Aktuelle Forschungsprojekte

Kryostate aus GFK oder Metall

Pulse-Tube-Kühler mit Hermetikverdichterantrieb

Prüfstand für Ventilatoren nach DIN EN ISO 5801

Gesamtsystemoptimierung von Kältetechnischen Anlagensystemen für Energiewende und Klimaschutz

Prüfverfahren und Prüfvorrichtungen für ABEK Filterelemente

Korrosionsinhibitor für Absorptionskälteanlagen

Prüfstände für Kälte- und Wärmepumpentechnik

Herstellung neuartiger Sperrschichten an Polymermaterialien zur Verminderung der Wasserstoffpermeation

Kalibrierleck für die Wasserbad Dichtheitsprüfung

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

Elektrische Komponenten in Kältekreisläufen

Initiierung eines Lithiumkreislaufes – Recycling von Lithiumbromidlösungen aus Absorptionskälteanlagen (ReLiA)

Energieeffizienzbewertung und optimierte Betriebsführung von gewerblichen Kälteanlagen

PerCO

Aktives Schichtladesystem für Kaltwasserpufferspeicher

MetPCM

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