DataFEE – Mehr Energieeffizienz und Raumkomfort durch effizientere Analyse- und Modellierungsmethoden sowie Einbezug der Gebäudenutzer in den Datenfluss

Zahlreiche Untersuchungen aus der Praxis belegen, dass in vielen Gebäuden beträchtliche Unterschiede zwischen dem in der Planung prognostizierten Energiebedarf und dem tatsächlich gemessenen Verbrauch auftreten. Ziel des Forschungsprojektes DataFEE (Data mining, machine learning, feedback, and feedforward - Energieeffizienz durch nutzungszentrierte Gebäudesysteme) ist es deshalb, diesen sogenannten Performance Gap mit verschiedenen gekoppelten Ansätzen (intelligente Sensorik, Data Mining, Machine Learning oder Predictive Analytics) zu verringern und so eine hohe Energieeffizienz sicherzustellen. Erreicht werden soll dies durch systematisches Erschließen und Optimierung der Datennutzungsprozesskette bis hin zum Nutzer mit Hilfe erweiterter Sensorik und datengestützter Modellierungsmethoden. Damit wird nicht nur der Betrieb von gebäudetechnischen Anlagen besser erfasst und an die tatsächlichen Bedürfnisse angepasst, sondern auch der Nutzer mit spezifisch aufbereiteten Informationen zur Komfortverbesserung in die Raumklimaregelung mit eingebunden.

Hierzu werden die Nutzung von technischer Gebäudeausrüstung zur Raumklimatisierung sowie komfortbedingte Interaktionen der Nutzer genauer erfasst, aufbereitet und in Form von Modellen zur Betriebsführung zur Verfügung gestellt. Mit intelligenter Sensorik, Data Mining, Machine Learning oder Predictive Analytics werden effizientere Analyse- und Modellierungsmethoden erschlossen, um die Gebäudeperformance zu verbessern und bessere Einschätzungen des Nutzerverhaltens zu erlangen. Am Beispiel der Lüftungsregelung wird in dem Projekt mit Deep Learning Modellen versucht, durch eine möglichst präzise Prognose von Nutzerinteraktionen die Regelung frühzeitig anzupassen und dadurch Energieeinsparungen zu erzielen bei gleichzeitiger Sicherung des Nutzerkomforts. Nach Validierung werden die erstellten Modelle als Model Predictive Control (MPC) in die Gebäudeautomation integriert. Ein weiterer Schwerpunkt der Arbeiten ist der Einsatz von Machine Learning (ML) zur Fehlererkennung in der Gebäudeautomation.

Eine zentrale Rolle spielt auch der Digitale Zwilling als cyber-physisches Abbild realer Gebäude und Anlagen. Es wird ein Konzept für den Datenaustausch zwischen den Partnern trotz der unterschiedlichen Datenbanksysteme entwickelt. Dafür werden zu Messdaten gehörige Metadaten in Form einer Ontologie unabhängig von den Daten gespeichert; vorhandenen Ontologien für die Automation der Raumklimatechnik werden dazu erweitert. Ziel ist hierbei, die Daten möglichst passend für ML-Anwendungen bereitzustellen, so dass darauf aufbauend sowohl ein in echtzeit-selbstlernender ML-Algorithmus als auch ein offline trainierter Algorithmus erstellt werden kann. Dazu gehört auch ein Cloud-basierter Ansatz zum Sammeln und Bearbeiten von Sensordaten (Datenbereinigung, Anomalie-Erkennung, Rekonstruktion) und zur anschließenden Entwicklung, Optimierung und Validierung von Deep-Learning-Modellen.

Für Gebäudenutzer und Betreiber wird eine Anwendung (DataApp) zur Informationsaufbereitung und
-vermittlung entwickelt; sie umfasst auf Nutzerebene die Darstellung wesentlicher Raumklima- und anderer Umgebungsparameter zusammen mit Entscheidungshilfen zur Optimierung des nutzergruppenspezifischen oder individuellen Komforts durch Interaktion mit der Gebäudeausstattung und auf Betreiberebene Darstellungen zur Entwicklung des Energiebedarfs in den verschiedenen Sektoren sowie daraus abgeleitete Handlungsempfehlungen.