EnOB: DataFEE - Data mining, machine learning, feedback, and feedforward - Energieeffizienz durch nutzungszentrierte Gebäudesysteme, Teilvorhaben: Big Data getriebene Regelungsalgorithmen

Description: Zahlreiche Untersuchungen zur energetischen Performance von Gebäuden belegen, dass die Nutzer den Energieverbrauch entscheidend beeinflussen. Gleichzeitig führen unzureichende Kenntnisse über das Nutzerverhalten in der Praxis dazu, dass oft eine große Differenz zwischen in der Entwurfsphase prognostizierten und im Betrieb tatsächlich gemessenen Energiekennzahlen auftritt. Ziel dieses Vorhabens ist es deshalb, durch das systematische Erschließen und die Optimierung der Datennutzungsprozesskette diesen Performance Gap zu verringern, um damit verlässlichere Prognosen für den Gebäudebetrieb zu ermöglichen und eine hohe Energieeffizienz sicherzustellen. Hierzu werden die Nutzung von Geräten und technischen Anlagen sowie komfortbedingte Interaktionen der Nutzer genauer erfasst, aufbereitet und in Form von Modellen für Planungswerkzeuge und Systeme 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. Hierbei wird auch der Digitale Zwilling als cyber-physisches Abbild der realen Geräte und Gebäude ähnlich wie auch im Bereich Industrie 4.0 deutlich absehbar eine zentrale Rolle spielen. Darauf aufbauend werden Dienstleistungen für Gebäudenutzer und Betreiber entwickelt, wofür Fragen der Informationsaufbereitung und -vermittlung im Vordergrund stehen, auf Nutzerebene die Darstellung wesentlicher Raumklima- und anderer Umgebungsparameter zusammen mit Entscheidungshilfen zur Optimierung des nutzergruppenspezifischen oder individuellen Komforts und auf Betreiberebene Darstellungen zur Entwicklung des Energiebedarfs in den verschiedenen Sektoren sowie daraus abgeleitete Handlungsempfehlungen. Hinsichtlich eines umfassenderen Verständnisses des Nutzerverhaltens und seiner Interaktion mit der Gebäudeausstattung soll darüber hinaus die Wahrnehmung von und die Reaktion auf multiple und z.T. wechselwirkende Umwelteinflüsse experimentell untersucht werden. An Demonstrationsprojekten werden die erarbeiteten Lösungen getestet und evaluiert. Außerdem soll ein wesentlicher Beitrag zu dem im Herbst 2018 angelaufenen IEA EBC Annex 79 'Occupant behaviour-centric building design and operation' geleistet werden, in den die Projektteilnehmer federführend involviert sind.

SupportProgram

Origins: /Bund/UBA/UFORDAT

Tags: Gebäude ? Industrie ? Big Data ? Handlungsempfehlung ? Dienstleistungssektor ? Energiebedarf ? Energieverbrauch ? Künstliche Intelligenz ? Management ? Energieeffizienz ? Raumklima ? Sensorische Bestimmung ? Energieverbrauchskennwert ? Digitaler Zwilling ? Datenerhebung ? Informationsgewinnung ? Ökologischer Faktor ? Nutzerverhalten ? Analytik ? Entscheidungshilfe ? Herbst ?

Region: Nordrhein-Westfalen

Bounding boxes: 6.76339° .. 6.76339° x 51.21895° .. 51.21895°

License: cc-by-nc-nd/4.0

Language: Deutsch

Organisations

• Asea Brown Boveri AG (Mitwirkende)
• BayernFM (Mitwirkende)
• Bundesministerium für Wirtschaft und Energie (Geldgeber*in)
• Fraunhofer-Institut für Bauphysik, Institutsteil Holzkirchen (Mitwirkende)
• Karlsruher Institut für Technologie (KIT), Institut für Industrielle Bauproduktion, Fachgebiet Bauphysik und Technischer Ausbau (FBTA) (Mitwirkende)
• RWTH Aachen University, Fachbereich 3, Lehrstuhl für Energieeffizientes Bauen (E3D) (Betreiber*in)
• Umweltbundesamt (Bereitsteller*in)

Time ranges: 2019-07-01 - 2022-12-31

Alternatives

• Language: Englisch/English
  Title: EnOB: DataFEE - Data mining, machine learning, feedback and feedforward â€Ì Energy efficiency through usage-centred building systems
  Description: Numerous studies on the energetic performance of buildings show that users have a significant influence on energy consumption. At the same time, inadequate knowledge of user behaviour in practice often leads to a large difference between the energy indicators predicted during the design phase and those actually measured during operation. The aim of this project is therefore to reduce this performance gap by systematically opening up and optimising the data usage process chain in order to enable more reliable forecasts for building operation and ensure high energy efficiency. For this purpose, the use of equipment and technical facilities as well as comfort related interactions of the users are recorded more precisely, processed and made available in the form of models for planning tools and systems for operational management. Intelligent sensor technology, data mining, machine learning or predictive analytics are used to develop more efficient analysis and modelling methods in order to improve building performance and obtain better assessments of user behaviour. The digital twin will also play a central role here as a cyber-physical image of the real devices and buildings, similar to what is clearly foreseeable in Industry 4.0. Building on this, services for building users and operators will be developed, for which questions of information processing and communication will be in the foreground. At user level the presentation of essential indoor climate and other environmental parameters together with decision aids for the optimization of user group-specific or individual comfort and at operator level presentations for the development of energy demand in the various sectors as well as recommendations for action derived from this. With regard to a more comprehensive understanding of user behaviour and its interaction with building equipment, the perception of and reaction to multiple and partly interacting environmental influences will also be investigated experimentally. The developed solutions will be tested and evaluated in demonstration projects. In addition, a substantial contribution will be made to the IEA EBC Annex 79 'Occupant behaviour-centric building design and operation', which was launched in autumn 2018 and in which the project participants are involved in a leading role. https://ufordat.uba.de/UFORDAT/pages/PublicRedirect.aspx?TYP=PR&DSNR=1083447

Status

Aktiv

Quality score

• Overall: 0.46
• Findability: 0.49

  • Title: 0.00
  • Description: 0.07
  • Identifier: false
  • Keywords: 0.86
  • Spatial: RegionIdentified (1.00)
  • Temporal: true
• Accessibility: 0.67

  • Landing page: Specific (1.00)
  • Direct access: false
  • Publicly accessible: true
• Interoperability: 0.00

  • Open file format: false
  • Media type: false
  • Machine-readable metadata: false
  • Machine-readable data: false
• Reusability: 0.67

  • License: ClearlySpecifiedAndFree (1.00)
  • Contact info: false
  • Publisher info: true

Accessed 1 times.