Aktuelle Forschungsprojekte

Prüfstand für Ventilatoren nach DIN EN ISO 5801

Leistungsmessung an Wärmeübertragern

Elektrochemische Dekontamination leitfähiger Oberflächen „EDeKo II“

Tribologische Untersuchungen im System Öl-Kältemittel-Werkstoff

Charakterisierung von Supraleitern in Wasserstoffatmosphäre

Prüfstände für Kälte- und Wärmepumpentechnik

Prüfverfahren und Prüfvorrichtungen für ABEK Filterelemente

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

Mollier hx-Diagramm

Apparatur und Verfahren zur Degradationsprüfung

Strömungssimulation CFD

Kalibrierleck für die Wasserbad Dichtheitsprüfung

In-Situ-Quellverhalten von Polymeren in brennbaren Fluiden

Energieeffizienzberatung Kraft-Wärme-Kälte

Innovativer magnetbasierter Parawasserstoffkonverter

Entwicklung von Handlungsempfehlungen für praxisgerechte Lüftungskonzepte und Entwicklung eines CO2-Berechnungstools

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