Aktuelle Forschungsprojekte

Image Software für die TGA-Planung
Image Gesamtsystemoptimierung von Kältetechnischen Anlagensystemen für Energiewende und Klimaschutz
Image Luft-Wasser Wärmepumpen
Image Sole (Wasser)-Wärmepumpen
Image Mollier hx-Diagramm
Image Zug- und Druckprüfung
Image Photometrisches Messverfahren zur Bestimmung der Luftwechselrate in Innenräumen - IO-Scan
Image Ultradichte Kryoröhrchen als neuartige Primärpackmittel - Ultrakryo
Image Thermostatische Expansionsventile
Image Tribologische Untersuchungen im System Öl-Kältemittel-Werkstoff
Image For(W)ing - Laufradflügel für Strömungsmaschinen
Image Dynamische Gebäude- und Anlagensimulation mit TRNSYS
Image Pulse-Tube-Kühler mit Hermetikverdichterantrieb
Image Leistungsangebot Laboranalysen
Image Untersuchung von materialabhängigen Parametern
Image Charakterisierung von Supraleitern in Wasserstoffatmosphäre

Sie befinden sich hier:   /  Startseite


Klimatechnik-Betriebsoptimierung mittels maschinellem Lernen

3563,3565,3567,3569

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