Aktuelle Forschungsprojekte

Kältemittel- und Kältemaschinenöl-Untersuchungen

Thermostatische Expansionsventile

Tieftemperatur-Messdienstleistungen

Heat2Power

Seminar Lecksuche / Dichtheitsprüfung in der Kältetechnik

Testzentrum PLWP am ILK

Elektrische Auskopplung aus einer Expansionsturbine

Magnetfeldbeeinflusster Schmelzpunkt des Wassers

In-Situ-Untersuchungen zum Quellverhalten von Polymerwerkstoffen unter erhöhten Drücken und Temperaturen

Prüfung mobiler Leckdetektoren nach DIN EN 14624

Korrosionsinhibitor für Absorptionskälteanlagen

Luft-Wasser Wärmepumpen

Prüfstand für Ventilatoren nach DIN EN ISO 5801

Elektrochemische Dekontamination leitfähiger Oberflächen „EDeKo II“

Wasserstoff- und Methan-Versuchsfeld am ILK

Filterprüfung

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