Aktuelle Forschungsprojekte

Thermische Kälteerzeugung / Absorptionskältetechnik

Software für die TGA-Planung

Beladungssensor für Adsorptionsfilter

In-Situ-Untersuchungen zum Quellverhalten von Polymerwerkstoffen unter erhöhten Drücken und Temperaturen

Cool Up

Energieeffizienzbewertung und optimierte Betriebsführung von gewerblichen Kälteanlagen

Leistungsmessung an Wärmeübertragern

Innovative Fertigungstechnologien für Kryosorptionssysteme

Prolatent

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

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

Schalldämpfer mit integrierten Abgaswärmeübertrager

Gesamtsystemoptimierung von Kältetechnischen Anlagensystemen für Energiewende und Klimaschutz

CaptureTest – Erfassungsgrad von Absaugern für Kochdünste

Kryostate aus GFK oder Metall

Lüftungsgerät mit akustischer Regelungsoption

Sie befinden sich hier: Startseite / Softwareentwicklung

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