Advance
Unterschiedlichste Modellierungsansätze (statistisch, chemisch–physikalisch-elektrisch) sollen entwickelt und angewandt werden, um Zusammenhänge zwischen dem Leistungsabfall von in Betrieb befindlichen PV-Modulen, dem spezifischen Degradationsverhalten der eingesetzten Materialien und Materialverbunde sowie den einwirkenden Stressbedingungen zu erkennen, und für innovative Materialentwicklungen sowie Predictive Maintenance Vorgaben zu nutzen.
Das beinhaltet:
- Automatisierte Datenaufbereitung: Kenngrößenerfassung (Feature Selection), Bildanalyse (neuronale Netzwerke – Machine Learning), Data Reduction (Umwandlung experimentell erhaltener digitaler Information in eine korrigierte, geordnete und vereinfachte Form)
- Statistische Modellierung von Zusammenhängen der Daten/Messgrößen einer umfassenden bestehenden Datenbasis (multiple, zeitaufgelöste Charakterisierungsdaten von PV-Modulenwährend diverser beschleunigter Alterungstests)
- Erstellen eines prädiktiven Modells (chemisch/physikalisch/elektrisch) zur Langzeitbeständigkeitund Zuverlässigkeit von PV-Materialien und -Modulen
- Validierte Degradationsmodelle für PV-Materialien/Module zur Früherkennung von Alterung, Erstellung optimierter beschleunigte Alterungstests (Design of Experiment) und prädiktiver Instandhaltungs-Vorgaben
Eckdaten
Data-Driven, Smart & Secure Systems
Department Electronic Engineering
FFG
von Januar 2022 bis Dezember 2022
FH-Prof. Philipp Urbauer, PhD MSc
FH-Prof. Philipp Urbauer, PhD MSc
Kompetenzfeldleiter Software Engineering & Architecture
Forschungsschwerpunktverantwortlicher Data-Driven, Smart & Secure Systems