Aktuelle Forschungsprojekte

Entwicklung Prüfverfahren und Prüfstand für stationäre Einbau-Kältesätze

Lüftungsgerät mit akustischer Regelungsoption

Prüfverfahren für Außenluftfilter

Ultradichte Kryoröhrchen als neuartige Primärpackmittel - Ultrakryo

Prüfverfahren und Prüfvorrichtungen für ABEK Filterelemente

Schalldämpfer mit integrierten Abgaswärmeübertrager

Entwicklung und Erprobung des Einsatzes von Phasenwechselmaterialien an WEMS (Window Energy Management Systems)

Energieeffizienzbewertung und optimierte Betriebsführung von gewerblichen Kälteanlagen

Prüfstände zur Messung der Luftleistung

Modulares Speichersystem für solare Kühlung

Controlled Rate Freezing-Gerät für Multiwellplatten (CRF-Multi)

Nichtinvasive Strömungsmessung

Numerische und Experimentelle Untersuchung zum Gefährdungspotential durch SARS-CoV-2 in klimatisierten Räumen

Chemische Wasserbinder/Enteiser für Kältekreisläufe - CheWa

Strahltechnikentwicklung mit Wassereis-Strahlmittel

Leistungsangebot Laboranalysen

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