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

Abstract

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.