Aktuelle Forschungsprojekte

Pulse-Tube Kryokühler

Elektrochemische Dekontamination leitfähiger Oberflächen „EDeKo II“

Lüftungsgerät mit akustischer Regelungsoption

Automatisierte Gasschleife

Akustik und Schwingungen

Heliumgewinnung aus Erdgas

Entwicklung Prüfverfahren und Prüfstand für stationäre Einbau-Kältesätze

Wasserstoff- und Methan-Versuchsfeld am ILK

Innovativer Helium-Kleinverflüssiger

Korrosionsinhibitor für Absorptionskälteanlagen

Apparatur und Verfahren zur Degradationsprüfung

Entwicklung hydrolysebeständiger Hotmelt-Klebeverbunde für Prozessluft- und Klimaanwendungen unter Einhaltung hygienischer Anforderungen

Verhalten mehrphasiger kryogener Fluide

Hochtemperatur Wärmepumpe

Kältemittel- und Kältemaschinenöl-Untersuchungen

Strömungssimulation CFD

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