SIT Learning wird Constructor LearningMehr dazu

Nach unserer Gründung als Propulsion Academy im Jahr 2016 und der Übernahme durch SIT im letzten Jahr, begrüssen wir heute unseren neuen Markennamen: Constructor Learning. Constructor Learning ist Teil der Constructor Group, die ursprünglich den Namen Schaffhausen Institute of Technology (SIT) trug. Die Organisation wurde 2019 von Dr. Serg Bell gegründet, einem langjährigen Unternehmer und Investor im Bereich Technologie und Bildung. Das Ökosystem, das sich der Schaffung von Wissen durch Wissenschaft, Bildung und Technologie verschrieben hat, kombiniert ein umfassendes Bildungsangebot, das den gesamten Lebenszyklus des Lernens abdeckt, von der Grundschule bis hin zu einer privaten Universität und Führungskursen, Forschungskapazitäten der nächsten Generation und kommerziellen Aktivitäten für technologische Innovationen. SIT mit Hauptsitz in Schaffhausen ist seit der Gründung durch organisches Wachstum und Übernahmen rasch gewachsen. Da es sich zu einer globalen Organisation mit einer Präsenz in mehr als 15 Ländern und einem weltweiten Netzwerk von Forschern, Professoren, Investoren, Kunden und Alumni entwickelt hat, musste die Marke neu überdacht werden, um diese Expansion besser widerzuspiegeln und das gesamte Ökosystem unter einem Namen zu vereinen: Constructor.

Mitteilung schliessen
Header Hintergrund

Energieverlust durch Verschmutzung in Photovoltaikanlagen für Nispera

Energieverlust durch Verschmutzung in Photovoltaikanlagen für Nispera

Projekt von: Daniel Gisler, Dave Lonsdale, Konstantinos Kirtsonis
 
Daniel Gisler Dave Lonsdale Konstantinos Kirtsonis
Daniel Gisler Dave Lonsdale Konstantinos Kirtsonis

Nispera AG ist ein in Zürich ansässiges Unternehmen, das Datenintelligenzdienste für Anlagen zur Nutzung erneuerbarer Energien weltweit anbietet. Die Identifizierung der Probleme durch die Analyse der vom Überwachungssystem gelieferten Betriebsdaten ist ein Schlüsselfaktor für die Anlagenoptimierung.

Die Überwachungssysteme der Photovoltaik-Kraftwerke liefern eine riesige Menge an Daten. Betrachte das Bild unten, das eine grosse PV-Anlage in der Atacama-Wüste in Chile darstellt. Die Ausdehnung des Geländes beträgt etwa 2 Quadratkilometer. Solche Kraftwerke können mehr als eine Million Photovoltaik-Module haben, und die elektrischen Grössen werden normalerweise für jede Zeichenkette gemessen.

PV-Anlage in der Atacama-Wüste in Chile
Die Fähigkeit, eine grosse Menge an Daten zu verarbeiten und Informationen zu extrahieren, um Probleme zu identifizieren, ist eine wichtige Herausforderung für diese Technologie. Viele Fehler, wie z. B. String-Fehlanpassungen, Hot-Spots oder Verschmutzungen, können aufgrund des Fehlens spezifischer Sensoren nicht direkt identifiziert werden.
 

Projektdetails

Dieses Projekt konzentriert sich auf die Analyse der Verschmutzungsverluste. Der Begriff "Verschmutzung" wird verwendet, um die Ansammlung verschiedener Elemente (Schnee, Schmutz, Staub usw.) auf PV-Panels zu beschreiben. Diese Verschmutzungen fangen das Sonnenlicht teilweise ein, wodurch die Leistung des PV-Panels verringert wird. Energieverluste durch Verschmutzung können je nach Standort der PV-Anlage und der Häufigkeit von Niederschlägen stark variieren, wobei normale Werte zwischen 2-7 % der Energieproduktion einer PV-Anlage liegen. 

Der erste Meilenstein im Projekt war es, verschiedene Arten von Verlusten aus den Daten zu erkennen und zu filtern, die nicht mit Verschmutzung zusammenhängen. In einem zweiten Schritt entwickelten unsere Studenten eine Methode, um den Trend des Verschmutzungsgrades über die Zeit zu identifizieren und eine Methode zur Quantifizierung der Energieverluste aufgrund von Verschmutzung zu definieren. Die verfügbaren Daten für die Analysen waren:
 
  • 1 Jahr historischer Daten der Produktion auf Stringebene, mit 5-min-Auflösung
  • 1 Jahr historische Daten der Bestrahlung, mit 5-min-Auflösung
  • Zeitraum der letzten vollständigen Reinigung aller Module der PV-Anlage
 
Der Hauptteil dieses Projekts bestand darin, sich das erforderliche Fachwissen anzueignen, um die verschiedenen physikalischen Szenarien zu verstehen und zu trennen, die in einer beträchtlichen Datenmenge verborgen sind. Neben dem Lesen von wissenschaftlichen Arbeiten zum Thema wurde dies durch kontinuierliche Unterstützung durch das Team von Nispera unterstützt. Der Fokus des Projekts lag auf der explorativen Analyse und dem Aufbau einer Datenverarbeitungspipeline. Zu diesem Zweck entwickelte das Team ein Python-Framework zur systematischen Reinigung, Verarbeitung und Visualisierung der verfügbaren Daten.
 

Ausblick

Zu den identifizierten nächsten Schritten gehört, dass die Testanlage derzeit gereinigt wird, was eine Basisreferenz für die bisherige Arbeit darstellt. Um das Projekt fortzusetzen, werden mehr Daten (in ungesättigten Perioden), Nichtlinearität (Untersuchung der Beobachtung, Fokus auf Temperaturparameter), Clustering (weitere Entwicklung von ML-Techniken), Toolkit (weitere Entwicklung zusätzlicher physikalischer Modelle) benötigt und müssen erforscht werden.

Die Quantifizierung des Verschmutzungsverlustes auf Basis von reinen String-Ausgangsmessdaten wäre in der Tat von grossem Interesse für Nispera und ist - nach deren Kenntnis - bisher nicht auf dem Markt verfügbar.

Nispera AG

Nispera AG

Ricardo Segundo sagt:

Nispera arbeitet seit Februar 2019 mit SIT Academy im Rahmen einer Reihe von erfolgreichen 4-wöchigen Capstone-Projekten zusammen. Wir sind sehr zufrieden mit dieser Partnerschaft - bei den meisten Projekten (66 %) konnten wir die Studenten in das Unternehmen integrieren, zunächst als Praktikanten und dann als Vollzeitmitarbeiter. Dieses jüngste Projekt war der Höhepunkt einer Reihe von Studien über Verluste in grossen Photovoltaik (PV)-Solaranlagen, bei denen wir durch die harte Arbeit und den innovativen Ansatz der Studenten neue Erkenntnisse und frische Perspektiven gewinnen konnten.

Möchtest du mehr über die finalen Studenten-Projekte erfahren? Dann finde hier weitere spannende Full-Stack und Data Science Projekte.

Mehr Infos
Project work