SELF²B - Selbstdiagnostizierende Gebäude, HLK- und PV-Systeme für die nächste Generation energieeffizienter Betriebsführung
Kurzbeschreibung
Ausgangssituation/Motivation
Zur Erreichung der nationalen und europäischen Klimaneutralitätsziele 2050 müssen die CO2-Emissionen signifikant reduziert werden. Der Gebäudesektor spielt dabei eine zentrale Rolle: in der EU entfallen 40 % des Endenergieverbrauchs und 36 % der Emissionen auf ihn.
Eine kontinuierliche, systematische Überwachung des Gebäudebetriebs wird aufgrund der Komplexität der Heizungs-, Lüftungs- und Klimaanlagen (HLK-Anlagen), unzureichender Daten und Tools oder Personalmangels aber nur in seltenen Fällen durchgeführt, obwohl die laufende Überprüfung der Betriebsparameter großes Potential besitzt.
Studien zeigen ein großes Energieeinsparungspotential von bis zu 30 % durch optimierte Betriebsführung und intelligentes Monitoring im Nichtwohngebäudesektor. Am Markt erhältliche Software zur Betriebsoptimierung setzt jedoch hochqualifizierte Fachkräfte voraus, ist aufwändig einzurichten oder benötigt im Vorfeld oft ein Upgrade der Messtechnik der vorhandenen HLK.
Die Möglichkeiten und Vorteile intelligenter Fehlererkennung und automatischer Fehlerkorrektur in Gebäuden sind noch nicht in der Praxis angekommen.
Inhalte und Zielsetzungen
SELF²B demonstriert eine KI-basierte, selbstlernende und selbstdiagnostizierende Fehlererkennungs- und Diagnosesoftware (FDD) zur Optimierung komplexer Nichtwohngebäude mit Gebäudeautomationssystemen. Zusätzlich zu den im Projekt betrachteten Heizungs-, Klima- und Lüftungs-Systemen werden auch Photovoltaikanlagen miteinbezogen.
Methodische Vorgehensweise
Die im Projekt SELF²B geplanten Innovationen gehen über den internationalen Stand der Technik hinaus: Die Kombination von semantischen Daten und Ontologien, Heuristiken und darauf aufbauendes maschinelles Lernen garantiert skalierbare und robuste Lösungen für HLK- und PV-Anlagen.
Die im Projekt geplante Kombination von semi-supervised Machine-Learning Modellen mit Autoencodern in Kombination mit automatisiertem Clustering und Klassifikations-Modellen stellt auch im Maschinellen Lernen eine Innovation dar, die potenziell auf andere Bereiche übertragen werden kann.
Die geplante User:innen-Intergration bei der Entwicklung sowie der Fokus auf Explainability und Nutzerfreundlichkeit adressieren die für vollautomatisierte Softwarelösungen relevante Markthürde der Technologieskepsis der relevanten Stakeholdergruppen. Wichtige Forschungsarbeiten stammen hauptsächlich aus China und den USA, d.h. das geplante Pilotprojekt ist eines der ersten Echtzeitimplementierungen in dieser Form in Europa.
Erwartete Ergebnisse
Die im Projekt erarbeiteten Lösungen sollen in Form eines Softwareprototyps im Realbetrieb in Pilotgebäuden der Bundesimmobiliengesellschaft demonstriert und der Nutzen anhand einer Bewertungsmatrix (technisch, ökonomisch, ökologisch) evaluiert werden.
Des Weiteren wird ein Technologiekonzept für „selbstlernende, selbstoptimierende" Bestandsgebäude für die nächste Generation des effizienten Gebäudebetriebs erstellt.
Projektbeteiligte
Projektleitung
TU Wien, Institut für Hoch- und Industriebau
Projekt- bzw. Kooperationspartner:innen
- DiLT Analytics GmbH
- Bundesimmobiliengesellschaft (assoziierter Partner)
Kontaktadresse
TU Wien
Institut für Hoch- und Industriebau
Karlsplatz 13/210
A-1040 Wien
Tel.:+43 (1) 588 01 215 21
E-Mail: gerald.schweiger@tuwien.ac.at
Web: www.tuwien.at/cee/hib