Aktuelle Forschungsprojekte

Image Numerische und Experimentelle Untersuchung zum Gefährdungspotential durch SARS-CoV-2 in klimatisierten Räumen
Image Kalibrierung von Tieftemperatursensoren
Image Prolatent
Image Lebensdauerprognose von Hermetikverdichtersystemen
Image Solare Kühlung
Image Kryoflüssigkeitspumpen für tiefkalt verflüssigte Gase wie z.B. LIN, LOX, LHe, LH2, LNG, LAr
Image Ultradichte Kryoröhrchen als neuartige Primärpackmittel - Ultrakryo
Image Energieeffizienzberatung Kraft-Wärme-Kälte
Image Kältemittel- und Kältemaschinenöl-Untersuchungen
Image All-In-One Gerät für Gefriertrocknung und Biomaterialherstellung
Image Entwicklung eines schnellen Rechenverfahrens..
Image Entwicklung hydrolysebeständiger Hotmelt-Klebeverbunde für Prozessluft- und Klimaanwendungen unter Einhaltung hygienischer Anforderungen
Image Nichtinvasive Strömungsmessung
Image Software für Prüfstände
Image Massenspektrometer
Image Innovatives Tieftemperaturkühlsystem zur Rekondensation / Verflüssigung von technischen Gasen bis 77 K

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