Aktuelle Forschungsprojekte

Ressourcenoptimierung und Beschleunigung von Strömungssimulationen mittels künstlicher Intelligenz

Gesamtsystemoptimierung von Kältetechnischen Anlagensystemen für Energiewende und Klimaschutz

CO₂ GASHYDRATE FÜR NACHHALTIGE ENERGIE- UND KÜHLLÖSUNGEN

Korrosionsinhibitor für Ammoniak-Absorptions-Anlagen

Thermostatische Expansionsventile

Untersuchungen nach DIN EN ISO 14903

Stoffdatenmodule

Elektrische Auskopplung aus einer Expansionsturbine

CFE-Test Dunstabzugshauben

Ultradichte Kryoröhrchen als neuartige Primärpackmittel - Ultrakryo

Schalldämpfer mit integrierten Abgaswärmeübertrager

Initiierung eines Lithiumkreislaufes – Recycling von Lithiumbromidlösungen aus Absorptionskälteanlagen (ReLiA)

Platz-integrierte Sekundärluft-Aufbereitung

Abluftbehandlungsmethode zur Abscheidung von Spurenstoffen in neuen Produktionsverfahren

Lebensdauerprognose von Hermetikverdichtersystemen

Elektronische Multifunktionsmodule für kryogene Anwendungen

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