Aktuelle Forschungsprojekte

Image Leistungsmessung an Wärmeübertragern
Image Prüfverfahren für Hochtemperaturewärmepumpen-Öle
Image Thermische Speicherung mit PCM
Image Wärmekraftmaschinen
Image Innovativer Helium-Kleinverflüssiger
Image Ionokalorische Kälteerzeugung
Image Hybrid- Fluid für CO2-Sublimations-Kältekreislauf
Image Zug- und Druckprüfung
Image Mikrofluidisches Expansionsventil
Image Herstellung neuartiger Sperrschichten an Polymermaterialien zur Verminderung der Wasserstoffpermeation
Image Strömungssimulation CFD
Image Rohrgekapselte Latentwärmespeicher
Image Nichtinvasive Strömungsmessung
Image Leistungsprüfung an Verflüssigungssätzen
Image KLAR
Image Ressourcenoptimierung und Beschleunigung von Strömungssimulationen mittels künstlicher Intelligenz

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

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
  • Nutzung von ML-Methoden zur Prognose von Lasten (Wetter, Nutzungsverhalten)
  • automatische Klassifikation von Nutzungsszenarien, Fehlerdetektion
  • Integration verfügbarer Tools zur effizienten Raumströmungssimulation sowie zur Energiebedarfsberechnung
  • Co-Validierung von Optimierungstool, experimentellen Untersuchungen und digitalem Zwilling

Interessiert?

Treten Sie mit uns in Kontakt, wenn wir Ihr Interesse an einer Zusammenarbeit
geweckt haben: klima@ilkdresden.de


Ihre Anfrage zum Projekt

Weitere Projekte

Image

ZeroHeatPump

Leistungsführung von Klein-Wärmepumpen ohne Energieverbrauch

Image

KLAR

Klassenraumlüftung akustikbasiert regeln