KI-gestützte PV-Analyse für Solarparks
Wie energiegewichtete KI-Analyse versteckte Ertragsverluste sichtbar macht
Viele Solarparks wirken im Monitoring unauffällig, verlieren aber dennoch Energieertrag. Jaroona nutzt energiegewichtete KI-Analyse, um wirtschaftlich relevante Abweichungen sichtbar zu machen und Wartung gezielt zu priorisieren.
Das Problem: Versteckte Energieverluste im laufenden Betrieb
Photovoltaikanlagen verlieren nicht immer schlagartig Leistung. Viele relevante Probleme entstehen schleichend – einzelne Strings liefern weniger Ertrag, Module altern unterschiedlich schnell, Verschmutzung wirkt sich nur zu bestimmten Tageszeiten aus oder das MPP-Tracking arbeitet unter bestimmten Einstrahlungsbedingungen ineffizient.
Partielle Verschattung
Bäume, bauliche Strukturen, Verschmutzung oder temporäre Hindernisse können einzelne Strings deutlich beeinträchtigen. Besonders kritisch ist Verschattung während der ertragsstarken Mittagsstunden.
Modul- und Stringprobleme
Defekte Zellen, fehlerhafte Bypassdioden, Kontaktprobleme oder beschädigte Steckverbindungen führen oft zu lokalen Leistungseinbußen, die im Gesamtbild der Anlage kaum auffallen.
Schleichende Degradation
Module altern nicht immer gleichmäßig. Einzelne Bereiche einer Anlage können schneller an Leistung verlieren, ohne dass der Gesamtertrag sofort dramatisch einbricht.
Ineffizientes MPP-Tracking
Das Maximum-Power-Point-Tracking soll den optimalen Betriebspunkt der Anlage finden. Arbeitet es unter bestimmten Bedingungen fehlerhaft oder träge, entstehen dauerhafte Wirkungsgradverluste.
Bei großen Solarparks kann ein einzelner unterperformender String im Gesamtbild verschwinden. Wird er nicht erkannt, summiert sich der Verlust über die Betriebsjahre zu einem erheblichen wirtschaftlichen Schaden.
Warum klassisches Monitoring relevante Abweichungen oft übersieht
Viele Monitoring- und SCADA-Systeme analysieren PV-Daten in festen Zeitintervallen. Eine Minute am frühen Morgen wird dabei statistisch genauso behandelt wie eine Minute zur Mittagszeit. Aus technischer Sicht ist das einfach und nachvollziehbar. Aus wirtschaftlicher Sicht ist es jedoch problematisch.
Ein Leistungseinbruch um 07:00 Uhr hat bei niedriger Einstrahlung eine andere Bedeutung als derselbe Leistungseinbruch um 12:00 Uhr bei maximaler Produktion. Wenn beide Ereignisse gleich gewichtet werden, entsteht eine Verzerrung.
Der Kernpunkt
Nicht jede Minute ist gleich viel wert. Eine Analyse, die jede Minute gleich behandelt, kann den wirtschaftlichen Schaden einer Abweichung falsch einschätzen.
Problem 1
Ertragsarme Zeiten verzerren die Analyse. Morgen- und Abendstunden machen einen großen Teil der Zeitreihe aus, tragen aber relativ wenig zum Tagesertrag bei.
Problem 2
Kritische Mittagsverluste werden unterbewertet. Gerade während hoher Einstrahlung entstehen die größten wirtschaftlichen Schäden.
Problem 3
Relevante Abweichungen verschwinden im Rauschen. Ohne wirtschaftliche Gewichtung ist es schwierig, zwischen statistischem Rauschen und tatsächlich relevanten Performanceverlusten zu unterscheiden.
Der Jaroona-Ansatz: Energiegewichtete KI-Analyse
Die energiegewichtete Analyse dreht die klassische Logik um. Sie fragt nicht nur: „Wann ist eine Abweichung aufgetreten?", sondern vor allem: „Wie viel Energieertrag war in diesem Moment betroffen?" Damit rückt die tatsächliche wirtschaftliche Relevanz in den Mittelpunkt.
1
Zeitbasierte Analyse
Jede Messung zählt gleich. Eine Abweichung um 07:00 Uhr und eine um 12:00 Uhr werden statistisch ähnlich behandelt.
2
Energiegewichtete Analyse
Jede Messung wird nach dem betroffenen Energieertrag gewichtet. Hochertragsstunden erhalten automatisch ein höheres Gewicht.
3
Wirtschaftlich präzise Bewertung
Abweichungen werden nicht nur technisch erkannt, sondern nach ihrem tatsächlichen Ertragsverlust priorisiert.
In der Praxis bedeutet das: Ein String, der 90 % des Tages normal läuft, aber während der Mittagsspitze deutlich underperformt, wird von klassischen Systemen unter Umständen nicht priorisiert. Die energiegewichtete KI-Analyse erkennt dagegen, dass genau diese Abweichung wirtschaftlich relevant ist.
Von der Abweichung zur technischen Ursache
Eine reine Alarmmeldung ist für den Betrieb eines Solarparks oft nicht ausreichend. Entscheidend ist nicht nur, dass eine Abweichung existiert, sondern warum sie auftritt und welche Maßnahme daraus folgt.
Verarbeitete Datenquellen
- Stringströme und Stringspannungen
- Wechselrichterleistung und MPP-Verhalten
- Einstrahlungs- und Wetterdaten
- Temperaturdaten
- Historische Leistungsdaten
- Veränderungen über Tage, Wochen und Monate
- Wartungs- und Störungsinformationen
Erkannte Muster
Aus diesen Daten erkennt das System Muster, die für klassische Analysen schwer zugänglich sind:
- Wiederkehrende Leistungsabweichungen einzelner Strings
- Schleichende Verschlechterungen
- Tageszeitabhängige Verschattungseffekte
- Anomales Regelungsverhalten am Wechselrichter
Das Ziel ist nicht, zusätzliche Datenflut zu erzeugen. Das Ziel ist eine priorisierte, technisch verwertbare Handlungsempfehlung.
Underperformance eines einzelnen Strings
Das Szenario
String 34 zeigt eine um 12 % geringere Leistung gegenüber vergleichbaren Referenzstrings. Die Abweichung tritt jedoch nicht gleichmäßig über den ganzen Tag auf, sondern vor allem während hoher Einstrahlung.
Ein klassisches Monitoring-System könnte diesen String noch als weitgehend unauffällig bewerten. Die energiegewichtete KI-Analyse erkennt dagegen, dass die Abweichung genau in den wirtschaftlich wichtigsten Stunden auftritt.
Mögliche technische Ursachen
- Moduldefekt oder Zelldegradation
- Partielle Verschattung
- Fremdkörper auf Modulen
- Fehlerhafte Bypassdiode
- Kontaktproblem
- MPP-Regelungsproblem am Wechselrichter
Der operative Vorteil liegt in der Priorisierung: Statt eine pauschale Inspektion aller Strings durchzuführen, kann die Wartung gezielt auf String 34 ausgerichtet werden. Das reduziert Suchaufwand, verkürzt Reaktionszeiten und erhöht die Wahrscheinlichkeit, den wirtschaftlich relevanten Fehler schnell zu beheben.
Wirtschaftlicher Effekt: Kleine Abweichungen, große Wirkung
Bereits wenige Prozent Performanceverbesserung können bei kommerziellen PV-Anlagen und großen Solarparks erhebliche wirtschaftliche Auswirkungen haben.
1–1,5 MW
Einzelanlage
Kleine Verbesserung, aber bereits spürbarer Mehrertrag bei 3–10 % vermeidbarem Verlust.
10 MW
Solarpark
Deutlicher wirtschaftlicher Hebel – Performanceverluste summieren sich schnell zu signifikanten Beträgen.
100 MW
Portfolio
Performanceverluste können sich zu mehreren hunderttausend oder sogar Millionen Euro pro Jahr summieren.
Die KI-Analyse wirkt wie eine virtuelle zusätzliche PV-Leistung. Es werden keine zusätzlichen Module installiert, keine zusätzliche Fläche benötigt und keine neue Hardware aufgebaut. Der Mehrertrag entsteht durch bessere Datenauswertung, schnellere Fehlererkennung und gezieltere Wartung.
Predictive Maintenance: Vom Reagieren zum Vorhersagen
Klassische Wartung reagiert häufig auf sichtbare Fehler, Alarme oder periodische Inspektionspläne. Das ist notwendig, aber nicht optimal. Moderne PV-Portfolios benötigen eine stärker vorausschauende Betriebsführung.
Durch die Verknüpfung von SCADA-Daten, Echtzeit-Sensorwerten, Wetterdaten, Reinigungsprotokollen, O&M-Tickets, Wartungsbüchern und Komponentenhistorie entsteht eine deutlich bessere Entscheidungsgrundlage.
Frühwarnung
Technische Probleme werden erkannt, bevor sie sich zu signifikanten Ertragsverlusten summieren. Die KI erkennt typische Vorläufer von Störungen wie langsam sinkende Stringleistungen oder wiederkehrende Abweichungen bei bestimmten Wetterlagen.
Priorisierung
Wartung wird nicht nach starren Routinen geplant, sondern nach wirtschaftlicher Relevanz. Ressourcen werden dort eingesetzt, wo der größte Effekt zu erwarten ist.
Verfügbarkeit
Ungeplante Ausfälle und lange Reaktionszeiten können reduziert werden. Der operative Grundsatz lautet: Wartung erfolgt, bevor Ertrag verloren geht – nicht erst danach.
Kombination mit Drohneninspektionen
Betriebsdatenanalyse und Drohneninspektion ergänzen sich ideal. Die Betriebsdatenanalyse zeigt, wo eine Anlage underperformt und wie wirtschaftlich relevant die Abweichung ist – aber nicht immer, welcher physische Defekt tatsächlich vorliegt. Drohneninspektionen zeigen dagegen physische Auffälligkeiten wie Hotspots, Modulschäden, Verschmutzung oder Verschattung.
Die effiziente Diagnosekette
01
Datenerkennung
SCADA- und Stringdaten zeigen eine relevante Abweichung im Anlagenbetrieb.
02
KI-Priorisierung
Die energiegewichtete KI-Analyse priorisiert den betroffenen String nach wirtschaftlicher Relevanz.
03
Gezielter Drohnenflug
Die Drohne fliegt gezielt den auffälligen Bereich an – kein pauschales Abfliegen der gesamten Anlage.
04
Physische Bestätigung
Thermografie oder RGB-Aufnahmen bestätigen den physischen Defekt am Modul oder String.
05
Reparaturempfehlung
Die Wartung erhält eine konkrete, datenbasierte Reparaturempfehlung mit klarer Priorisierung.
Statt hunderte Module pauschal zu prüfen, wird die Drohne gezielt dort eingesetzt, wo die Datenanalyse den größten wirtschaftlichen Schaden vermutet. Der Inspektionsaufwand sinkt erheblich.
Portfolio-Analyse für Betreiber mehrerer Anlagen
Besonders stark ist der Nutzen auf Portfolio-Ebene. Betreiber mit vielen Standorten stehen vor einer zentralen Frage: Welche Anlage verliert aktuell Energieertrag – und wo ist der wirtschaftliche Schaden am größten?
Ohne einheitliche, normierte Analyse ist diese Frage schwer zu beantworten. Anlagen unterscheiden sich nach Standort, Alter, Technologie, Einstrahlungsprofil, Wartungshistorie und Betriebsbedingungen. Die Jaroona-Analyse schafft eine vergleichbare Sicht auf alle Anlagen.
Normiertes Benchmarking
Anlagen werden fair miteinander verglichen, obwohl sie unterschiedliche Standortbedingungen haben.
Automatisches Flagging
Die Plattform erkennt automatisch Anlagen, die signifikant unter Erwartung liegen.
O&M-Priorisierung
Wartungsbudget und Einsatzplanung werden dort konzentriert, wo der größte wirtschaftliche Effekt zu erwarten ist.
Portfolioweite Transparenz
Management, Betrieb und Asset Management erhalten eine gemeinsame Entscheidungsgrundlage.
Gerade bei großen Portfolios kann diese Priorisierung den Unterschied zwischen reaktiver Verwaltung und aktivem Performance Management ausmachen.
Integration in bestehende Systemlandschaften
Die Lösung ist nicht als Ersatz bestehender IT-Systeme gedacht, sondern als intelligente Analyseebene über vorhandenen Datenquellen. Ein Systemwechsel ist in der Regel nicht erforderlich.
SCADA-Systeme
Historische und laufende Betriebsdaten werden automatisiert abgerufen und analysiert. Keine manuelle Datenübertragung erforderlich.
Wechselrichter-APIs
String-Level-Daten können direkt aus Wechselrichtern oder Herstellerplattformen eingebunden werden.
O&M-Software
Analyseergebnisse können als priorisierte Tickets oder Handlungsempfehlungen in bestehende Wartungssysteme übertragen werden.
Asset-Management-Systeme
Performance-Kennzahlen, Ertragsprognosen und Optimierungspotenziale können in Portfolio-Reports und Management-Dashboards integriert werden.
Damit bleibt die bestehende Betriebsstruktur erhalten. Die KI ergänzt vorhandene Systeme um eine wirtschaftlich fokussierte Analyse- und Priorisierungsschicht.
Für wen ist die Lösung besonders relevant?
Die energiegewichtete KI-Analyse ist besonders relevant für Organisationen, die Solar-Assets professionell betreiben, verwalten oder finanzieren.
Solarparkbetreiber
Betreiber von Freiflächenanlagen profitieren durch frühere Fehlererkennung, weniger versteckte Ertragsverluste und gezieltere Wartung.
Energieversorger und IPPs
Für Unternehmen mit PV-Anlagen im eigenen Portfolio ist die Lösung ein Instrument zur Renditesicherung, Betriebskostenoptimierung und Performance-Transparenz.
Infrastruktur- und Energieinvestoren
Investoren benötigen belastbare Performancedaten für Due Diligence, Bewertung, Reporting und Verkaufsvorbereitung.
O&M-Dienstleister
Wartungsunternehmen können ihren Service datenbasiert erweitern und Kunden nicht nur reaktive Reparatur, sondern priorisierte Performanceoptimierung anbieten.
Skalierbarkeit: Von der Einzelanlage zum Großportfolio
Die Methodik ist plattformunabhängig und skalierbar. Sie kann auf einer einzelnen Anlage starten und später auf große Portfolios ausgeweitet werden. Damit wächst die Plattform mit dem Betreiber: von der ersten Anlage bis zu hunderten Standorten in mehreren Ländern.
Einzelanlage
Detaillierte Stringanalyse, Ursachenidentifikation und Wartungspriorisierung für eine einzelne PV-Anlage.
Solarpark
Analyse tausender Strings, automatisches Erkennen von Underperformance und gezielte Inspektionsplanung auf Parkebene.
Portfolio
Standortübergreifendes Benchmarking, Ranking nach Optimierungspotenzial und portfolioweite Ressourcenpriorisierung über alle Standorte.
Langfristige Perspektive: Solar Asset Management der Zukunft
Die energiegewichtete KI-Analyse ist ein Einstieg in eine umfassendere Entwicklung. In den kommenden Jahren werden PV-Anlagen zunehmend datenbasiert, automatisiert und vorausschauend gesteuert.
1
KI-optimierte Inspektion
Hotspots und Leistungsabweichungen werden automatisch korreliert. Inspektionsintervalle werden dynamisch an den tatsächlichen Anlagenzustand angepasst.
2
Proaktive Wartungsplanung
Das System prognostiziert Ausfallwahrscheinlichkeiten und plant Wartungsmaßnahmen, bevor Ertragseinbußen entstehen.
3
Normiertes Portfolio-Benchmarking
Anlagen werden nach Standort, Alter, Technologie und Betriebsbedingungen vergleichbar gemacht.
4
Dynamischer digitaler Zwilling
Jede Anlage erhält ein digitales Abbild, mit dem Wartungsmaßnahmen, Komponentenwechsel oder Erweiterungen simuliert werden können.
So entwickelt sich das klassische Monitoring zu einem aktiven Solar Asset Management System, das technische Daten, wirtschaftliche Kennzahlen und operative Maßnahmen miteinander verbindet.
Fazit: Bessere Datenanalyse statt mehr Hardware
Viele Ertragsverluste in Solarparks entstehen nicht, weil Daten fehlen, sondern weil vorhandene Daten nicht wirtschaftlich genug ausgewertet werden. Klassisches Monitoring erkennt offensichtliche Störungen, übersieht aber häufig jene Abweichungen, die nur unter bestimmten Einstrahlungsbedingungen auftreten und gerade deshalb besonders relevant sind.
Die energiegewichtete KI-Analyse von Jaroona setzt genau hier an. Sie bewertet Performanceabweichungen nach ihrem tatsächlichen Einfluss auf den Energieertrag, erkennt technische Muster auf String- und Anlagenebene und priorisiert Wartung nach wirtschaftlichem Schaden.
Für Betreiber, Energieunternehmen, Investoren und O&M-Dienstleister entsteht damit ein präziserer, skalierbarer und wirtschaftlich fokussierter Ansatz für den Betrieb moderner PV-Anlagen.
Der zentrale Vorteil
Mehr Ertrag entsteht nicht durch zusätzliche Module oder zusätzliche Fläche, sondern durch intelligentere Analyse, schnellere Fehlererkennung und gezieltere Maßnahmen.
Wirtschaftlich fokussiert
Abweichungen werden nach tatsächlichem Ertragsverlust bewertet – nicht nach Zeitstempel.
Technisch präzise
Muster auf String- und Anlagenebene werden erkannt und technischen Ursachen zugeordnet.
Skalierbar
Von der Einzelanlage bis zum Großportfolio – ohne Systemwechsel und ohne neue Hardware.
Versteckte Ertragsverluste in Ihrem PV-Portfolio erkennen?
Starten Sie mit einem Pilotprojekt auf Basis Ihrer bestehenden SCADA-, Wechselrichter- oder O&M-Daten. Jaroona analysiert das Optimierungspotenzial Ihrer Anlage und zeigt, welche Abweichungen wirtschaftlich wirklich relevant sind.
Bestehende Daten nutzen
Kein Systemwechsel, keine neue Hardware – wir arbeiten mit Ihren vorhandenen SCADA- und Wechselrichterdaten.
Schneller Einstieg
Das Pilotprojekt zeigt innerhalb kurzer Zeit, wo wirtschaftlich relevante Abweichungen in Ihrer Anlage vorliegen.
Klare Ergebnisse
Sie erhalten eine priorisierte Übersicht der Optimierungspotenziale – konkret, verständlich und handlungsorientiert.
Ihr Partner für KI & Maschinelles Lernen
Maßgeschneiderte KI-Lösungen für Unternehmen – von der strategischen Beratung bis zur erfolgreichen Umsetzung.
© 2026 Jaroona. Alle Rechte vorbehalten.