Low Cost Monitoring thermischer Solaranlagen mit IoT-Sensor und maschinellem Lernen

Schrift Standard Fett
Login

Forschungsstelle

BFE

Projektnummer

SI/502318

Projekttitel

Low Cost Monitoring thermischer Solaranlagen mit IoT-Sensor und maschinellem Lernen

Texte zu diesem Projekt

	Deutsch	Französisch	Italienisch	Englisch
Kurzbeschreibung		-	-	-

Erfasste Texte

Kategorie	Text
Kurzbeschreibung (Deutsch)	Basierend auf den Resultaten im Projekt LoCoSol wird das Low Cost Monitoring System für thermische Solaranlagen zur Einsatzreife weiterentwickelt. Das System besteht aus einem einzigen IoT-Temperatursensor, der über LoRaWAN mit einer cloudbasierten Datenbank kommuniziert. Die Daten werden vollautomatisch analysiert. Der Anlagenbetreiber erhält nicht nur sofortige Meldung über Betriebsstörungen, sondern auch periodische Abschätzungen des Solarertrags. Das System enthält zwei weitere, wesentliche Innovationen: Der Sensor wird nicht am Kollektoraustritt, sondern an der Vorlaufleitung im Technikraum platziert, wo er sehr einfach durch den Anlagenbetreiber selbst installiert werden kann. Weil Messdaten von dieser Stelle schwieriger zu interpretieren sind, wird ein neuer, hybrider Algorithmus entwickelt. Dieser verfügt nebst neuronalen Netzen auch regelbasierte Komponenten. Mit diesem Konzept kann die Zuverlässigkeit deutlich gesteigert werden.

Kategorie

Text

Kurzbeschreibung
(Deutsch)

Basierend auf den Resultaten im Projekt LoCoSol wird das Low Cost Monitoring System für thermische Solaranlagen zur Einsatzreife weiterentwickelt. Das System besteht aus einem einzigen IoT-Temperatursensor, der über LoRaWAN mit einer cloudbasierten Datenbank kommuniziert. Die Daten werden vollautomatisch analysiert. Der Anlagenbetreiber erhält nicht nur sofortige Meldung über Betriebsstörungen, sondern auch periodische Abschätzungen des Solarertrags. Das System enthält zwei weitere, wesentliche Innovationen: Der Sensor wird nicht am Kollektoraustritt, sondern an der Vorlaufleitung im Technikraum platziert, wo er sehr einfach durch den Anlagenbetreiber selbst installiert werden kann. Weil Messdaten von dieser Stelle schwieriger zu interpretieren sind, wird ein neuer, hybrider Algorithmus entwickelt. Dieser verfügt nebst neuronalen Netzen auch regelbasierte Komponenten. Mit diesem Konzept kann die Zuverlässigkeit deutlich gesteigert werden.