerufenen elektrischen Leistungsverlust abzuschätzen. In den durchgeführten Tests der Methode konnte stets eine Abweichung von weniger als 1%absolut erzielt werden, bei einem absoluten Verschmutzungsverlust von ca. 15%. Des Weiteren wurde ein elektrothermisches Model entwickelt, welches die Temperatureines PV Moduls mit Zellauflösung bestimmen kann. Insbesondere kann abgeschätzt werden, welches Verschmutzungsmuster zu einem Hotspot führen kann und wie hoch die entsprechende Hotspottemperatur ist. Zudem kann das Model die elektrischen Mismatch Verluste eines inhomogen verschmutzten Moduls bestimmen. Das Model kann auch für die Unterscheidung von verschmutzungsbasierten und defektbasierten Hotspots genutzt werden. In den betrachteten Fällen ist dies immer gelungen. Die elektrische Leistung konnte bestimmt werden mit einem RMSE von2.1Wund die Temperatur eines sauberen Moduls mit einem RMSE von 2.6 K. Insgesamt werden in dieser Arbeit neue Methoden zur Messung von Verschmutzungen in PV-Parks vorgestellt. Die Vorteile gegenüber der Literatur liegen insbesondere in der hohen Genauigkeit, der Fähigkeit, verschiedene Arten von Verschmutzungen zu analysieren, der räumlichen Auflösung und der Praktikabilität, die durch den Einsatz von Drohnen entsteht.

The monitoring of PV parks is important to optimize their operation in terms of yield and levelized cost of electricity. Defective modules and inverters must be detected and replaced promptly. The influence of environmental factors such assoiling must be kept in mind, as these can accelerate the degradation of the system. Every maintenance measure is associated with costs. For cleaning, these are working time, water consumption, and money. Measuring the electrical loss caused by soiling is an important parameter for the development of optimized cleaning strategies. Even before this dissertation, there are several ways to measure the electrical power loss caused by soiling. The power of the park can be compared with the modeled power, considering operational conditions such as irradiance, temperature, and other sources of efficiency reduction. However, these other sources of efficiency reductions, i.e. aging are typically not known. To obtain the most accurate and spatially resolved image of the soiling, it makes sense to develop a camera-based measurement method. This work aims to develop this camera-based method that can estimate the electrical losses of a PV park from drone images. The first method refers to the soiling type of mineral dust. The method is calibrated by taking several images of a clean PV module and a soiled module. It is then possible to evaluate third images. In the validations of the method, an RMSE of 0.93% (absolute) was achieved. A second method was developed to evaluate coarse soiling such as leaves and bird droppings. Deep learning is used to first detect soiling and then segment it. By estimating the transmittances of the different types of soiling, it is then possible to estimate the electrical power loss caused. In the tests carried out on the method, a deviation of less than 1% absolute was always achieved, with an absolute soiling loss of approx. 15%. Furthermore, an electrothermal model was developed that can determine the temperature of a PV module with cell resolution. In particular, it is possible to estimate which soiling pattern can lead to a hotspot and how high the corresponding hotspot temperature is. In addition, the model can determine the electrical mismatch losses of an in homogeneously soiled module. The model can also be used to differentiate between soiling-based and defect-based hotspots. In the cases considered, this was always successful. The electrical power could be determined relatively accurately with an RMSE of 2.1W. In the case of a clean module, the temperature could be determined with an RMSE of 2.6 K. All in all, this thesis presents new methods for the measurement of soiling in PV parks. Advantages compared to the literature are in particular the high accuracy, the capability of analyzing various kinds of soiling, the spatial resolution, and the practicability that comes with the usage of drones.

OpenAccess:
PDF
(additional files)