Aktuelle Forschungsprojekte

Solare Kühlung

Verbundvorhaben Öl-Effiziente Kältesysteme – Schmierstoffwahl für Kälteanlagen unter dem Gesichtspunkt der Energieeffizienz

Schalldämpfer mit integrierten Abgaswärmeübertrager

Hochtemperatur - Korrosionsinhibitoren zur Sicherung der Erweiterung des Anwendungsbereiches Abwärme nutzender Kälteerzeugung

Prüfverfahren und Prüfvorrichtungen für ABEK Filterelemente

Prüfstand für Ventilatoren nach DIN EN ISO 5801

Kryoflüssigkeitspumpen für tiefkalt verflüssigte Gase wie z.B. LIN, LOX, LHe, LH2, LNG, LAr

Kryostate aus GFK oder Metall

Korrosionsinhibitor für Ammoniak-Absorptions-Anlagen

Magnetfeldbeeinflusster Schmelzpunkt des Wassers

Phasenauflösende numerische Simulation von Suspensionen

Leistungsangebot der Lecksuche und Dichtheitsprüfung

Matrix-Design for Artificial Meat (MADAM)

Elektrische Auskopplung aus einer Expansionsturbine

Cool Up

Akustik und Schwingungen

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