Neue Ansätze für die simulationsbasierte Gebäudesteuerung
Studien haben ergeben, dass ein Potenzial für signifikante Energieeinsparungen in Gebäuden durch den Einsatz intelligenter prädiktiver Steuerungssysteme anstelle von traditionellen reaktiven Systemen besteht. Derzeit machen Heizung, Lüftung und Klimatechnik bis zu 50 % des Energieverbrauchs eines Gebäudes aus. Darüber hinaus zeigt die Analyse von Heizungs-, Lüftungs- und Klimatisierungssystemen auch, dass durch die automatisierte Fehlererkennung und -diagnose erhebliche Energieeinsparungen möglich sind. Das EU-finanzierte EINSTEIN-Projekt setzte Verfahren zur Fehlererkennung und -diagnose ein, um neue Steuerungsstrategien für den Einsatz von simulationsbasierten Gebäudeleitsystemen zu entwickeln. Das entwickelte System behebt nicht nur Fehler zwischen „Ist-“ und „Sollzustand“, sondern nutzt auch eine vorausschauende Analyse, um die Gebäudeleistung zu bestimmen, indem es die Auswirkungen von Wetterbedingungen und Gebäudenutzung berücksichtigt. Entwicklung von Strategien zur Gebäudesteuerung Die Projektpartner erarbeiteten drei Steuerungsstrategien in Bezug auf die Fehlererkennung und -diagnose: Vorhersage der Gebäudeleistung, Optimierung und Fehlererkennung. „Während die Fehlererkennung und -diagnose generell den ersten Schritt zur ‚Behebung‘ der Probleme eines Gebäudes darstellt, kommen im zweiten und dritten Schritt Algorithmen als Teil der sogenannten modellprädiktiven Regelung zum Einsatz“, so Projektkoordinatorin Dr. Ruth Kerrigan. „Die modellprädiktive Regelung prognostiziert und optimiert dynamisch die Gebäudeleistung und geht damit weit über herkömmliche regelbasierte hochmoderne Steuerungslösungen hinaus.“ Die Steuerungsstrategien wurden unter Verwendung einer Reihe von Demonstrationsstandorten einschließlich Wohngebäuden und kommerziellen Büros in Irland und Schottland getestet und verfeinert. Die Forscher erprobten zudem ein offenes Schleifensystem zur Fehlererkennung, eine signalbasierte Fehlererkennung für Heizgeräte in einem typischen Wohngebäude sowie regelbasierte Erkennungstests mit realen Daten. Dr. Kerrigan weiter: „Alle Tests führten zu einer verbesserten Gebäudeleistung in Bezug auf den Energieverbrauch und/oder die Kosten, während gleichzeitig der Benutzerkomfort in hohem Maße aufrechterhalten wurde.“ Erstellung von Algorithmen Die Forscher erstellten und testeten außerdem Algorithmen für die Fehlererkennung und -diagnose sowie für die modellprädiktive Regelung, um die Vorteile zu ermitteln, die sie gegenüber herkömmlichen Strategien zur Steuerung von Gebäuden bieten. Die von EINSTEIN entwickelten Algorithmen wurden mit Daten von realen Gebäuden im Rahmen der Fehlererkennung und -diagnose getestet, während die fortgeschrittenen kalibrierten Modelle basierend auf bestehenden Gebäuden im Rahmen der modellprädiktiven Regelung geprüft wurden. „Fortgeschrittene kalibrierte Modelle sind dynamische Gebäudesimulationsmodelle, die so kalibriert sind, dass die Modelle die tatsächliche Leistung des Gebäudes, das sie abbilden, genau beeinflussen“, erklärt Dr. Kerrigan. Die für die Modelle entwickelten modellprädiktiven Regelungsalgorithmen führten zu Energieeinsparungen im Bereich von 15-17 %, wodurch Energiekosteneinsparungen von 35-40 % erreicht wurden. „Obwohl es schwierig ist, Energie- und Kosteneinsparungen explizit mit der Umsetzung von Fehlererkennungs- und -diagnosealgorithmen in Verbindung zu bringen, führten alle Tests erfolgreich zu einer automatisierten Erkennung von Fehlern“, so Dr. Kerrigan. „Dies wirkt einer unnötigen Verschwendung von Energie und Kosten entgegen und wird wahrscheinlich dazu beitragen, Nutzerbeschwerden aufgrund von mechanischen Fehlern zu verringern.“ Schließung der Leistungslücke Zu den Vorteilen, die mit den Betriebsmodellen für die Fehlererkennung und -diagnose sowie für die modellprädiktive Regelung einhergehen, gehört die Möglichkeit, Diskrepanzen zwischen Konstruktionsabsicht und Betriebsleistung (die häufig als „Leistungslücke“ bezeichnet werden) effektiv zu überwachen und zu diagnostizieren. Darüber hinaus können sie auch an Veränderungen im Gebäude- oder Systembetrieb angepasst werden (im Vergleich zu rein datengestützten Ansätzen). Dr. Kerrigan erklärt: „Die Modelle sind in der Lage, verschiedene Steuerungsszenarien zu simulieren, die tatsächliche Systemreaktion zu erkennen und die Optimierung der Steuerungsstrategien mithilfe von echtem Leistungsfeedback und realen Wetterdaten zu ermöglichen.“ Gebäudeverwalter werden durch EINSTEIN von einer kontinuierlichen Bereitstellung eines besseren und effizienteren Gebäudemanagements sowie von mehr Flexibilität bei der Steuerung durch Gebäudemanagementsysteme profitieren. „Im Rahmen des Projekts werden zudem auch Partnerschaften zwischen Industrie und Hochschulen gefördert, ein Prototyp eines intelligenten Gebäudesteuerungsrahmens entwickelt und die Leistungsvorhersage und -steuerung optimiert, um zukünftige Forschungsarbeiten zu unterstützen“, betont Dr. Kerrigan.
Schlüsselbegriffe
EINSTEIN, Energieeffizienz, automatisierte Fehlererkennung und -diagnose, modellprädiktive Regelung, fortgeschrittene kalibrierte Modelle
