김일권
(Il Kwon Kim)
1
임희원
(Hee Won Lim)
2
이왕제
(Wang Je Lee)
3
이경호
(Kyung Ho Lee)
4
이송섭
(Song Seop Lee)
5
신우철
(U Cheul Shin)
6†
-
다이슨스피어(주) 연구원
(Researcher, Dyson Sphere Inc., Daejeon 34202, Korea)
-
다이슨스피어(주) 대표
(President, Dyson Sphere Inc., Daejeon 340, Korea)
-
한국에너지기술연구원 기술원
(Technician, Korea Institute of Energy Research, Daejeon, 4129, Korea)
-
한국에너지기술연구원 책임연구원
(Principal researcher, Korea Institute of Energy Research, Daejeon, 3129, Korea)
-
대전대학교 건축공학과 석사과정
(MS. course, Department of Architectural Engineering, Graduate School, Daejeon 3420,
Korea)
-
대전대학교 건축공학과 교수
(Professor, Department of Architectural Engineering, Daejeon University, Daejeon 34520,
Korea)
Copyright © 2016, Society of Air-Conditioning and Refrigeration Engineers of Korea
키워드
고장감지, 평판형집열기, 원격 모니터링시스템, 슈하르트관리도, 태양열시스템
Key words
Fault detection, Flat plate collector, Remote monitoring system, Shewhart control chart, Solar thermal system
기호설명
$a_{1}$ ：
1차 열손실계수 [W/㎡․K]
$a_{2}$ ：
2차 열손실계수 [W/㎡․K2]
$a_{3}$ ：
유효 열용량 [kJ/㎡․K]
$A_{i}$ ：
비등방성 지수 [-]
$A_{c}$ ：
집열면적 [㎡]
$b_{0}$ ：
1차 입사각수정계수 [-]
$b_{1}$ ：
2차 입사각수정계수 [-]
$C_{p}$ ：
집열 열매체 비열 [kJ/kg․K]
$C_{p,\: h}$ ：
열교환기 고온측 열매체 비열 [kJ/kg․K]
$C_{p,\: c}$ ：
열교환기 저온측 열매체 비열 [kJ/kg․K]
$f_{O}$ ：
기타 요인의 불확도에 따른 안전계수 [-]
$f_{P}$ ：
집열부 배관 열손실에 따른 안전계수 [-]
$f_{U}$ ：
측정불확도에 따른 안전계수 [-]
$f_{safe}$ ：
안전계수 [-]
$I$ ：
수평면 총일사 [W/㎡]
$I_{b}$ ：
수평면 직달일사 [W/㎡]
$I_{d}$ ：
수평면 산란일사 [W/㎡]
$I_{d,\: T}$ ：
경사면 천공산란일사 [W/㎡]
$I_{T}$ ：
경사면 총일사 [W/㎡]
$I_{T,\: IAM}$ ：
입사각 손실에 따른 경사면 총일사 [W/㎡]
$K_{b}$ ：
직달일사 입사각수정인자 [-]
$K_{d}$ ：
천공산란일사 입사각수정인자 [-]
$K_{g}$ ：
지면반사일사 입사각수정인자 [-]
$k_{T}$ ：
청명지수 [-]
$\dot{m_{h}}$ ：
열교환기 고온측 질량유량 [kg/s]
$\dot{m_{c}}$ ：
열교환기 저온측 질량유량 [kg/s]
$n_{c}$ ：
실측 개수 [-]
$Q$ ：
열교환기 전열량 [W]
$Q_{h}$ ：
열교환기 고온측 전열량 [W]
$Q_{c}$ ：
열교환기 저온측 전열량 [W]
$Q_{m}$ ：
실측 집열량 [W]
$Q_{p}$ ：
예측 집열량 [W]
$R_{b}$ ：
수평면에 대한 경사면 직달일사비 [-]
$t$ ：
시간 [s]
$T_{a}$ ：
외기온 [℃]
$T_{c,\: i}$ ：
열교환기 저온측 입구온도 [℃]
$T_{c,\: o}$ ：
열교환기 저온측 출구온도 [℃]
$T_{h,\: i}$ ：
열교환기 고온측 입구온도 [℃]
$T_{h,\: o}$ ：
열교환기 고온측 출구온도 [℃]
$T_{in }$ ：
열매체의 집열기 입구온도 [℃]
$T_{m}$ ：
집열기 입․출구 평균온도 [℃]
$T_{out}$ ：
열매체의 집열기 출구온도 [℃]
$\dot{V}$ ：
체적 유량 [㎥/s]
$\beta$ ：
집열기 경사각 [°]
$\delta$ ：
일적위 [°]
$\eta_{0}$ ：
무손실효율 [-]
$\theta_{b}$ ：
직달일사 입사각 [°]
$\theta_{d}$ ：
천공산란일사 단일 상당 입사각 [°]
$\theta_{g}$ ：
지면반사일사 단일 상당 입사각 [°]
$\rho$ ：
집열 열매체 밀도 [kg/㎥]
$\rho_{g}$ ：
지면반사율 [-]
$\phi$ ：
위도 [°]
$\omega$ ：
시간각 [°]
1. 서 론
백업 보일러 시스템은 태양에너지의 간헐성 및 변동성으로 인해 태양열시스템이 요구되는 부하를 충족시키지 못할 때 온수를 자동 공급하며 시스템이 안정적
운전상태를 유지하도록 기능한다. 그러나 이와 같은 백업 시스템은 태양열시스템의 기능장애와 오작동 등으로 인한 성능저하나 고장을 자동 보상하여 사용자가
시스템 오류를 장기간 인지하지 못하는 상황이 발생하게 된다. 따라서 태양열시스템의 결함으로 인한 경제적 손실을 방지하기 위해서는, 지속적인 모니터링을
통해 오작동을 신속하게 인지하고 복구할 수 있어야 한다.
태양열시스템의 고장감지에 관련한 연구개발 동향을 살펴보면, Wiese et al.(1)과 Dröscher et al.(2), Holter et al.(3) 등은 태양열시스템의 고장감지를 위한 표준 접근방식으로 온도 및 유량, 일사 등을 자동 데이터 로깅 (Data Logging)하고, 전문가가 측정된
데이터를 분석하여 고장을 수동 또는 자동으로 판단하는 방안을 제시하였다. 이 방식은 결과를 이해하기 쉽고 고장을 직접 감지하고 진단할 수 있으며,
일반적으로 PLC (Programmable logic control) 장치에서 구현할 수 있을 정도로 상대적으로 간단한 구조를 갖는다. Pärisch
et al.(4)와 de Keizer et al.(5), Schmelzer et al.(6) 등은 태양열시스템의 측정값과 예측값을 비교하여, 그 차이에 따라 고장을 감지하는 방안을 제안하였다. 고장검출은 세 단계로 구분되며 첫 단계로 누락된
데이터 확인한 후 두 번째로 개별 구성 요소가 올바르게 작동하는지 확인하는 타당성 점검 단계, 마지막으로 시뮬레이션 예측과 실측 집열량을 매일 비교하게
된다. 이러한 분석에는 실측 및 예측 집열량에 대한 불확실성 추정치가 포함된다. 물리적 모델을 기반한 예측값은 시뮬레이션 프로그램 TRNSYS나 EN/ISO
9806의 집열기 모델, FSC(Fractional solar consumption)과 Fractional auxiliary energy savings(f_save)
사이의 경험적 상관관계 등을 통해 추정하였다. 한편 Kalogirou et al.(7)와 He et al.(8), Kalolgirou et al.(9) 등은 인공신경망(Artificial neural networks)을 이용한 시뮬레이션을 기반으로 태양열 시스템의 고장진단 방법을 제시하였다. 인공신경망은
생물학적 신경망에 기반한 수학적 방법으로 TRNSYS 등을 이용한 시뮬레이션보다 속도가 빠르며 불완전한 데이터와 비선형 문제를 처리할 수 있는 장점이
있다. 여기서는 실제 데이터가 아닌 무고장 시스템의 TRNSYS 모델을 통해 훈련된 여러 인공신경망이 사용되었다. Feierl et al.(10)은 머신러닝(Machine learning)을 적용한 새로운 고장감지 알고리즘을 제안하였다. 순수 데이터 기반 접근방식을 기반으로 하는 이 알고리즘은
예측된 값과 새로운 측정 데이터를 비교하여 그 차이가 신뢰 임계값을 초과하면 알람을 발생시키게 된다. 이 알고리즘은 집열기 온도 센서, 유량 온도
센서, 화력을 대상으로 세 개의 대규모 태양열시스템의 데이터를 사용하여 광범위하게 검증되었으며, 넓은 고장탐지 범위를 갖는 것으로 나타났다. 상기와
같이 제안된 각 고장감지 방식들은 추가적인 제어 및 측정장비가 필요하거나 고장감지 알고리즘의 설정이 너무 복잡하여 특정 시스템에 한정되고 오류 범위가
제한되는 것으로 파악된다. 또한 시스템의 예측 알고리즘 학습과정에서 많은 시간과 비용이 요구되고 있다. 따라서 다양한 태양열시스템에 적용할 수 있는
유연성과 모니터링 시스템에 쉽게 통합할 수 있는 저비용의 고장감지 알고리즘 개발이 제기되고 있다.
이에 본 연구에서는 선행연구(11)를 통해 검증된 시뮬레이션 예측모델을 기반으로 고장감지 알고리즘을 탑재한 원격 모니터링시스템을 제안하고 실증시험을 통하여 그 타당성을 분석하였다.
예측모델은 ISO 24194:2022(12)의 집열기 어레이 성능추정식이 적용되었으며, 고장감지 벤치마크는 정상작동 조건에서 시뮬레이션 예측 집열량에 대한 실측 집열량의 비를 관측치로 슈하르트
관리도를 사용하였다.
2. 태양열시스템 집열량 해석 및 고장감지 알고리즘
Fig. 1은 모니터링시스템의 집열량 해석 및 고장감지 프로세스를 나타낸 것이다. 첫 번째 단계로 시스템 설치 초기 데이터 검증(Plausibility check)을
통해 비정상 데이터를 식별하고, 시스템의 정상작동 여부와 예측 알고리즘의 타당성을 분석한다. 두 번째, 수평면 일사량과 외기온, 집열기 열매체 유량
및 입·출구 온도 등이 직산분리를 통해 경사면 일사를 실시간 추정하고, 이를 기반으로 해석된 집열기 어레이의 예측 집열량과 실측 집열량을 비교하게
된다. 마지막으로 통계적 관리방법을 통해 고장을 탐지하고 이를 통보하게 된다.
Fig. 1 Process of the simulation-based performance analysis and fault detection on
monitoring system.
2.1 태양열집열기 열성능
ISO 24194:2022 (Solar energy-Collector fields-Check of performance)에서는 태양열집열기 어레이의
예측 집열량, $\dot{Q}_{P}$을 다음과 같이 제안하고 있다.
안전계수 (Safe factor), $f_{safe}$는 3가지 요인의 곱으로 식(2)와 같다.
모니터링 데이터를 기반으로 실측 집열량, $\dot{Q}_{m}$은 식(3)과 같이 계산된다.
2.2 경사면 일사분석
본 연구에서는 측정된 수평면 총 일사, $I$로부터 산란일사, $I_{d}$을 추정하기 위해 Erbs et al.(13)가 제안한 다음 관계식을 사용하였다.
Reindl et al.(14)은 비등방성 산란 모델 (Anisotropic diffuse model)로 경사면 천공산란일사, $I_{d,\: T}$을 다음과 같이 제안하였다.
여기서, 비등방성 지수, $A_{i}$와 $f$는 다음과 같이 각각 정의된다.
직달일사 및 지면반사 성분을 추가하면 경사면 총 일사는 다음과 같다.
입사각 손실을 고려할 때 집열면 총일사, $I_{T,\: IAM}$는 식(9)와 같이 계산된다.
입사각 수정인자 (IAM, Incident angle modifier), $K$는 집열기 전면 투과체의 법선면으로 입사되는 일사강도 대비 실제 투과되는
일사강도의 비를 의미하며, 입사각, $\theta_{i}$에 따라 증가하는 유리 투과체의 반사에 주로 기인한다. 평판형 집열기의 경우 일사의 성분별
입사각 수정인자는 다음과 같이 주어진다. 여기서 $i$는 일사성분을 나타낸다.
경사면에 대한 직달일사의 입사각, $\theta_{b}$는 식(11)과 같이 계산된다.(15)
Brandemuehl and Beckman(16)은 경사면에 대한 천공산란 및 지면반사 일사의 단일 상당 입사각(Single equivalent angle), $\theta_{d}$와 $\theta_{g}$을
다음과 같이 각각 제안하였다.
2.3 고장감지
본 연구에서는 태양열시스템의 고장감지를 위한 벤치마크(Benchmark)로 시간경과에 따른 프로세스 변화를 감지하고 추적하는 데 널리 이용되는 슈하르트
관리도(Shewhart control chart)를 사용하였다. 다양한 재생에너지시스템 고장검출(17-23)에 적용되고 있는 슈하르트 관리도는 통계적 공정관리(Statistical process control) 기법의 일종으로 시간 또는 순차적 관찰을 나타내는
가로축과 특정 프로세스 매개변수의 측정값을 나타내는 세로축으로 구성되며, 기준선(Center line, 이하 $CL$)과 제어상한(Upper control
limit, 이하 $UCL$), 제어하한 (Lower control limit, 이하 $LCL$) 등 3개의 참조선을 포함한다. $CL$은 프로세스
매개변수의 평균 또는 목푯값으로 안정적이고 제어된 상태일 때 예상되는 프로세스 값을 나타낸다. $UCL$과 $LCL$은 프로세스의 변동성을 기반으로
계산되며 일반적으로 식(14)와 식(15)와 같이 중심선 위와 아래 N개의 표준 편차($\sigma$)로 나타낸다. 이 선 위나 아래의 데이터 점은 특수 원인 변동 (비정상적이거나 예상치
못한 변동)이 발생하는지 확인할 수 있다.(24)
3. 실증시스템
3.1 태양열시스템
본 연구에서는 포항지역 만감류 재배 온실에 적용된 태양열난방시스템을 대상으로 시뮬레이션 기반 실시간 태양열집열기 어레이 열성능 해석에 따른 고장감지
알고리즘을 검증하였다.
주변 차폐물에 의해 음영이 발생하지 않는 온실의 기계실 지붕에 설치된 평판형집열기는 방위각 56°에 45°의 경사각으로 54매(전면적기준 총 설치면적
108 m2)의 집열기가 9직렬/6병렬로 설치되었으며, 인증시험 기준(KS B 8295)에 따른 집열기의 사양은 Table 1과 같다. 한편 외기에 노출된 집열라인의 열매체는 동파를 방지하기 위해 물과 프로필렌글리콜(Propylene glycol)이 혼합된 부동액으로, 이에
따른 열적 물성치는 Table 2와 같다.
Fig. 2는 집열량 해석을 위해 실증시스템에 설치된 측정센서를 나타낸 것이다. 4개의 열매체 온도센서와 2개의 유량계가 열교환기 고온 및 저온측 배관라인에
설치되었으며, 외기온 및 습도 측정을 위한 백엽상과 2개의 일사계(수평과 경사면)는 일사가 차폐되지 않는 집열기 주변에 배치하였다.
Table 1 Solar collector’s characteristics
|
System's components
|
Contents
|
Remarks
|
|
Size
|
2.0 m × 1.0 m × 0.07 m
|
Gross area = 2.0 ㎡
|
|
Efficiency curve
|
Zero loss efficiency
|
0.7409
|
|
|
Efficiency slope
|
4.1791 W/㎡K
|
|
Efficiency curvature
|
0.0057 W/㎡K2
|
|
Incident angle modifier
|
1st-order IAM
|
0.2596
|
|
|
2nd-order IAM
|
0
|
|
|
Thermal capacity
|
93.5 kJ/K
|
|
Table 2 Thermal properties of heat transfer fluid(25)
|
Composition
|
Density
|
Specific heat
|
Freezing temperature
|
|
Propylene glycol-to-water ratio of 40%/60%
|
1,016 kg/㎥
|
3.75 kJ/kg·K
|
-22℃
|
Fig. 2 Experimental setup.
3.2 모니터링 시스템
Fig. 3은 실증 현장에 구축된 원격 모니터링시스템 계통도를 나타낸 것이다. 엣지 컴퓨팅방식으로 오픈소스인 openHAB(Open Home Automation
Bus)(26)을 이용하여 구축하였다. A/D 컨버터(A/D converter)에 의해 디지털신호로 변화되는 일사계 데이터는 라우터(Router)를 통해 TCP/IP
통신으로, RTD 온도센서와 유량계는 PLC(Programmable logic controller)를 통해 RS-485 통신으로 엣지 서버에 전송된다.
Fig. 3 Schematic diagram of remote-monitoring system.
4. 데이터 검증
4.1 시스템 작동과 예측 알고리즘
모니터링 시스템의 비정상적인 측정값을 식별・배제하고 태양열시스템 정상작동과 예측모델의 정확성을 검증하기 위해 시스템 설치 초기 1분 간격으로 측정된
10일간의 데이터를 분석하였다.
상변화가 없을 때 열교환기의 고온 및 저온측 에너지평형방정식을 식(16)과 같이 나타낼 수 있다.(27) Fig. 4는 열교환기(Heat exchanger)의 고온측(Hot side)과 저온측(Cold side) 열전달량을 비교한 것이다. 고온측 열전달량에 따른
저온측 열전달량의 선형회기분석에서 결정계수(R2)와 식(17)에 따른 평균제곱근오차(Root mean square error, 이하 RMSE)는 각각 0.9905와 0.615 kW로 나타났으며, 모든 영역에서
고온측과 저온측의 열전달량비는 ± 4% 이내로 모티터링 계측 데이터의 신뢰성과 유효성을 확인하였다
Fig. 4 Heat balance in heat exchanger.
Fig. 5 Useful heat gain of collectors.
Fig. 5는 시뮬레이션 예측 집열량과 실측을 비교한 것이다. 여기서 일사강도가 낮아 순환펌프의 작동 및 정지가 빈번히 발생하는 오전 11 이전과 오후 3시
이후의 비 연속 작동(Intermittant operation) 시간대와 연속 작동(Contineous operation)하는 시간대로 구분하였다(계절에
따라 작동 시간대는 변화됨). 비 연속 작동 시간대 예측 집열량에 비해 실측 집열량이 높게 나타나고 있으며, 이는 정체된 집열기 열매체의 온도 상승으로
인해 순환펌프의 작동 순간 실측 집열량이 과대하게 산정되기 때문이다. 따라서 이 시간대 데이터는 고장감지 영역에서 제외할 필요가 있다. 연속 작동
시간대 예측 집열량은 실측을 정확하게 추종하였으며 선형회기분석에 따른 결정계수와 RMSE는 각각 0.9257과 1.60 kW로 나타났다.
4.2 슈하르트 관리도 제어한계
본 연구에서는 식(18)과 같이 시뮬레이션 예측 집열량($Q_{p}$)에 대한 실측 집열량($Q_{m}$)의 비, $RP$(Ratio of performance)를 슈하르트
관리도의 관측값으로 설정하였다.
Table 3은 검증 데이터를 통해 도출된 관측값($RP$)의 평균과 표준편차를 나타낸 것이다. 이를 기준으로 슈하르트 관리도에 따른 실증시스템의 정상운전 한계를
식(19)과 같이 설정할 수 있다. 제어 한계선이 $CL\pm 3\sigma$이 될 때 정상운전 관측치의 99.73%가 이 범위 내에 있게 된다.
Table 3 Control limits for Shewhart chart
|
Mean
|
Standard deviations, $\sigma$
|
3$\sigma$
|
|
1.0
|
0.071
|
0.213
|
5. 결과분석
Fig. 6은 태양고도가 높은 하절기의 맑은 날 1분 간격 일일 실측 및 예측 집열량과 슈하르트 관리도를 나타낸 것이다. 전술한 바와 같이 비 연속적 거동을
보이는 가동 초기와 말기에 슈하르트 관리도는 제어한계선을 벗어나고 있으나, 연속작동 시간대에서 정상운전 상태를 정확하게 표시하고 있다. 이 시간대
실측과 시뮬레이션 예측 집열량에 따른 RMSE와 일일 총 집열량의 상대오차는 각각 1.78 kW와 4.1%로 거의 일치하고 있다.
Fig. 7은 동절기의 맑은 날 실측 및 예측 집열량과 슈하르트 관리도를 나타낸 것이다. 작동시간이 짧고 태양고도가 낮아 입사각이 커지는 동절기에도 예측 집열량은
실측을 정확히 추종하고 있으며, 관측치 또한 운전상태를 정상적으로 표시하고 있다. 실측과 시뮬레이션 예측 집열량에 따른 RMSE와 일일 총 집열량의
상대오차는 각각 1.49 kW와 1.3%로 나타났다.
Fig. 6 Monitoring results in summer.
Fig. 7 Monitoring results in winter.
Fig. 8 Monitoring results on a cloudy day in winter.
Fig. 8은 동절기 흐린 날 일일 실측 및 예측 집열량과 슈하르트 관리도를 나타낸 것이다. 오후 불균일한 일사조건에 관측치가 확산된 형태로 일시적 이탈은 발생하고
있으나 지속되지 않으며, 정상적인 운전 상태를 표시하고 있다.
본 연구에서는 집열기의 고장발생을 모사하기 위해 Fig. 9와 같이 50%의 집열기 상부를 덮개로 씌워 일사를 차단하였다. Fig. 10은 맑은날 일사차단에 따른 집열량과 슈하르트 관리도를 나타낸 것이다. 여기서 일사차단은 오후 12시 20분부터 일몰 시까지 진행되었다. 일사가 차단되기
전 정상적인 운전상태를 보이는 슈하르트 관리도는 차단 후 집열량 저하에 따른 비정상 운전을 정확하게 실시간 표시하는 것을 알 수 있다. 모니터링시스템에서는
이와 같이 관측치의 제어한계선 이탈이 일정시간이 지속될 때 고장에 대한 경고를 제공하게 된다.
Fig. 9 Solar shading on solar collectors.
Fig. 10 Monitoring results as failures occurred.
6. 결 론
본 연구에서는 시뮬레이션 기반 태양열집열기 성능해석 및 고장감지 알고리즘을 탑재한 원격 모니터링 시스템을 제안하고 실증시험을 통하여 그 타당성을 분석하였다.
고장감지 벤치마크는 정상작동 조건에서 시뮬레이션 예측 집열량에 대한 실측 집열량의 비를 관측치로 슈하르트 관리도를 사용하였으며, 포항지역 실증온실의
태양열난방시스템을 통해 분석된 주요 결과를 요약하면 다음과 같다.
(1) 모니터링 시스템의 비 정상적인 측정값을 식별하고 시뮬레이션 예측모델의 정확성을 평가하기 위해 데이터 검증을 실시하였다. 태양열시스템 열교환기의
에너지평형에 따른 고온측과 저온측 열전달량 비는 모든 작동 영역에서 ± 4% 이내로 모니터링 계측 데이터의 신뢰성을 확인하였다. 한편 비 정상적인
열적거동을 보이는 시스템 가동 초기 비 연속 작동 시간대를 고장감지 영역에서 제외할 때, 연속 작동 시간대의 예측 집열량은 실측을 정확하게 추종하였으며
선형회기분석에 따른 결정계수와 평균제곱근오차는 각각 0.9257과 1.60 kW로 나타났다.
(2) 슈하르트 관리도는 다양한 기상조건에서 태양열 시스템의 정상운전 여부를 정확하게 감지하는 것으로 나타났다. 기상의 변화에 따라 관측치가 제어한계선을
벗어날 수 있으나 정상적인 운전 상태를 회복하는 반면, 비 정상운전 시 제어한계선 이탈이 지속되어 일시적인 이탈과 구분되었다. 따라서 관측치의 제어한계선
이탈이 일정시간이 지속될 때 고장에 대한 경고가 제공되어야 한다.
(3) 본 연구의 태양열시스템 고장감지는 순수한 데이터 기반으로 오픈소스 플랫폼을 통해 알고리즘이 적용된다면 추가적인 비용없이 기존 모니터링시스템에도
쉽게 적용할 수 있을 것으로 판단된다.
후 기
본 연구는 2022년도 산업통상자원부의 재원으로 한국에너지기술평가원(KETEP)의 지원을 받아 수행한 연구 과제(NO: 20220810100020)입니다.
References
Wiese, F., Vajen, K., Krause, M., and Knoch, A., 2007, Automatic Fault Detection for
Big Solar Heating Systems, Proceedings of ISES World Congress, Beijing, China.
Dröscher, A., Ohnewein, P., Haller, M. Y., and Heimrath, R., 2009, Modular Specification
of Large-scale Solar Thermal Systems for the Implementation of an Intelligent Monitoring
System, Proceedings of ISES Solar World Congress, Johannesburg, South Africa.
Holter, C., Gerardts, B., Ohnewein, P., Dröscher, A., Feichtner, F., Schgaguler, K.,
Meißner, E., Luidolt, P., Kötinger, A., Heimrath, R., and Streicher, W., 2012, Development
of the Prototype IP-solar: A Web-based Monitoring and diagnostics tool for solar thermal
systems, Energy Procedia, Vol. 30.
Pärisch, P. and Vanoli, K., 2007, Quality assurance with the ISFH-Input/Output-Procedure
6-year-experience with 14 solar thermal systems, Proceedings of ESTEC 2007, Freiburg,
Germany.
de Keizer, C., Kuethe, S., Jordan, U., and Vajen, K., 2012, Simulation-based Long-term
Fault Detection for Solar Thermal Systems, Sol. Energy, Vol. 93 pp. 109-120.
Schmelzer, C., Georgii, M., Sauer, C., Orozaliev, J., and Vajen, K., 2022, Fault Detection
for Solar Thermal Systems: Evaluation and Improvement of Existing Algorithms, Proceedings
of the EuroSun 2022, Kassel, Germany.
Kalogirou, S., Lalot, S., Florides, G., and Desmet, B., 2008, Development of a Neural
Network-based Fault Diagnostic System for Solar Thermal Applications, Solar Energy,
Vol. 82, pp. 164-172.
He, H., Menicucci, D., Caudell, T., and Mammoli, A., 2011, Real-time Fault Detection
for Solar Hot Water Systems Using Adaptive Resonance Theory Neural Networks, Proceedings
of the ASME 2011 5th International Conference on Energy Sustainability, Washington,
DC, USA.
Kalogirou, S. A., Mathioulakis, E., and Belessiotis, V., 2014, Artificial Neural Networks
for the Performance Prediction of Large Solar Systems, Renewable Energy, Vol. 63,
pp. 90-97.
Feierl, L., Unterberger, V., Rossi, C., Gerardts, B., and Gaetani, M., 2023, Fault
Detective: Automatic Fault-detection for Solar Thermal Systems Based on Artificial
Intelligence, Solar Energy Advances, Vol. 3.
Kim, I. K., Lim, H. W., Lee, W. J., Lee, K. H., and Shin, U. C., 2023, Simulation-Based
Real-time Performance Analysis of Flat Plate Solar Collector, Korean Journal of Air-Conditioning
and Refrigeration Engineering, Vol. 35, pp. 343-353.
International Standard Organization, 2022, ISO 24194:2022 (Solar energy-Collector
fields-Check of performance)
Erbs, D. G., Klein, S. A., and Duffie, J. A., 1982, Estimation of the Diffuse Radiation
Fraction for Hourly, Daily, and Monthly-Average Global Radiation, Solar Energy, Vol.
28, pp. 293-302.
Reindl, D. T., Beckman, W. A., and Duffie, J. A., 1990, Evaluation of Hourly Tilted
Surface Radiation Models, Solar Energy, Vol. 45, pp. 9-17.
Duffie, J. A. and Beckman, W. A., 2013, Solar Engineering of Thermal Process, John
Wiley & Sons.
Brandemuehl, M. J. and Beckman, W. A., 1980, Transmission of Diffuse Radiation Through
CPC and Flat-plate Collector Glazings, Solar Energy, Vol. 24, pp. 511-513.
Marvuglia, A. and Messineo, A., 2012, Monitoring of Wind Farms’ Power Curves Using
Machine Learning Techniques, Applied Energy, Vol. 98, pp. 574-583.
Taslimi-Renani, E., Modiri-Delshad, M., Elias, M. F. M., and Rahim, N. A., 2016, Development
of an Enhanced Parametric model for wind turbine power curve, Applied Energy, Vol.
177, pp. 544-552.
Yampikulsakul, N., Byon, E., Huang, S., Sheng, S., and You, M., 2014, Condition Monitoring
of Wind Power System with Nonparametric Regression Analysis, IEEE Transactions on
Energy Conversion, Vol. 29, No. 2, pp. 288-299.
Garoudja, E., Harrou, F., Sun, Y., Kara, K., Chouder, A., and Silvestre, S., 2017,
Statistical Fault Detection in Photovoltaic Systems, Solar Energy, Vol. 150, pp. 485-499.
Haupenthal, S., Siqueira, J. A. C., Tokura, L. K., Nogueira, C. E. C., Vilas-Boas,
M. A., do Nascimento, L. F. J., and Rocha, E. O., 2018, Evaluation of a Photovoltaic
Energy System Applied to a Drip Irrigation System, Journal of Agricultural Science,
Vol. 10, pp. 43-55.
Filho, S., Abdon, E., Müller, B., Holland, N., Reise, C., Kiefer, K., Kollosch, B.,
and Branco, P. J. C., 2022, Practical recommendations for the design of automatic
fault detection algorithms based on experiments with field monitoring data, Solar
Energy, Vol. 244, pp. 227-241.
Lim, H. W., Kim, I. K., Kim, J. H., and Shin, U. C., 2022, Simulation-Based Fault
Detection Remote Monitoring System for Small-Scale Photovoltaic Systems, Energies,
Vol. 15.
NIST/SEMATECH e-Handbook of Statistical Methods: https://www.itl.nist.gov/div898/handbook/index.htm.
Engineering ToolBox: https://www.engineeringtoolbox.com.
openHAB: https://www.openhab.org/docs/.
Chen, L. Y.., Adi, V. S. K., and Laxmidewi, R., 2022, Shell and Tube Heat Exchanger
Flexible Design Strategy for Process Operability, Case Studies in Thermal Engineering,
Vol. 37.