Aktuelle Forschungsprojekte

All-In-One Gerät für Gefriertrocknung und Biomaterialherstellung

Aktives Schichtladesystem für Kaltwasserpufferspeicher

Tribologische Untersuchungen im System Öl-Kältemittel-Werkstoff

Beladungssensor für Adsorptionsfilter

Kalibrierleck für die Wasserbad Dichtheitsprüfung

Prüfbad-Haube

CO₂ GASHYDRATE FÜR NACHHALTIGE ENERGIE- UND KÜHLLÖSUNGEN

Kältemengenzähler

Leistungsprüfung an Kältemittelverdichtern

Prüfstände zur Messung der Luftleistung

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

Innovativer Helium-Kleinverflüssiger

Testzentrum PLWP am ILK

Heat2Power

Entwicklung eines kryogenen magnetbasierten Luftzerlegers

Controlled Rate Freezing-Gerät für Multiwellplatten (CRF-Multi)

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