Aktuelle Forschungsprojekte

CO₂ GASHYDRATE FÜR NACHHALTIGE ENERGIE- UND KÜHLLÖSUNGEN

Thermostatische Expansionsventile

CFE-Test Dunstabzugshauben

Prüfverfahren für elektrische Komponenten

Ressourcenoptimierung und Beschleunigung von Strömungssimulationen mittels künstlicher Intelligenz

Mollier hx-Diagramm

Tieftemperatur-Materialprüfkammer

Phasenauflösende numerische Simulation von Suspensionen

Untersuchungen von Werkstoffen

In-Situ-Untersuchungen zum Quellverhalten von Polymerwerkstoffen unter erhöhten Drücken und Temperaturen

Druckfestigkeitsprüfung von CO2 Anlagen

Thermische Speicherung mit PCM

Herstellung neuartiger Sperrschichten an Polymermaterialien zur Verminderung der Wasserstoffpermeation

Selbstoptimierendes Raumluftmanagementsystem

Beladungssensor für Adsorptionsfilter

Verbundvorhaben Öl-Effiziente Kältesysteme – Schmierstoffwahl für Kälteanlagen unter dem Gesichtspunkt der Energieeffizienz

Sie befinden sich hier: / Startseite

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