Aktuelle Forschungsprojekte

Elektrische Auskopplung aus einer Expansionsturbine

Dynamische Gebäude- und Anlagensimulation mit TRNSYS

Seminar Evakuieren und Trocknen von Kälteanlagen

IO-Scan – Integral messendes Optisches Scanverfahren

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

Prüfstände für Kälte- und Wärmepumpentechnik

Reduzierung der Expansionsverluste von Kälteanlagen

Kryoflüssigkeitspumpen für tiefkalt verflüssigte Gase wie z.B. LIN, LOX, LHe, LH2, LNG, LAr

Hochtemperatur Wärmepumpe

Ultradichte Kryoröhrchen als neuartige Primärpackmittel - Ultrakryo

Untersuchungen von Werkstoffen

Wärmeübergang in turbulenten Ferro-Nanofluiden unter dem Einfluss von Magnetfeldern

Cl.Ai.Co - Clever Air Components

For(W)ing - Laufradflügel für Strömungsmaschinen

Praktikum, Diplom, Master, Bachelor

Software für die TGA-Planung

Sie befinden sich hier: Startseite / Softwareentwicklung

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