Solar App – Deine PV-Anlage immer im Blick

Mit einer einfachen Aufnahme per Smartphone erhältst du eine vollständige Analyse deiner PV-Module, den Verschmutzungsgrad, die Effizienz und den optimalen Reinigungszeitpunkt. Meine App erkennt automatisch die Module und bereitet alle Daten so auf, dass du sie leicht verstehen kannst – so behältst du den Überblick über deine Energieproduktion.

zum Technologie-Stack

Automatische Solarmodul-Erkennung

Meine Software stellt sicher, dass alle Solarmodule automatisch erkannt und analysiert werden

KI-gestützte Verschmutzungsanalyse

Moderne Bilderkennungsalgorithmen helfen dabei, den Verschmutzungsgrad deiner Anlage schnell und einfach zu bestimmen

Persönliche Reinigungsempfehlungen

Du erhältst klare und verständliche Empfehlungen, wann eine Reinigung wirtschaftlich sinnvoll ist

Anschauliche Übersichten

Interaktive Grafiken zeigen dir den Zustand und die Historie deiner Anlagen auf einen Blick

Erkunden

Vom Foto bis zur Analyse: Der Technologie-Stack im Überblick

Meine Solar-App nutzt modernste Technologien, um Kamerabilder in aussagekräftige Analysen zu verwandeln. Innovative Bildverarbeitung, smarte KI-Algorithmen und eine benutzerfreundliche Oberfläche sorgen dafür, dass du immer schnell und einfach den Überblick über deine Solaranlagen behältst. Mit einem flexiblen Frontend auf Basis von Flutter und robusten Algorithmen zur Bilderkennung können dir klare Ergebnisse geliefert werden – unkompliziert und verlässlich.

1. Bilderkennung und Modulidentifikation

Flutter + TensorFlow Lite

Deine Fotos werden direkt auf dem Smartphone verarbeitet. Mithilfe von TensorFlow Lite werden die Solarmodule automatisch erkannt und für die weitere Analyse markiert – so werden alle Module präzise identifiziert. Dadurch wird eine optimale Datenbasis geschaffen, die alle nachfolgenden Analyseprozesse unterstützt.

2. KI-gestützte Verschmutzungsanalyse

PyTorch + Scikit-Learn

Mit PyTorch werden die KI-Modelle trainiert, um Verschmutzungen auf den Modulen zu erkennen. Scikit-Learn unterstützt dabei die Datenaufbereitung und Validierung, sodass verschiedene Verschmutzungsgrade zuverlässig identifiziert werden. Auf diese Weise wird eine fundierte Analyse ermöglicht, die stets an den neuesten wissenschaftlichen Erkenntnissen ausgerichtet ist.

3. Mobile App-Architektur

Flutter + Dart + Riverpod

Die App basiert auf Flutter und Dart und nutzt Riverpod für das State Management. Diese Kombination ermöglicht eine effiziente Datenverarbeitung auf dem Gerät und eine reaktionsschnelle Benutzeroberfläche. Dadurch wird eine reibungslose Nutzererfahrung gewährleistet, die eine schnelle Verarbeitung der Anfragen ermöglicht.

4. Benutzeroberfläche (UI/UX)

Material Design + Custom Widgets

Die intuitive und responsive Benutzeroberfläche wird mit Material Design und maßgeschneiderten Widgets realisiert. So kann jederzeit unkompliziert auf die Analyseergebnisse zugegriffen und diese auf einen Blick erfasst werden. Dies sorgt für eine benutzerfreundliche und interaktive Erfahrung, die den Zugang zu den Analyseergebnissen erheblich erleichtert.

5. Datenanalyse und Visualisierung

Dart + Custom Charts

Dart wird zur Aufbereitung der Analyseergebnisse verwendet, während maßgeschneiderte Charts zur Visualisierung der aufbereiteten Daten in klaren und ansprechenden Diagrammen eingesetzt werden. So werden wichtige Trends und Zusammenhänge visuell hervorgehoben, was die Interpretation erleichtert und fundierte Entscheidungen unterstützt.

6. Lokale Datenspeicherung

SQLite + Shared Preferences

Die Anwendung nutzt SQLite zur lokalen Speicherung der Anlagedaten und Analyseergebnisse. Mit Shared Preferences werden Benutzereinstellungen sicher gespeichert. Dies ermöglicht eine reibungslose Offline-Nutzung und schnelle Zugriffe auf historische Daten.

7. Versionskontrolle und Entwicklung

Git + GitHub + Trello

Für die kontinuierliche Weiterentwicklung wird Git in Kombination mit GitHub zur Versionskontrolle eingesetzt. Trello sorgt dabei für eine strukturierte Planung und Koordination aller Entwicklungsaufgaben. So wird sichergestellt, dass alle Änderungen nachvollziehbar dokumentiert und effizient umgesetzt werden.

8. Modellüberwachung und Optimierung

MLFlow + TensorBoard

MLFlow und TensorBoard ermöglichen eine kontinuierliche Überwachung des Trainingsfortschritts der KI-Modelle. Durch gezieltes Feintuning wird die Genauigkeit der Verschmutzungsanalysen stetig verbessert. Dies trägt dazu bei, dass die Modelle stets optimal an neue Daten angepasst und langfristig zuverlässig eingesetzt werden.