Aktuelle Forschungsprojekte

Solare Kühlung

Entwicklung eines kryogenen magnetbasierten Luftzerlegers

Rohrgekapselte Latentwärmespeicher

Prolatent

Chemische Wasserbinder/Enteiser für Kältekreisläufe - CheWa

Leistungsprüfung an Verflüssigungssätzen

Magnetfeldbeeinflusster Schmelzpunkt des Wassers

Prüfstände zur Messung der Luftleistung

Photometrisches Messverfahren zur Bestimmung der Luftwechselrate in Innenräumen - IO-Scan

Industrie-4.0-Membran-Wärme-und-Stoffübertrager (i-MWÜ4.0)

Prüfverfahren zur dynamischen Alterung von Werkstoffen

Platz-integrierte Sekundärluft-Aufbereitung

Korrosionsinhibitor für Absorptionskälteanlagen

Selbstoptimierendes Raumluftmanagementsystem

CFE-Test Dunstabzugshauben

Kälte-Erzeugung und Kältespeicherung

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

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