Aktuelle Forschungsprojekte

Thermische Kälteerzeugung / Absorptionskältetechnik

Druckfestigkeitsprüfung von CO2 Anlagen

Luft-Wasser Wärmepumpen

Wärmeübergang in Ferro-Nanofluiden unter Magnetfeldeinfluss

Textiler Wärme- und Stoffübertrager in KVS-Systemen

Innovativer Helium-Kleinverflüssiger

Entwicklung von Handlungsempfehlungen für praxisgerechte Lüftungskonzepte und Entwicklung eines CO2-Berechnungstools

Prüfstand für Ventilatoren nach DIN EN ISO 5801

Untersuchungen von Werkstoffen

Charakterisierung von Supraleitern in Wasserstoffatmosphäre

CO2-Trockeneis-Sublimation zur Tieftemperaturkühlung

Drallfrei unterwegs...

Heat2Power

Entwicklung Prüfverfahren und Prüfstand für stationäre Einbau-Kältesätze

Mollier hx-Diagramm

Laseroptische Strömungsmessung

Sie befinden sich hier: Startseite / Forschung und Entwicklung

Klimatechnik-Betriebsoptimierung mittels maschinellem Lernen

BMWi Euronorm Innokom

01/2019–05/2021

Dr.-Ing. Thomas Oppelt

+49-351-4081-5321

E-Mail senden

in Bearbeitung

Klimasysteme intelligent regeln – hoher Komfort bei niedrigem Energiebedarf

Motivation

Die Energieeffizienz vieler klimatechnischer Systeme bleibt im Betrieb deutlich unterhalb des bei der Planung prognostizierten Wertes. Eine Ursache dafür ist, dass insbesondere komplexe Systeme mit mehreren Erzeugern, Speichern und Abnahmestellen häufig nicht optimal betrieben werden.

Ziel des Projekts

Entwicklung eines Betriebsoptimierungs-Tools für klimatechnische Systeme unter Verwendung von Methoden des maschinellen Lernens (ML) und Daten aus dem digitalen Gebäudemodell (Building Information Model, BIM):

Optimierungsziel: hohe Energieeffizienz bei gleichzeitig hoher Nutzerzufriedenheit

Einsparung von Betriebskosten, Energie und Kohlendioxidemissionen durch Effizienzsteigerung

fortlaufende selbstständige Verbesserung des ML-Algorithmus durch Lernen aus neuen Messdaten mit autoadaptiver Reaktion auf sich ändernde Bedingungen (Gebäude, Anlage, Nutzung, Smart-Meter für Echtzeitabrechnung von Energie und Medien, etc.)

Lösungsansatz

Abbildung des thermisch-energetischen Verhaltens des realen Systems im Maschinen-Lern-System, Anlernen mittels BIM- und Messdaten sowie anhand eines digitalen Zwillings des Realsystems