Practical Control: Praxistaugliche Optimierung des Gebäudebetriebs mit modellbasierten Methoden und künstlicher Intelligenz

Der Gebäudesektor liegt aufgrund seines großen Energie- und CO2-Einsparpotenzials im Fokus vieler Untersuchungen für innovative Konzepte zur Effizienzsteigerung. Dazu wurden in den letzten Jahren zahlreiche Methoden zur Optimierung des Gebäudebetriebs entwickelt. Diese Methoden umfassen bspw. modellbasierte Optimierungen, wie modellprädiktive Regelung, und wurden in zahlreichen theoretischen Studien, sowie an einzelnen Demonstratoren angewandt. Allerdings ist die Umsetzung dieser Methoden in der Praxis nicht weit vorangeschritten. Die Gründe dafür sind die zu hohe Komplexität und steigende Hard- und Softwareanforderungen der Methoden. In den letzten Jahren wurden Ideen entwickelt, wie diese komplexen Methoden praxistauglich gestaltet werden können. Eine dieser Ideen ist die approximative modellprädiktive Regelung, bei welcher mithilfe von maschinellem Lernen das Verhalten einer modellprädiktiven Regelung imitiert wird, um anschließend einfache, verständliche Betriebsregeln abzuleiten. In diesem Projekt sollen die Gebäude des Solar Decathlon modelltechnisch erfasst werden und die genannten Methoden angewandt und demonstriert werden. Die Gebäude des Solar Decathlon eignen sich besonders gut für dieses Vorhaben, da sie unterschiedliche Anlagentechnik aufweisen, wodurch übertrag- und skalierbare Aussagen abgeleitet werden können. Daher können im Laufe dieses Projektes reale Hürden beim Umsetzen einer optimierten Regelung erfasst und aufgrund des Demonstrationscharakters der Gebäude einem Fachpublikum präsentiert werden. Ziel des Projektes ist die Demonstration von innovativen Regelungsoptimierungen an realen Objekten und das Ableiten eines Drehbuchs für die Umsetzung an weiteren Objekten.