Analyse: Valg af datagrundlag til professionel solcelledrift
Kan man nøjes med DataHubs standarddata til at drive en større solcelleportefølje, eller er prisen for manglende indsigt reelt højere end investeringen i direkte logning? Få svaret i denne analyse af, hvorfor realtidsdata er nøglen til præcis fejlsøgning og aktiv styring.
Baggrund for analysen
Vi bliver ofte spurgt, om man ikke blot kan basere arbejdet med solcelleanlæg på data fra DataHub. Det kan man i princippet godt, og for nogle simple formål er det tilstrækkeligt. Men til professionel drift, præcis fejldiagnose og intelligent styring er datagrundlaget generelt for tyndt – især fordi DataHub-data både er aggregerede og typisk forsinket i 1–2 døgn.
For at få en neutral og fagligt afbalanceret vurdering af forskellen på datagrundlagene blev ChatGPT anvendt til at udarbejde en beslutningsmatrix. Resultatet er nedenfor. Begge modeller gør brug af AI som et understøttende lag til databehandling og analyser – men udbyttet afhænger i høj grad af kvaliteten og detaljen i de data, AI’en får adgang til.
I det følgende sammenlignes to tilgange:
- Model A: En model baseret på hovedmåler/DataHub.
- Model B: En model baseret på en kombination af inverter-/loggerdata samt DataHub.
Formålet er at give et klart, teknisk funderet overblik over, hvornår de to modeller egner sig – og hvor deres begrænsninger ligger. Matricen er udformet, så en uvildig tredje part med rimelighed ville kunne komme frem til samme konklusion, hvis de trykprøvede argumenterne.
Beslutningsmatrix: Valg af datagrundlag for solcelleplatform
Model A: Hovedmåler/DataHub + AI (estimeret PV, ~2 døgn forsinkede data)
Model B: Logger-/Inverterdata/DataHub + AI (målt PV, nær-realtid)
Skala: 0 = meget dårlig / uegnet 5 = fremragende / optimalt
Tema 1 – Datakvalitet & præcision
| # | Kriterie | Model A | Model B |
|---|---|---|---|
| 1 | Direkte vs. estimeret PV-produktion | 3 | 5 |
| 2 | Datagranularitet (site vs. inverter/streng) | 1 | 5 |
| 3 | Robusthed mod varierende forbrug | 3 | 5 |
| 4 | Evne til at opdage små tab (<10 %) | 3 | 5 |
| 5 | Fremtidssikring ift. datakrav | 2 | 5 |
DataHub-målinger er stabile og officielle. På mindre anlæg estimeres PV-produktion ud fra import/eksport, mens anlæg over ca. 50 kWp typisk har særskilte produktionsmålere i DataHub. Model A får derfor en moderat score på præcision. Model B kombinerer samme DataHub-grundlag med detaljerede inverter-/strengdata og har derfor både højere granulæritet og bedre mulighed for at opdage mindre tab og inkonsistenser på tværs af flere invertere.
Tema 2 – Teknisk drift & fejldiagnose
| # | Kriterie | Model A | Model B |
|---|---|---|---|
| 6 | Fejldetektion på inverter-/strengniveau | 0 | 5 |
| 7 | Diagnose af skygge-, kabel- og panelproblemer | 1 | 5 |
| 8 | Mulighed for teknisk sparring (datagrundlag) | 2 | 5 |
| 9 | Detektion af langsom degradering over år | 2 | 5 |
| 10 | Driftssikkerhed på komplekse sites (3–10 invertere) | 2 | 5 |
Model A kan indikere, at et anlæg samlet set performer dårligere, men kan ikke lokalisere problemet til en specifik inverter eller streng. Model B giver data pr. inverter/streng og muliggør dermed egentlig teknisk fejldiagnose og prioritering af indsatser, hvilket er standard i professionel drift af større PV-porteføljer.
Tema 3 – Styring, fleksibilitet & automatisering
| # | Kriterie | Model A | Model B |
|---|---|---|---|
| 11 | Realtidsstyring (batteri, pumper, ventilation) | 0 | 5 |
| 12 | Peak shaving og load shifting | 0 | 5 |
| 13 | Integration til EMS/BACS/Smart Grid | 1 | 5 |
| 14 | Egnethed til energifællesskaber/fleksibilitet | 0 | 5 |
| 15 | Evne til lastprognoser baseret på PV og forbrug | 3 | 5 |
DataHub-data er typisk forsinket med ca. 1–2 døgn og kan derfor ikke bruges til reel realtidsstyring, peak shaving eller deltagelse i fleksibilitets-/balanceringsmarkeder. Model B kan hente nær-realtidsdata fra invertere/loggere og er derfor det naturlige datagrundlag for styringsalgoritmer, energifællesskaber og avanceret automatisering.
Tema 4 – Compliance, dokumentation & transparens
| # | Kriterie | Model A | Model B |
|---|---|---|---|
| 16 | Revisionssikre produktionstal (PV / site) | 3 | 5 |
| 17 | Dokumentation af degradering og vedligehold (PV-specifikt) | 2 | 5 |
| 18 | Anvendelighed i garanti- og forsikringssager | 2 | 5 |
| 19 | Brugbarhed i ESG-/kommunal rapportering | 4 | 5 |
| 20 | Sporbarhed og historik | 3 | 5 |
DataHub er den officielle kilde til elforbrug/nettoudveksling og scorer derfor højt til revision og ESG-rapportering på bygningsniveau. Model B inkluderer også DataHub-data og supplerer med inverterdata, som er revisionssikre til teknisk dokumentation af PV-ydelse. Derfor vurderes Model B samlet som stærkere til dokumentation af både produktion, degradering og tekniske hændelser, mens Model A i højere grad er afhængig af estimeret PV på mindre anlæg.
Tema 5 – Porteføljestyring & strategisk overblik
| # | Kriterie | Model A | Model B |
|---|---|---|---|
| 21 | Porteføljeoverblik på tværs af bygninger | 4 | 5 |
| 22 | Benchmarking mod clusters og invertere | 2 | 5 |
| 23 | AI's evne til outlier detection | 3 | 5 |
| 24 | Prioritering af teknikerbesøg | 3 | 5 |
| 25 | Evne til at understøtte strategiske energiprojekter | 3 | 5 |
Begge modeller kan give et godt overblik på tværs af en portefølje. Model A er stærk til administrativt overblik og energibalancer, mens Model B giver mulighed for benchmarking på både site-, inverter- og strengniveau samt geografiske clusters. Det gør Model B bedre egnet som datagrundlag for strategiske energiprojekter og målrettet indsats på de dårligst ydende anlæg.
Tema 6 – Pris, installation & økonomisk potentiale
| # | Kriterie | Model A | Model B |
|---|---|---|---|
| 26 | Installationskompleksitet | 5 | 2 |
| 27 | Startomkostninger | 5 | 2 |
| 28 | Driftsomkostninger | 4 | 3 |
| 29 | Afhængighed af hardware på site | 5 | 2 |
| 30 | Økonomisk potentiale via fejlrettelse og øget egenforbrug | 2 | 5 |
Model A er billigst at installere og kræver ingen ekstra hardware, hvilket giver meget lave startomkomstninger og høj skalerbarhed. Model B indebærer investering i loggere/inverter-integration, men giver til gengæld langt større økonomisk potentiale gennem hurtigere fejlafhjælpning, bedre ydelsesanalyse og markant øget egenforbrug af den producerede energi. Derfor vurderes Model B samlet som stærkere set over hele anlæggets levetid.
