LoCoSol+: Optimierung und Skalierung der ML-gestützten Fehlererkennung in solarthermischen Anlagen

Aufbauend auf LoCoSOL wurde mit LoCoSOL+ der regelbasierte Algorithmus (RBA) optimiert und erstmals ein ML-gestützter Prototyp zur Fehlererkennung in solarthermischen Anlagen entwickelt. Im neuen Projekt mit dem SDSC wird der ML-Algorithmus weiter verbessert und für Heizungsanlagen skaliert.

Das automatisierte Monitoring von thermischen Solaranlagen dient dazu, Fehlfunktionen zu vermeiden. Im Projekt LoCoSol (Low-Cost Monitoring von thermischen Solaranlagen) wurde ein maschinell lernender Algorithmus (MLA) entwickelt, der in der Lage ist, den Betriebszustand von solarthermischen Anlagen zu beurteilen und Fehlfunktionen zu identifizieren. Mittels LoRaWAN (Long Range Wide Area Network) werden die Messdaten eines Temperatursensors sowie die Bestrahlungsstärke und Umgebungstemperatur einer Wetterstation kommuniziert.

Auf einem cloudbasierten Server werden die Daten anschliessend analysiert. Eine detaillierte Analyse der Problemstellung führt zur Klassifizierung als multivariates 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. Die Weiterentwicklung zu einer praxistauglichen Lösung ist Gegenstand des Nachfolgeprojektes LoCoSol+.

Weiterentwicklung: LoCoSOL+

Aufbauend auf den Ergebnissen von LoCoSOL wurde mit LoCoSOL+ (https://irf.fhnw.ch/handle/11654/46483) der regelbasierte Algorithmus (RBA) weiter optimiert. Zusätzlich wurde erstmals ein funktionierender Prototyp eines maschinellen Lernalgorithmus (ML) entwickelt. Ziel ist eine noch präzisere und effizientere Fehlererkennung in solarthermischen Anlagen.

Durch die Kombination von RBA und ML kann der Algorithmus mehr Fehlerbilder erkennen, ohne auf grosse Datenmengen angewiesen zu sein. Erste Tests zeigten vielversprechende Ergebnisse, erfordern jedoch noch weitere Optimierung und eine bessere Anpassung an verschiedene Anlagenkonfigurationen.

Technische Neuerungen in LoCoSOL+

Zeitreihenanalyse: Einsatz von statistischen Methoden zur besseren Erkennung von Betriebsanomalien.
SARIMAX-Modell: Berücksichtigung historischer Daten sowie externer Faktoren wie Sonneneinstrahlung und Umgebungstemperatur.
Software-Pakete: Implementierung mit Open-Source-Tools wie Python-Pandas v2.1.1, statsmodels v0.14.0 und pmdarima v2.0.4.
Effizienz durch minimale Datenanforderungen: Das Modell wurde mit drei Tagen Betriebsdaten trainiert und liefert bereits verlässliche Ergebnisse. Herkömmliche Methoden benötigen oft Monate oder Jahre an Daten.

Weiterentwicklung von LoCoSOL+ mit dem SDSC

Gemeinsam mit dem Swiss Data Science Center (SDSC) optimieren wir unseren maschinellen Lernalgorithmus zur Fehlererkennung in solarthermischen Anlagen. Ziel ist eine präzisere, skalierbare Analyse, die Reduzierung manueller Anpassungen und eine robuste Integration in bestehende Monitoring-Systeme. Dies soll die Effizienz und Zuverlässigkeit der Anlagen weiter steigern und den Schritt zur industriellen Reife ermöglichen.

Kernaspekte des neuen Projekts:

Optimierung der ML-Pipelinezur Erkennung von Betriebsfehlern.
Automatische Parametereinstellung, um den manuellen Aufwand zu minimieren.
Einbindung in bestehende Monitoring-Systeme, um die praktische Nutzung in der Branche zu erleichtern.

Das Projekt hat weitreichendes Potenzial für die Fehlererkennung nicht nur in solarthermischen Anlagen, sondern auch in anderen Heizsystemen wie Wärmepumpen und Fernwärme.