Aktuelle Forschungsprojekte

Image Prüfstände zur Messung der Luftleistung
Image Schalldämpfer mit integrierten Abgaswärmeübertrager
Image Korrosionsinhibitor für Ammoniak-Absorptions-Anlagen
Image Panel mit indirekter Verdunstungskühlung über Membran
Image 3D - Strömungssensor
Image Chemische Wasserbinder/Enteiser für Kältekreisläufe - CheWa
Image Dynamische Gebäude- und Anlagensimulation mit TRNSYS
Image Modulares Speichersystem für solare Kühlung
Image Untersuchungen von Werkstoffen
Image Elektronische Multifunktionsmodule für kryogene Anwendungen
Image Prüfverfahren für Außenluftfilter
Image Kalibrierleck für die Wasserbad Dichtheitsprüfung
Image Korrosionsinhibitor für Absorptionskälteanlagen
Image Untersuchungen an Deckenkühlgeräten
Image Solare Kühlung
Image KLAR

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

Füllmengenreduzierung

Wie viel Kältemittel muss gefüllt werden?

Image

Leistungsprüfung an Verflüssigungssätzen

Wie effizient ist der Verflüssigungssatz ?

Image

Elektrische Auskopplung aus einer Expansionsturbine

Kostengünstige Umwandlung kleiner elektrischer Leistungen

Image

Zustands- und Schadensanalysen

Ist der Zustand des Kältemittelverdichters ok?