Aktuelle Forschungsprojekte

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

Neues sorptives Entfeuchtungssystem mit Energiespeicherung mit Naturmaterial - SEENaM

Leistungsangebot der Lecksuche und Dichtheitsprüfung

Filterprüfungen

Prüfstände zur Messung der Luftleistung

Zug- und Druckprüfung

Cl.Ai.Co - Clever Air Components

Innovativer Helium-Kleinverflüssiger

Leistungsprüfung an Kältemittelverdichtern

Gesamtsystemoptimierung von Kältetechnischen Anlagensystemen für Energiewende und Klimaschutz

For(W)ing - Laufradflügel für Strömungsmaschinen

Rohrgekapselte Latentwärmespeicher

CO2-Trockeneis-Sublimation zur Tieftemperaturkühlung

Luft-Wasser Wärmepumpen

Wärmekraftmaschinen

Lüftungsgerät mit akustischer Regelungsoption

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