Energieeffizienzoptimierung von HLK-Systemen durch prädiktiver Algorithmen und Modellbildung mittels maschinellem Lernen (KI4HVACS)

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 zu erwarten, dass mit zunehmenden Folgen des Klimawandels der Bedarf an HLK-Anlagen steigt. Insbesondere im gewerblichem und industriellem Umfeld wird der Bedarf an unmittelbarer Kühlleistung und Lüftung steigen. Eine umfassende Optimierung von HLK-Anlagen kann den Energieverbrauch und die Kosten in der Regel um 20 bis 40% senken, die Systemzuverlässigkeit durch einen effizienteren Betrieb verbessern und den CO2-Fußabdruck eines Gebäudes wesentlich senken.

Demgegenüber steht die Tatsache, dass in Bestandsgebäuden aber auch in Neubauten HLK-Anlagen meist nur während der Planungsphase und Inbetriebnahme parametrisiert werden. Danach wird meist auf ein laufendes Monitoring, verbunden mit einer Rekonfiguration/Optimierung der Anlage, verzichtet.

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-Settings und auf der Effizienz der Wartungsplanung.

Die Optimierung kann auch auf Basis von multiplen Anlagen erfolgen und durch vortrainierte Modelle wird die Lernphase der eingesetzten KI-Algorithmen massiv verkürzt. 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.

Die Evaluierung des Systems und der erwarteten Einsparungen von 30% Energie und 40% Kosten im Vergleich zu bestehenden Systemen wird in einer dynamischen System-in-the-Loop-Simulation durchgeführt, die es ermöglicht die entwickelte Technologie in einem breiten Spektrum von Anwendungsfällen zu testen. Letztendlich wird der entwickelte Ansatz aber in einer realen Anlage in einem Testgebäude der Projektpartner längerfristig getestet, um auch eine experimentelle Bestätigung der Simulationsergebnisse zu erhalten.