The increased usage of solar panels worldwide highlights the importance of being able to detect faults in systems that use these panels. In this project, the historical power output (kWh) from solar panels combined with meteorological data was used to train a machine learning model to predict the expected power output of a given solar panel system. Using the expected power output, a comparison was made between the expected and the actual power output to analyze if the system was exposed to a fault. The result was that when applying the explained method an expected output could be created which closely resembled the actual output of a given solar panel system with some over- and undershooting. Consequentially, when simulating a fault (50% decrease of the power output), it was possible for the system to detect all faults if analyzed over a two-week period. These results show that it is possible to model the predicted output of a solar panel system with a machine learning model (using meteorological data) and use it to evaluate if the system is producing as much power as it should be. Improvements can be made to the system where adding additional meteorological data, increasing the precision of the meteorological data and training the machine learning model on more data are some of the options. / Med en ökande användning av solpaneler runt om i världen ökar även betydelsen av att kunna upptäcka driftstörningar i panelerna. Genom att utnyttja den historiska uteffekten (kWh) från solpaneler samt meteorologisk data används maskininlärningsmodeller för att förutspå den förväntade uteffekten för ett givet solpanelssystem. Den förväntade uteffekten används sedan i en jämförelse med den faktiska uteffekten för att upptäcka om en driftstörning har uppstått i systemet. Resultatet av att använda den här metoden är att en förväntad uteffekt som efterliknar den faktiska uteffekten modelleras. Följaktligen, när ett fel simuleras (50% minskning av uteffekt), så är det möjligt för systemet att hitta alla introducerade fel vid analys över ett tidsspann på två veckor. Dessa resultat visar att det är möjligt att modellera en förväntad uteffekt av ett solpanelssystem med en maskininlärningsmodell och att använda den för att utvärdera om systemet producerar så mycket uteffekt som det bör göra. Systemet kan förbättras på några vis där tilläggandet av fler meteorologiska parametrar, öka precision av den meteorologiska datan och träna maskininlärningsmodellen på mer data är några möjligheter.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:uu-413319 |
| Date | January 2020 |
| Creators | Kurén, Jonathan, Leijon, Simon, Sigfridsson, Petter, Widén, Hampus |
| Publisher | Uppsala universitet, Institutionen för informationsteknologi, Uppsala universitet, Institutionen för informationsteknologi, Uppsala universitet, Institutionen för informationsteknologi, Uppsala universitet, Institutionen för informationsteknologi |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | English |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | Självständigt arbete i informationsteknologi ; 2020-010 |
Page generated in 0.0025 seconds