Aktuelle Forschungsprojekte

Software für die TGA-Planung

Innovativer magnetbasierter Parawasserstoffkonverter

Wetterschutzhaube mit integrierter nachhaltiger Kühlfunktion | NaKu-WSH

Schalldämpfer mit integrierten Abgaswärmeübertrager

Elektrische Komponenten in Kältekreisläufen

Untersuchungen von Werkstoffen

Hochtemperatur Wärmepumpe

Primäre Lärmreduktion an Ventilatoren

Entwicklung eines kryogenen magnetbasierten Luftzerlegers

Pulse-Tube Kryokühler

Wasser-Luft-Kühler-Kit für Helium Kompressoren in der Kryotechnik

Akustik und Schwingungen

Nachweis der Lagerbeständigkeit von Kryoröhrchen

Kältemengenzähler

Nichtinvasive Strömungsmessung

Energieeffizienzbewertung und optimierte Betriebsführung von gewerblichen Kälteanlagen

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