Energieeffizienzoptimierung von HLK-Systemen durch prädiktiver Algorithmen und Modellbildung mittels maschinellem Lernen

Ziel des Projektes KI4HVACS ist es mittels maschinellem Lernen, und ohne explizite Modellbildung, System- und Betriebszustände von Heizungs-, Lüftungs- und Klimaanlagen (HLK) automatisiert zu bewerten und zu optimieren, sowie prädiktive Instandhaltung nicht nur nach Verschleiß und Wartungskosten, sondern nach deren Auswirkungen auf den Gesamtenergieverbrauch zu planen und Veränderungen im Gebäude und dessen Nutzung zu berücksichtigen. Der Fokus der Optimierungen liegt hierbei auf der Konfiguration von HLK-Anlagenparametern und auf der Effizienz der Wartungsplanung. Der Mehrwert dieses Ansatzes liegt daher darin, dass nicht in die Regelung des HLK-Systems eingegriffen werden muss. Somit ist diese Vorgehensweise auch für die Nachrüstung von Bestandsanlagen herstellerübergreifend einsetzbar. Zudem kann die Optimierung auch auf Basis der Daten von mehreren Anlagen erfolgen, weshalb die Lernphase der verwendeten KI-Algorithmen durch vortrainierte Modelle massiv verkürzt werden kann. Den Kern der technischen Innovation bildet ein Ansatz aus einer Kombination von Reinforcement-Learning, Supervised-Learning und einer iterativen Kontrollstrategie auf Basis einer Model Predictive Control (MPC)-Architektur, welche die Abweichungen zwischen den tatsächlichen und den erwarteten Werten, die z.B. aus Modellungenauigkeiten entstehen, minimiert. Ausgangssituation / Motivation HLK-Systeme sind in der Regel für mehr als 40% des Energieverbrauchs von Wohn- und gewerblichen Gebäuden verantwortlich, wodurch die Optimierung der Anlageneffizienz zu einer Priorität in der wirtschaftlichen aber auch ökologischen Betriebsführung wird. Es ist des Weiteren zu erwarten, dass mit zunehmenden Folgen des Klimawandels der Bedarf an HLK-Anlagen steigt. Eine umfassende Optimierung von HLK-Systemen kann den Energieverbrauch und die Kosten in der Regel um 20 bis 40 % senken, die Systemzuverlässigkeit durch einen effizienteren Betrieb verbessern und die CO2-Bilanz eines Gebäudes deutlich reduzieren. Bestehende HLK-Anlagen werden jedoch meist nur während der Planung und Inbetriebnahme parametriert. Danach wird oft auf ein laufendes Monitoring, verbunden mit einer Rekonfiguration bzw. Optimierung der Anlage, verzichtet. Inhalte und Zielsetzungen Ziel dieses Projektes ist es mittels maschinellem Lernen, und ohne explizite Modellbildung, System- und Betriebszustände zu bewerten und zu optimieren, sowie prädiktive Instandhaltung nicht nur nach Verschleiß und Kosten sondern nach deren Auswirkungen auf den Gesamtenergieverbrauch zu planen. Der Fokus der Optimierungen liegt hierbei auf der Konfiguration von HLK-Anlagenparametern und auf der Effizienz der Wartungsplanung. Der Mehrwert dieses Ansatzes liegt daher darin, dass nicht in die Regelung des HLK-Systems eingegriffen werden muss. Somit ist diese Vorgehensweise auch für die Nachrüstung von Bestandsanlagen herstellerübergreifend einsetzbar. Zudem kann die Optimierung auch auf Basis der Daten von mehreren Anlagen erfolgen, weshalb die Lernphase der verwendeten KI-Algorithmen durch vortrainierte Modelle massiv verkürzt werden kann. Den Kern der technischen Innovation bildet ein Ansatz aus einer Kombination von Reinforcement-Learning, Supervised-Learning und einer iterativen Kontrollstrategie auf Basis einer Model Predictive Control (MPC)-Architektur, welche die Abweichungen zwischen den tatsächlichen und den erwarteten Werten, die z.B. aus Modellungenauigkeiten entstehen, minimiert. Mit dem entwickelten System und dem KI Ansatz wollen wir Gebäudeeigentümer*innen und Facility Manager*innen, Planer*innen und Systemintegratoren*innen, Hersteller*innen und Lieferant*innen von HLK-Systemen und Gebäudemanagementsystemen, Gebäudebetreiber*innen und Mieter*innen die Energieeffizienz von HLK-Systemen zu verbessern.