Aktuelle Forschungsprojekte

Zertifizierbare Verbindungsarten in der Kryotechnik

Prüfverfahren für Hochtemperaturewärmepumpen-Öle

Untersuchungen nach DIN EN ISO 14903

Entwicklung hydrolysebeständiger Hotmelt-Klebeverbunde für Prozessluft- und Klimaanwendungen unter Einhaltung hygienischer Anforderungen

Zertifizierung von effizienten Klima- und Lüftungsanlagen durch das neue „Qualitätssiegel Raumlufttechnik“ für Nichtwohngebäude

Entwicklung und Erprobung des Einsatzes von Phasenwechselmaterialien an WEMS (Window Energy Management Systems)

Mikrowärmeübertrager in der Kältetechnik

3D - Strömungssensor

Innovativer magnetbasierter Parawasserstoffkonverter

Prüfung mobiler Leckdetektoren nach DIN EN 14624

Kalibrierleck für die Wasserbad Dichtheitsprüfung

Vakuum-Flüssigeis-Technologie

Innovatives Tieftemperaturkühlsystem zur Rekondensation / Verflüssigung von technischen Gasen bis 77 K

Prüfstände zur Messung der Luftleistung

Cool Up

Stoffdatenmodule

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