Verschmutzungsverluste in der Solarprognose plausibel ansetzen
08.10.2026
Eine pauschale Verlustzahl ist nur ein Startpunkt. Für eine belastbare Solarprognose zählen Standort, Regen, Ablagerungsquellen und die Qualität der Messdaten.
Warum eine Zahl allein wenig aussagt
Verschmutzungsverluste sind kein fester Anlagenparameter wie die Modulnennleistung. Staub, Ruß, Pollen und andere Ablagerungen können Licht abfangen; entscheidend sind unter anderem lokale Quellen, Niederschlag und die Verteilung der Verschmutzung. Sandia weist darauf hin, dass Anlagen in derselben Region – bis hin zu Teilflächen eines Systems – unterschiedliche Anlagerungsraten aufweisen können. Die IEA PVPS betont ebenfalls die Heterogenität und hält fest, dass Modellierungsansätze weiterentwickelt werden. Eine Verlustannahme sollte daher nicht als universeller Standortwert ausgegeben werden. [Sandia PVPMC](https://pvpmc.sandia.gov/modeling-guide/1-weather-design-inputs/shading-soiling-and-reflection-losses/soiling-losses/) und [IEA PVPS](https://iea-pvps.org/key-topics/soiling-losses-impact-on-the-performance-of-photovoltaic-power-plants/).
Pauschalwert als Vergleich, nicht als Wahrheit
Der US-Energieministeriums-Leitfaden nennt für den PVWatts-Rechner im Mittel zwei Prozent des Ertragspotenzials als Verschmutzungsverlust. Derselbe Leitfaden stellt klar, dass der tatsächliche Verlust stark von Wetter und Verschmutzungsbedingungen vor Ort abhängt. Das macht den Wert zu einem Vergleichspunkt, nicht automatisch zur passenden Eingabe für ein deutsches Dach oder einen Solarpark. [DOE-Leitfaden](https://www.energy.gov/cmei/systems/farmers-guide-going-solar).
Standortmerkmale systematisch erfassen
Notieren Sie konkrete Indizien: Gibt es nahe Felder mit Bodenbearbeitung, eine Baustelle oder eine stark befahrene Straße? Wie häufig sind niederschlagsarme Phasen? Gibt es flache Modulbereiche oder Teilflächen mit deutlich anderem Ablagerungsmuster? Diese Fragen liefern keine exakte Prozentzahl, begründen aber, weshalb ein Standort eher am unteren oder oberen Rand eines Szenariobands liegen könnte. Der DOE nennt Landwirtschaft als mögliche Partikelquelle; Sandia beschreibt, wie Nähe zu landwirtschaftlichen Flächen, staubigen Straßen oder Industrie die Belastung beeinflusst. Beobachtung und Unsicherheit sollten getrennt dokumentiert werden.
Zeitverlauf und Messdaten berücksichtigen
Ein Jahresmittel kann verdecken, dass sich Ablagerungen zwischen Regen- oder Reinigungsereignissen aufbauen und danach teilweise zurückgehen. Das Kimber-Modell bildet eine Zeitreihe mit angenommener linearer Anlagerung und Reinigungsereignissen ab; die Rate wird typischerweise aus gemessenen PV-Leistungsdaten abgeleitet. Liegen Anlagen- oder Referenzmessungen vor, können sie die Rate besser verankern als ein übernommener Standardwert. Fehlen Daten, sollte die Schätzung als Annahme ausgewiesen und mit mehreren plausiblen Verläufen geprüft werden. [Kimber-Modell, PVPMC](https://pvpmc.sandia.gov/modeling-guide/1-weather-design-inputs/shading-soiling-and-reflection-losses/soiling-losses/kimber-soiling-model/).
Die Wirkung mit Szenarien prüfen
Angenommen, eine Modellrechnung ergibt vor Verschmutzung 1.000 kWh. Ein rein illustrativer Abzug von zwei Prozent ergibt 980 kWh. Das ist ein Rechenbeispiel, keine Ertragsaussage für eine konkrete Anlage. Rechnen Sie einen niedrigen, einen Referenz- und einen höheren Verschmutzungsfall durch und zeigen Sie, wie stark sich das Ergebnis ändert. Je weniger standortspezifische Messungen vorliegen und je heterogener die Fläche ist, desto klarer sollte die Unsicherheit benannt werden.
Was in den Bericht gehört
Nennen Sie den angesetzten Verlust, den Zeitraum, die Standortmerkmale, vorhandene Mess- oder Wetterinformationen und die Unsicherheitsbandbreite. Trennen Sie Verschmutzung von anderen Verlustarten wie Verschattung, Verfügbarkeit oder Alterung, damit derselbe Effekt nicht doppelt abgezogen wird. Die IEA PVPS weist auf fortbestehenden Entwicklungs- und Validierungsbedarf hin. Wo die Datenlage dünn ist, ist eine begründete Bandbreite belastbarer als eine scheinbar exakte Einzelzahl.