Aktuelle Forschungsprojekte

Image Entwicklung Prüfverfahren und Prüfstand für stationäre Einbau-Kältesätze
Image Thermische Speicherung mit PCM
Image Verhalten mehrphasiger kryogener Fluide
Image Rauscharme, nichtmetallische Flüssig-Heliumkryostate
Image Prüfstände für Kälte- und Wärmepumpentechnik
Image Phasenauflösende numerische Simulation von Suspensionen
Image Mollier hx-Diagramm
Image Abluftbehandlungsmethode zur Abscheidung von Spurenstoffen in neuen Produktionsverfahren
Image Tribologische Untersuchungen im System Öl-Kältemittel-Werkstoff
Image Lebensdauerprognose von Hermetikverdichtersystemen
Image Prüfverfahren für Außenluftfilter
Image Korrosionsinhibitor für Absorptionskälteanlagen
Image In-Situ-Untersuchungen zum Quellverhalten von Polymerwerkstoffen unter erhöhten Drücken und Temperaturen
Image Bewertungsverfahren für Systeme mit Sekundärluft und Raumwirkung
Image Aktives Schichtladesystem für Kaltwasserpufferspeicher
Image Innovativer Helium-Kleinverflüssiger

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

Elektrische Auskopplung aus einer Expansionsturbine

Kostengünstige Umwandlung kleiner elektrischer Leistungen

Image

Zustands- und Schadensanalysen

Ist der Zustand des Kältemittelverdichters ok?

Image

Thermostatische Expansionsventile

Arbeitet das TEV eigentlich richtig?

Image

Testzentrum PLWP am ILK

Prüfung Fluid-Energiemaschinen und kältetechnische Bauteile

Image

Drallfrei unterwegs...

...mit einem gegenläufigen Radialventilator