Aktuelle Forschungsprojekte

Pulse-Tube Kryokühler

Wärmeübergang in Ferro-Nanofluiden unter Magnetfeldeinfluss

Kältemittel- und Kältemaschinenöl-Untersuchungen

Software für die TGA-Planung

Entwicklung Prüfverfahren und Prüfstand für stationäre Einbau-Kältesätze

Pulse-Tube-Kühler mit Hermetikverdichterantrieb

RauMLuft.ROM | ROM - basierte Vorhersage von Raumluftströmungen mit maschinellem Lernen

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

Untersuchung von Kühlsolen

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

Prüfverfahren für elektrische Komponenten

Schalldämpfer mit integrierten Abgaswärmeübertrager

Rohrgekapselte Latentwärmespeicher

CO₂ GASHYDRATE FÜR NACHHALTIGE ENERGIE- UND KÜHLLÖSUNGEN

Entwicklung eines kryogenen magnetbasierten Luftzerlegers

Mikrowärmeübertrager in der Kältetechnik

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