ServicenavigationHauptnavigationTrailKarteikarten


Forschungsstelle
BFE
Projektnummer
SI/501965
Projekttitel
LoCoSOL – LowCost-Monitoring von thermischen Solaranlagen

Texte zu diesem Projekt

 DeutschFranzösischItalienischEnglisch
Kurzbeschreibung
Anzeigen
-
-
-
Publikationen / Ergebnisse
Anzeigen
-
-
-
Schlussbericht
Anzeigen
Anzeigen
-
Anzeigen

Erfasste Texte


KategorieText
Kurzbeschreibung
(Deutsch)
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.
Publikationen / Ergebnisse
(Deutsch)
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.
Zugehörige Dokumente
Schlussbericht
(Deutsch)
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.
Zugehörige Dokumente
Schlussbericht
(Englisch)
A machine-learning algorithm (MLA) has been developed that is capable of assessing the operating status of solar thermal plants and identifying malfunctions. The MLA uses the measurement data from only one temperature sensor as well as the irradiance and ambient temperature of the nearest weather station. The measurement data is communicated via LoRaWAN. The data is analyzed on a cloud-based server. A detailed analysis of the problem leads to its classification as a multivariate time series problem. Neural networks from the field of data science are ideally suited for problems of this type. The training and validation of the neural network was performed using the software framework TensorFlow. For this purpose, data from the already running monitoring system were used. It could be shown that the MLA is able to detect the night cooling of the storage tank by gravity circulation, a frequently occurring malfunction, with an accuracy of 79% to 89%. However, for further development into a practical solution, the neural network needs to be improved and trained and validated against a more extensive database.
Zugehörige Dokumente
Schlussbericht
(Französisch)
Un algorithme d'apprentissage automatique (MLA) a été développé, capable d'évaluer l'état de fonctionnement des centrales solaires thermiques et d'identifier les dysfonctionnements. L'AML utilise les données de mesure d'un seul capteur de température ainsi que l'éclairement énergétique et la température ambiante de la station météorologique la plus proche. Les données de mesure sont communiquées via LoRaWAN. L'analyse des données est effectuée sur un serveur en nuage. Une analyse détaillée du problème conduit à sa classification comme un problème de séries temporelles multivariées. Les réseaux neuronaux issus du domaine de la science des données sont parfaitement adaptés aux problèmes de ce type. La formation et la validation du réseau de neurones ont été effectuées à l'aide du cadre logiciel TensorFlow. Pour ce faire, les données du système de surveillance déjà en place ont été utilisées. Il a pu être démontré que le MLA est capable de détecter le refroidissement nocturne du réservoir de stockage par circulation gravitaire, un dysfonctionnement fréquent, avec une précision de 79% à 89%. Cependant, pour être développé en une solution pratique, le réseau neuronal doit être amélioré, entraîné et validé en utilisant une base de données plus étendue.
Zugehörige Dokumente