Aktuelle Forschungsprojekte

Untersuchungen nach DIN EN ISO 14903

Tribologische Untersuchungen im System Öl-Kältemittel-Werkstoff

Solare Kühlung

Wärmeübergang in Ferro-Nanofluiden unter Magnetfeldeinfluss

Prüfverfahren für Außenluftfilter

Energieeffizienzberatung Kraft-Wärme-Kälte

Wetterschutzhaube mit integrierter nachhaltiger Kühlfunktion | NaKu-WSH

Sole (Wasser)-Wärmepumpen

Photometrisches Messverfahren zur Bestimmung der Luftwechselrate in Innenräumen - IO-Scan

Intelligente innovative Stromversorgung für supraleitende Spulen

Phasenauflösende numerische Simulation von Suspensionen

Vakuum-Flüssigeis-Technologie

Akustik und Schwingungen

Wärmekraftmaschinen

Strömungssimulation CFD

Industrie-4.0-Membran-Wärme-und-Stoffübertrager (i-MWÜ4.0)

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