Aktuelle Forschungsprojekte

Image Entwicklung Prüfverfahren und Prüfstand für stationäre Einbau-Kältesätze
Image ML-basierte Module für intelligente TGA-Planungssoftware
Image Innovative Fertigungstechnologien für Kryosorptionssysteme
Image Kryostate aus GFK oder Metall
Image Thermische Kälteerzeugung / Absorptionskältetechnik
Image Zustands- und Schadensanalysen
Image Korrosionsinhibitor für Absorptionskälteanlagen
Image Textiler Wärme- und Stoffübertrager in KVS-Systemen
Image Zertifizierung von effizienten Klima- und Lüftungsanlagen durch das neue „Qualitätssiegel Raumlufttechnik“ für Nichtwohngebäude
Image Entwicklung und Erprobung des Einsatzes von Phasenwechselmaterialien an WEMS (Window Energy Management Systems)
Image IO-Scan – Integral messendes Optisches Scanverfahren
Image MetPCM
Image Elektronische Multifunktionsmodule für kryogene Anwendungen
Image Thermische Speicherung mit PCM
Image Reduzierung der Expansionsverluste von Kälteanlagen
Image Seminar Lecksuche / Dichtheitsprüfung in der Kältetechnik

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

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
  • Nutzung von ML-Methoden zur Prognose von Lasten (Wetter, Nutzungsverhalten)
  • automatische Klassifikation von Nutzungsszenarien, Fehlerdetektion
  • Integration verfügbarer Tools zur effizienten Raumströmungssimulation sowie zur Energiebedarfsberechnung
  • Co-Validierung von Optimierungstool, experimentellen Untersuchungen und digitalem Zwilling

Interessiert?

Treten Sie mit uns in Kontakt, wenn wir Ihr Interesse an einer Zusammenarbeit
geweckt haben: klima@ilkdresden.de


Ihre Anfrage zum Projekt