Aktuelle Forschungsprojekte

Image Verbundvorhaben Öl-Effiziente Kältesysteme – Schmierstoffwahl für Kälteanlagen unter dem Gesichtspunkt der Energieeffizienz
Image Hybrid- Fluid für CO2-Sublimations-Kältekreislauf
Image Prolatent
Image Charakterisierung von Supraleitern in Wasserstoffatmosphäre
Image Filterprüfungen
Image MetPCM
Image In-Situ-Untersuchungen zum Quellverhalten von Polymerwerkstoffen unter erhöhten Drücken und Temperaturen
Image Stoffdatenmodule
Image Korrosionsinhibitor für Ammoniak-Absorptions-Anlagen
Image Kryoflüssigkeitspumpen für tiefkalt verflüssigte Gase wie z.B. LIN, LOX, LHe, LH2, LNG, LAr
Image Kältemittel- und Kältemaschinenöl-Untersuchungen
Image IO-Scan – Integral messendes Optisches Scanverfahren
Image Entwicklung von Handlungsempfehlungen für praxisgerechte Lüftungskonzepte und Entwicklung eines CO2-Berechnungstools
Image Chemische Wasserbinder/Enteiser für Kältekreisläufe - CheWa
Image Solare Kühlung
Image Untersuchungen an Deckenkühlgeräten

Sie befinden sich hier:  Startseite /  Technologietransfer


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

Weitere Projekte - Technologietransfer

Image

Heat2Power

Veredlung der Abwärme von Brennstoffzellen

Image

Thermische Kälteerzeugung / Absorptionskältetechnik

Kraft-Wärme-Kälte-Kopplung, Fernwärme, Solarthermie oder Abwärme zur Kälteerzeugung

Image

Vakuum-Flüssigeis-Technologie

Flüssigeiserzeugung durch Direktverdampfung

Image

Selbstoptimierendes Raumluftmanagementsystem

Echtzeitsimulation von Raumströmungen