Description succincte
(Allemand)
|
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.
|
Description succincte
(Anglais)
|
Based on the results of the LoCoSol project, the low-cost monitoring system for solar thermal systems is being further developed for use. The system consists of a single IoT temperature sensor that communicates with a cloud-based database via LoRaWAN. The data is analyzed fully automatically. The system operator not only receives immediate notification of operational faults, but also periodic estimates of the solar yield. The system contains two further key innovations: The sensor is not placed at the collector outlet, but at the flow pipe in the plant room, where it can be installed very easily by the system operator himself. Because measurement data from this point is more difficult to interpret, a new, hybrid algorithm is being developed. In addition to neural networks, this also has rule-based components. This concept can significantly increase reliability
|
Description succincte
(Français)
|
Sur la base des résultats obtenus dans le cadre du projet LoCoSol, le système de surveillance à faible coût pour les installations solaires thermiques est en cours de développement jusqu'à sa maturité opérationnelle. Le système se compose d'un seul capteur de température IoT qui communique avec une base de données basée sur le cloud via LoRaWAN. Les données sont analysées de manière entièrement automatique. L'exploitant de l'installation reçoit non seulement une notification immédiate des dysfonctionnements, mais aussi des estimations périodiques du rendement solaire. Le système comporte deux autres innovations majeures : Le capteur n'est pas placé à la sortie du capteur, mais sur la conduite d'alimentation dans le local technique, où il peut être installé très facilement par l'exploitant de l'installation lui-même. Comme les données mesurées à cet endroit sont plus difficiles à interpréter, un nouvel algorithme hybride est développé. Celui-ci dispose, en plus des réseaux neuronaux, de composants basés sur des règles. Ce concept permet d'augmenter considérablement la fiabilité.
|
Rapport final
(Allemand)
|
Das Projekt behandelte die kritische Notwendigkeit, die Überwachung von solarthermischen Anlagen in Bezug auf einfache Implementierung, Zuverlässigkeit und Kosteneffizienz zu verbessern. Dies wurde erreicht durch minimalen Hardwareaufwand in Form eines einzigen LoRaWAN Sensor zur Messung der Vorlauftemperatur, einer cloudbasierten Datenbank mit automatischer Einbindung von Wetterdaten der nächstgelegenen Wetterstation und eines regelbasierten Algorithmus (RBA) zur automatisierten Datenanalyse und Generation von Fehlermeldungen. Darüber hinaus waren alle Software-Tools Open Source. Die Grundlagen wurden bereits in einem früheren Projekt, «LoCoSol», gelegt. Ziel des aktuellen Projekts war es, die Genauigkeit der Fehlererkennung zu erhöhen, den Solarertrag zu schätzen und den Bewertungsprozess in einem benutzerfreundlichen und robusten Rahmen vollständig zu automatisieren. Die quantitative und qualitative Analyse der Ergebnisse bestätigte, dass die angestrebte Genauigkeit für die verschiedenen Key Performance Indikatoren (KPIs) erreicht wurde, z.B. 98% für den Pumpenbetrieb und 93% für die Stagnationserkennung. Zusätzlich wurden vier neue KPIs für die Erkennung von Wärmeverlusten durch Nachtauskühlung mit einer zufriedenstellenden Genauigkeit von mindestens 86% implementiert. Der neue RBA schätzt auch den zu erwartenden Solarertrag für jede Anlage ausreichend ab. Gegenüber dem im Vorgängerprojekt entwickelten hybriden Algorithmus wurden mit dem RBA bereits gleichwertige, beziehungsweise für einige KPIs sogar höhere Genauigkeiten erreicht. Im Hinblick auf das Software-Framework wurde ein automatisiertes Test-Setup erstellt, welches die Zuverlässigkeit des Codes erhöht, und die RBA wurde in die Datenbankumgebung des Unternehmens implementiert. Dies erhöhte die Robustheit, da die Anzahl der beteiligten Softwaretools im Vergleich zum Vorgängerprojekt reduziert wurde. Die erfolgreiche Implementierung eines Überwachungssystems zur Erkennung von Betriebsfehlern oder Abweichungen vom geplanten Solarertrag aufgrund von Konstruktions- und Installationsfehlern an 468 Anlagen (in einem relativ kurzen Zeitraum) hat die Skalierbarkeit und Kosteneffizienz dieses Frameworks bewiesen. Im Vergleich zu einem typischen drahtgebundenen Datenerfassungssystem mit TCP/IP-Kommunikationsprotokoll und mehreren Sensoren zur Überwachung einer Anlage sind geringere Kosten zu erwarten. Eine kritische Diskussion der Ergebnisse zeigt jedoch auch die Grenzen der RBA in Bezug auf die Qualität der verwendeten Daten und den hohen Aufwand für die Anpassung der Parameter. Hier untersucht das Projekt die Integration von Algorithmen des maschinellen Lernens zur automatischen Fehlererkennung und zur verbesserten Schätzung der in der RBA verwendeten Parameter. Diese Methoden haben sich als vielversprechend erwiesen, wenn sie in Kombination mit der RBA eingesetzt werden, um ein automatisiertes und genaueres System zu erhalten.
|
Rapport final
(Anglais)
|
The project addressed the critical need to improve the monitoring of solar thermal systems in terms of ease of implementation, reliability, and cost efficiency. This was achieved through minimal hardware effort in the form of a single LoRaWAN sensor to measure the outlet temperature, a cloud-based database with automatic integration of weather data from the nearest weather station and a rule-based algorithm (RBA) for automated data analysis and generation of error messages. In addition, all software tools were open source. The foundations had already been laid in an earlier project, "LoCoSol". The aim of the current project was to increase the accuracy of fault detection, estimate the solar yield and fully automate the evaluation process in a user-friendly and robust framework. The quantitative and qualitative analysis of the results confirmed that the targeted accuracy for the various key performance indicators (KPIs) was achieved, e.g. 98% for pump operation and 93% for stagnation detection. In addition, four new KPIs were implemented for the detection of thermal losses due to night cooling with a satisfactory accuracy of at least 86%. The new RBA also sufficiently estimates the expected solar yield for each system. Compared to the hybrid algorithm developed in the previous project, the RBA has already achieved equivalent or even higher accuracies for some KPIs. Regarding the software framework, an automated test setup was created to increase the reliability of the code, and the RBA was implemented in the company's database environment. This increased robustness as the number of software tools involved was reduced compared to the previous project. The successful implementation of a monitoring system to detect operational faults or deviations from the planned solar yield due to design and installation errors on 468 installations (in a relatively short period of time) has proven the scalability and cost-effectiveness of this framework. Compared to a typical wired data acquisition system with TCP/IP communication protocol and multiple sensors to monitor a system, lower costs can be expected. However, a critical discussion of the results also shows the limitations of the RBA in terms of the quality of the data used and the high effort required to adapt the parameters. Here, the project is investigating the integration of machine learning algorithms for automatic fault detection and improved estimation of the parameters used in the RBA. These methods have proven to be promising when used in combination with RBA to obtain a more automated and accurate system.
|
Rapport final
(Français)
|
Le projet répondait au besoin critique d'améliorer la surveillance des installations solaires thermiques en termes de facilité de mise en œuvre, de fiabilité et de rentabilité. Cet objectif a été atteint grâce à un investissement matériel minimal sous la forme d'un seul capteur LoRaWAN pour mesurer la température d'alimentation, d'une base de données basée sur le cloud avec intégration automatique des données météorologiques de la station météo la plus proche et d'un algorithme basé sur des règles (RBA) pour l'analyse automatisée des données et la génération de messages d'erreur. En outre, tous les outils logiciels étaient open source. Les bases avaient déjà été posées dans un projet précédent, « LoCoSol ». L'objectif du projet actuel était d'améliorer la précision de la détection des erreurs, d'estimer le rendement solaire et d'automatiser entièrement le processus d'évaluation dans un cadre convivial et robuste. L'analyse quantitative et qualitative des résultats a confirmé que l'objectif de précision pour les différents indicateurs clés de performance (KPI) a été atteint, par exemple 98% pour le fonctionnement des pompes et 93% pour la détection de la stagnation. En outre, quatre nouveaux KPI ont été mis en œuvre pour la détection des pertes de chaleur dues au refroidissement nocturne, avec une précision satisfaisante d'au moins 86%. Le nouveau RBA estime également de manière suffisante le rendement solaire escompté pour chaque installation. Par rapport à l'algorithme hybride développé dans le projet précédent, le RBA a déjà permis d'atteindre des précisions équivalentes, voire supérieures pour certains KPI. En ce qui concerne le cadre logiciel, une configuration de test automatisée a été créée, ce qui a augmenté la fiabilité du code, et le RBA a été implémenté dans l'environnement de base de données de l'entreprise. Cela a augmenté la robustesse, car le nombre d'outils logiciels impliqués a été réduit par rapport au projet précédent. La mise en œuvre réussie d'un système de surveillance permettant de détecter les erreurs de fonctionnement ou les écarts par rapport au rendement solaire prévu en raison de défauts de conception et d'installation sur 468 installations (dans un laps de temps relativement court) a prouvé l'évolutivité et la rentabilité de ce cadre. Par rapport à un système d'acquisition de données filaire typique avec protocole de communication TCP/IP et plusieurs capteurs pour surveiller une installation, on peut s'attendre à des coûts inférieurs. Cependant, une discussion critique des résultats montre également les limites de la RBA en ce qui concerne la qualité des données utilisées et le coût élevé de l'adaptation des paramètres. C'est là que le projet étudie l'intégration d'algorithmes d'apprentissage automatique pour la détection automatique des erreurs et l'amélioration de l'estimation des paramètres utilisés dans la RBA. Ces méthodes se sont révélées prometteuses lorsqu'elles sont utilisées en combinaison avec la RBA afin d'obtenir un système automatisé et plus précis.
|
