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

Abstract

DE

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.

EN

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.