Aktuelle Forschungsprojekte

Praktikum, Diplom, Master, Bachelor

Elektrochemische Dekontamination leitfähiger Oberflächen „EDeKo II“

Untersuchungen von Werkstoffen

Prüfverfahren für Außenluftfilter

Befeuchtungsanlage für hochreine Gase

Leistungsangebot der Lecksuche und Dichtheitsprüfung

Entwicklung Prüfverfahren und Prüfstand für stationäre Einbau-Kältesätze

Dynamische Gebäude- und Anlagensimulation mit TRNSYS

Filterprüfungen

Platz-integrierte Sekundärluft-Aufbereitung

Charakterisierung von Supraleitern in Wasserstoffatmosphäre

Heliumgewinnung aus Erdgas

Phasenauflösende numerische Simulation von Suspensionen

Rohrgekapselte Latentwärmespeicher

Leistungsprüfung an Kältemittelverdichtern

ML-basierte Module für intelligente TGA-Planungssoftware

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