LoCoSOL – LowCost-Monitoring von thermischen Solaranlagen

Zusammenfassung

Eine Einführung in die Thematik wurde in einem Workshop erarbeitet, bei dem die bestehenden Daten von Energie Zukunft Schweiz (EZS) zur Funktionskontrolle thermischer Solaranlagen visualisiert und die entsprechenden Fehlerbilder erläutert wurden. Die Begehung einer Solaranlage, bei der ein LoRa-Sensor bereits installiert ist, ermöglichte den Praxisbezug und machte die Problematik von Solaranlagen erlebbar. Das bestehende Monitoring-System von EZS wurde auf eine neue Serverplattform als Produktivsystem kopiert. Ein zweites System wurde als Entwicklungssystem aufgesetzt. Das Entwicklungssystem erhält die gespiegelten Daten. Durch dieses Vorgehen wird sichergestellt, dass das Produktivsystem nicht durch die Entwicklungsarbeiten gefährdet wird. Die Fehlerbilder bzw. Testfälle, die es automatisch zu erkennen gilt, sind ausformuliert. Es stehen Daten von 52 Anlagen zur Verfügung, bei denen 17 mit Fehlern aufwarten. Dies ist eine genügende Datenbasis für die Projektarbeit. Die Erkennungsalgorithmen wurden entwickelt und hinsichtlich ihrer Eignung für diese Aufgabenstellung bewertet. Es wird ein «supervised learning» “Long short-term Memory” (LSTM) Algorithmus, unter der Zuhilfenahme der «Framework» Tensorflow & Keras, eingesetzt. Die Erkennung von ersten Testfällen sind implementiert und werden an den vorhanden Datensätzen getestet. Das Finalisieren der Programmierung und das Testen der automatischen Fehlererkennung sind Gegenstand der aktuellen Arbeiten.

Weitere Texte

Publikationen / Ergebnisse

Eine Einführung in die Thematik wurde in einem Workshop erarbeitet, bei dem die bestehenden Daten von Energie Zukunft Schweiz (EZS) zur Funktionskontrolle thermischer Solaranlagen visualisiert und die entsprechenden Fehlerbilder erläutert wurden. Die Begehung einer Solaranlage, bei der ein LoRa-Sensor bereits installiert ist, ermöglichte den Praxisbezug und machte die Problematik von Solaranlagen erlebbar. Das bestehende Monitoring-System von EZS wurde auf eine neue Serverplattform als Produktivsystem kopiert. Ein zweites System wurde als Entwicklungssystem aufgesetzt. Das Entwicklungssystem erhält die gespiegelten Daten. Durch dieses Vorgehen wird sichergestellt, dass das Produktivsystem nicht durch die Entwicklungsarbeiten gefährdet wird. Die Fehlerbilder bzw. Testfälle, die es automatisch zu erkennen gilt, sind ausformuliert. Es stehen Daten von 52 Anlagen zur Verfügung, bei denen 17 mit Fehlern aufwarten. Dies ist eine genügende Datenbasis für die Projektarbeit. Die Erkennungsalgorithmen wurden entwickelt und hinsichtlich ihrer Eignung für diese Aufgabenstellung bewertet. Es wird ein «supervised learning» “Long short-term Memory” (LSTM) Algorithmus, unter der Zuhilfenahme der «Framework» Tensorflow & Keras, eingesetzt. Die Erkennung von ersten Testfällen sind implementiert und werden an den vorhanden Datensätzen getestet. Das Finalisieren der Programmierung und das Testen der automatischen Fehlererkennung sind Gegenstand der aktuellen Arbeiten.

Schlussbericht

Ein maschinell lernender Algorithmus (MLA) wurde entwickelt, der in der Lage ist, den Betriebszustand von solarthermischen Anlagen zu beurteilen und Fehlfunktionen zu identifizieren. Der MLA verwendet die Messdaten von nur einem Temperatursensor sowie die Bestrahlungsstärke und die Umgebungstemperatur der nächstgelegenen Wetterstation. Die Messdaten werden via LoRaWAN kommuniziert. Die Analyse der Daten erfolgt auf einem cloudbasierten Server. Eine detaillierte Analyse der Problemstellung führt zur Klassifizierung als multivariantes Zeitreihenproblem. Für Problemstellungen dieser Art sind Neuronale Netze aus dem Bereich der Datenwissenschaft bestens geeignet. Das Training und die Validierung des neuronalen Netzes wurde mit Hilfe des Software Frameworks TensorFlow durchgeführt. Hierzu wurden Daten aus dem bereits laufenden Monitoringsystem verwendet. Es konnte gezeigt werden, dass der MLA in der Lage ist, die Nachtauskühlung des Speichers durch Schwerkraftzirkulation, eine häufig auftretende Fehlfunktion, mit einer Treffsicherheit 79% bis 89% zu erkennen. Für die Weiterentwicklung zu einer praxistauglichen Lösung muss jedoch das neuronale Netzwerk verbessert und anhand einer umfangreicheren Datenbasis trainiert und validiert werden.

Projektdetails

Forschungsstelle
BFE
Projektstatus
Abgeschlossen
Projekttyp
Forschungsprojekt
Startdatum
2019-10-31
Enddatum
2021-03-30
Bewilligte Gesamtkosten
CHF 79280.00
Sektion
Solarthermie und Wärmespeicherung
NABS Politikbereich
Erzeugung, Verteilung und rationelle Nutzung der Energie

Kategorien

Solar heating and cooling Solarwärme (aktive und passive Nutzung, inkl. Wärmespeicherung) Anwendungsorientierte Forschung

Labels

F+E Solarthermie und Wärmespeicherung