DataFEE – Data mining, machine learning, feedback and feedforward – Energieeffizienz durch nutzungszentrierte Gebäudesysteme
Das Nutzerverhalten hat einen maßgeblichen Einfluss auf den Energieverbrauch von Gebäuden. Häufig ist die Lücke zwischen prognostizierten und tatsächlich gemessenen Energiekennzahlen (Performance Gap) erheblich – nicht zuletzt aufgrund unzureichender Kenntnisse in Bezug auf das Nutzerverhalten und dessen Vorhersage. Durch die systematische Erschließung und Optimierung der Datennutzungsprozesskette soll diese Lücke verkleinert werden. Unter Zuhilfenahme des digitalen Zwillings, einem cyber-physischen Abbild realer Geräte und Gebäude, werden Methoden wie Data Mining, Machine Learning und Predictive Analytics eingesetzt. Dadurch wird die Abbildung und Prognose des Nutzerverhaltens, etwa durch stärkeren Einbezug der wechselwirkenden Umgebungseinflüsse, entscheidend verbessert. Sowohl Nutzer als auch Gebäudebetreiber sollen von den so aufbereiteten Informationen profitieren, sei es zur Darstellung wesentlicher Raumklimaparameter oder der Rückmeldung energieverbrauchsrelevanter Informationen und passender Handlungsempfehlungen. Letztlich soll hierdurch eine Erhöhung des Nutzerkomforts sowie ein effizienterer Gebäudebetrieb erzielt werden. Die erarbeiteten Modelle und Regelungsalgorithmen werden in Demonstrationsprojekten getestet und evaluiert. Zudem soll ein entscheidender Beitrag zum IEA EBC Annex 79 „Occupant behaviour-centric building design and operation“ geleistet werden.
Laufzeit:
07/2019 - 06/2023
Projektpartner:
- Karlsruher Institut für Technologie, Fachgebiet Bauphysik und Technischer Ausbau
- RWTH Aachen, Lehrstuhl Gebäude- und Raumklimatechnik EBC
- Fraunhofer Institut für Bauphysik IBP, Abteilung Raumklima
- ABB AG, Corporate Research Center Germany
- Bayern Facility Management GmbH
Webseite:
Förderung/Auftragsgeber:
BMWi, Förderkennzeichen 03EN1002B