DE102022117763A1

DE102022117763A1 - Steuerung einer Versorgungstechnik eines Gebäudes mittels eines neuronalen Netzwerks

Info

Publication number: DE102022117763A1
Application number: DE102022117763.7A
Authority: DE
Inventors: Pascal Richter; Erika Ábrahám; Ahmed Abida
Original assignee: Rheinisch Westlische Technische Hochschuke RWTH
Current assignee: Rheinisch Westlische Technische Hochschuke RWTH
Priority date: 2022-07-15
Filing date: 2022-07-15
Publication date: 2024-01-18
Also published as: WO2024013287A1

Abstract

Offenbart wird ein Verfahren zum Trainieren eines neuronalen Netzwerks (12; 112), welches dazu ausgebildet ist, zur Steuerung einer Versorgungstechnik (30; 50) eines Gebäudes (40) verwendet zu werden. Bei dem Verfahren werden die folgenden Werte bereitgestellt: Systemparameter (18) der Versorgungstechnik; Gebäudedaten (20) des Gebäudes; Umgebungsdaten (22) des Gebäudes; und Steuerungsdaten, welche zur Steuerung der Versorgungstechnik verwendet werden können. Die bereitgestellten Systemparameter (18), Gebäudedaten (20), Umgebungsdaten (22) und Steuerungsdaten werden vorverarbeitet, um einen Trainingsdatensatz (26; 60, 62, 64, 66) für das neuronale Netzwerk (12; 112) zu erzeugen, welcher die vorverarbeiteten Systemparameter (18), Gebäudedaten (20) und Umgebungsdaten (22) als Eingabedaten (24) sowie die vorverarbeiteten Steuerungsdaten als Ausgabedaten umfasst. Das neuronale Netzwerk (12; 112) wird mit dem Trainingsdatensatz trainiert, um einen Zusammenhang zwischen den Eingabedaten und den Ausgabedaten zu lernen.

Description

Technisches Gebiet
Die vorliegende Erfindung betrifft ein Verfahren zum Trainieren eines neuronalen Netzwerks, welches dazu ausgebildet ist, zur Steuerung einer Versorgungstechnik eines Gebäudes verwendet zu werden. Zudem betrifft die Erfindung ein Verfahren zur Verwendung des neuronalen Netzwerks zur Steuerung der Versorgungstechnik des Gebäudes. Die Erfindung betrifft zudem ein Computerprogrammprodukt sowie eine Steuereinrichtung zur Steuerung der Versorgungstechnik eines Gebäudes mittels eines Steuerungsdatensatzes.
Stand der Technik
Die Energieversorgung von Gebäuden hat einen erheblichen Anteil am weltweiten Energieverbrauch. In den letzten Jahren wurden daher verschiedene Methoden entwickelt, um Gebäude thermisch zu modellieren und deren Versorgungstechnik energetisch optimiert zu steuern. Hierbei wird beispielsweise auf das Verfahren der modellprädikativen Regelung, Model Predictive Control (MPC) zurückgegriffen, bei welcher ein zeitdiskretes dynamisches Modell des zu regelnden Prozesses erstellt wird. Dieses Vorgehen kann daher auch als „Hard Control“ bezeichnet werden. Ferner kann die Regelung der Versorgungstechnik eines Gebäudes auch mittels eines klassischen Regelungssystems wie eines proportional-integral-derivative, PID, -Reglers, erfolgen. Die verwendeten Regelungs- und Optimierungsverfahren sind jedoch sehr rechenaufwendig und zeitaufwendig. Deshalb erfolgt die thermische Modellierung beispielsweise lediglich zu vereinzelten Zeitpunkten am Tag, wodurch die Versorgungstechnik jedoch nicht immer optimal gesteuert wird. Alternativ ist ein erheblicher Rechenaufwand notwendig, wobei für einzelne Gebäude bereits ein ganzer Server zur Berechnung benötigt wird. Der Aufwand ist bei diesem Vorgehen entsprechend hoch und beschränkt den erzielbaren Effizienzgewinn.
Darstellung der Erfindung
Die Erfindung bezieht sich in einem ersten Aspekt auf ein Verfahren zum Trainieren eines neuronalen Netzwerks, welches dazu ausgebildet ist, zur Steuerung einer Versorgungstechnik eines Gebäudes verwendet zu werden. Mit dem neuronalen Netzwerk kann eine verbesserte thermische Gebäudemodellierung bereitgestellt werden, ohne dass die exakte Struktur des Regelungssystems und/oder des zu regelnden Systems zuvor bestimmt werden muss.
Ein neuronales Netzwerk kann beispielsweise ein mathematisches Modell sein. Das neuronale Netzwerk kann mithilfe eines Computers erstellt werden und als künstliches neuronales Netzwerk ausgebildet sein. Das neuronale Netzwerk kann Eingangsknoten, Ausgangsknoten und mehrere Zwischenknoten aufweisen, welche zwischen den Eingangsknoten und den Ausgangsknoten angeordnet sind. Die Eingangsknoten können beispielsweise als Datenschnittstellen ausgebildet sein, über welche Eingabedaten in das neuronale Netzwerk eingegeben werden können. Die Ausgangsknoten können beispielsweise als Datenschnittstellen ausgebildet sein, über welche Ausgabedaten aus dem neuronalen Netzwerk ausgegeben werden können. Die Eingangsknoten können mit den Zwischenknoten und die Zwischenknoten können miteinander verbunden sein. Die Zwischenknoten können mit den Ausgangsknoten verbunden sein.
Auf den Zwischenknoten kann Information zumindest temporär zwischengespeichert werden. Es kann vorgesehen sein, dass auf den Zwischenknoten zumindest eine Rechenoperation ausgeführt wird. Die Eingabedaten können von den Eingangsknoten über die Zwischenknoten zu den Ausgangsknoten beispielsweise übertragen werden, um dort die Ausgabedaten zu erzeugen. Während dieser Übertragung können die Eingabedaten beispielsweise verarbeitet werden, beispielsweise zu den Ausgabedaten umgewandelt werden. Die Zwischenknoten des neuronalen Netzwerks können in einer oder mehreren Schichten beziehungsweise Ebenen angeordnet sein. Die Zwischenknoten können innerhalb einer Schicht miteinander verbunden sein. Zusätzlich können die Zwischenknoten einer Schicht mit den Zwischenknoten anderer Schichten verbunden sein. Die einzelnen Verbindungen der Eingangsknoten, der Zwischenknoten und der Ausgangsknoten können mit mathematischen Gewichtungen versehen sein. Die Verbindungen der jeweiligen Knoten des neuronalen Netzwerks können gewichtet sein. Durch das Training des neuronalen Netzwerks können die Gewichtungen verändert oder auch erstmalig vorgegeben werden. Durch die Anpassung der Gewichtungen der Verbindungen der einzelnen Knoten während des Trainings kann von dem neuronalen Netzwerk ein Zusammenhang zwischen den Eingabedaten und den Ausgabedaten gelernt werden. Während der Verwendung des neuronalen Netzwerks zu dem vorgesehenen Zweck kann der gelernte Zusammenhang von dem neuronalen Netzwerk auf eingegebene Eingabedaten angewandt werden, um Ausgabedaten gemäß dem vorgegebenen Verwendungszweck des neuronalen Netzwerks zu erzeugen.
Zum Trainieren des neuronalen Netzwerks kann beispielsweise die Technik des langen Kurzzeitgedächtnisses, long short-term memory, LSTM verwendet werden. Hierbei wird zunächst ein Trainiersignal von den Eingangsknoten zu den Ausgangsknoten erzeugt. Anschließend wird in umgekehrter Richtung, also von Ausgangsknoten zu den Eingangsknoten, eine Fehlerjustierung durchgeführt, um die Gewichtung der einzelnen Verbindungen rückwirkend anzupassen. Für jeden der Knoten wird dabei der Eingangswert, der abgespeicherte Wert und der ausgegebene Wert vermerkt, um alle Knoten bei der Fehlerkorrektur ausreichend berücksichtigen zu können.
Alternativ oder zusätzlich kann die Technik der erzeugenden gegnerischen Netze, generative adversarial networks, GAN, für das Training des neuronalen Netzwerks verwendet werden. Hierbei werden zwei künstliche neuronale Netze verwendet, von denen eines eine Auswahl an möglichen Kandidaten für das zu erzielende Ergebnis erstellt. Das andere neuronale Netzwerk bewertet diese Kandidaten auf Grundlage der zur Verfügung gestellten Trainingsdaten. Ferner kann beispielsweise ein Convolutional Neural Network, CNN, verwendet werden, bei welchem die Zwischenknoten verschiedener Schichten zumindest teilweise durch eine Faltungsfunktion miteinander verbunden sind.
Ein Gebäude kann jede Art von fest mit dem Erdboden verbundener Struktur sein, welche zur Unterbringung von Personen und/oder Gütern ausgebildet ist. Beispielsweise kann es sich bei einem Gebäude um eine Lagerhalle, ein Bürogebäude, ein Fabrikgebäude, ein Wohngebäude, eine Sport- oder Schwimmhalle, ein Schulgebäude, ein Gebäude des Einzelhandels und/oder ein Mischgebäude handeln, welchem aus einer Kombination der vorgenannten Gebäudearten besteht.
Eine Versorgungstechnik eines Gebäudes kann eine Anlage sein, mittels welcher ein Wärmeeintrag in das Gebäude beeinflussbar ist. Ein Wärmeeintrag kann ein Aufheizen oder ein Abkühlen des Gebäudes beinhalten. Beispielsweise kann die Versorgungstechnik eine oder mehrere Heizungen, eine oder mehrere Klimaanlagen und/oder weitere Vorrichtungen zur Temperatursteuerung, wie selbsttätig öffenbare Fenster und/oder einen verstellbaren Sonnenschutz, aufweisen. Durch die Versorgungstechnik kann ein thermischer Zustand des Gebäudes beeinflusst werden, insbesondere um einen thermischen Zustand vorzugeben. Ein thermischer Zustand des Gebäudes kann beispielsweise eine Temperatur, optional unter Berücksichtigung einer Luftfeuchtigkeit und/oder eines Luftdrucks innerhalb des Gebäudes, umfassen. Zudem kann der thermische Zustand auch einen Temperaturgradienten betreffen, also eine Abkühlgeschwindigkeit oder eine Aufheizgeschwindigkeit. Die Versorgungstechnik kann dazu ausgebildet sein, weitere Klimaparameter innerhalb des Gebäudes einzustellen, wie beispielsweise eine Frischluftversorgung, eine Fußbodentemperatur und/oder einen Sonnenschutz. Durch die Steuerung der Versorgungstechnik ergibt sich ein momentaner Energieverbrauch. Der Energieverbrauch kann beispielsweise einen Verbrauch von elektrischem Strom und/oder fossilen Energieträgern beinhalten. Das Ziel der Steuerung der Versorgungstechnik kann eine Minimierung dieses Energieverbrauchs oder von jeweiligen Kosten, insbesondere verursacht durch diesen Energieverbrauch, sein. Zusätzlich können auch Wartungskosten berücksichtigt werden. Bei der Steuerung können Randbedingungen berücksichtigt werden, wie ein gewünschter Innentemperaturbereich. Die Randbedingungen können fest vorgegebene Größen sein oder in Abhängigkeit von weiteren Parametern bestimmt werden, wie beispielsweise einer Uhrzeit und/oder einem Benutzungszustand des Gebäudes.
Das Verfahren weist einen Schritt eines Bereitstellens von Systemparametern der Versorgungstechnik auf. Die Systemparameter können einen oder mehrere Werte aufweisen. Die Systemparameter können einen thermischen Zustand der Versorgungstechnik definieren. Beispielsweise können die Systemparameter angeben, welche Lufttemperatur im Inneren des Gebäudes zu einem bestimmten Zeitpunkt geherrscht hat, herrscht oder herrschen soll. Das Verfahren weist ferner einen Schritt des Bereitstellens von Gebäudedaten des Gebäudes auf. Die Gebäudedaten können einen oder mehrere Werte aufweisen. Die Gebäudedaten können einen strukturellen Zustand des Gebäudes definieren. Beispielsweise können die Gebäudedaten ein Kennwert für eine Isolierung des Gebäudes sein. Geeignete Kenngrößen sind dafür beispielsweise ein Alter des Gebäudes, jeweilige Wandstärken des Gebäudes und/oder eine Größe und/oder Ausrichtung jeweiliger Fensterflächen. Das Verfahren weist ferner einen Schritt des Bereitstellens von Umgebungsdaten des Gebäudes auf. Die Umgebungsdaten können einen oder mehrere Werte aufweisen. Die Umgebungsdaten können einen thermischen Zustand einer Umgebung des Gebäudes definieren. Beispielsweise können die Umgebungsdaten ein Kennwert für einen Niederschlag oder eine Sonneneinstrahlung auf das Gebäude sein. Neben Wetterbedingungen können die Umgebungsdaten aber auch eine geographische Position des Gebäudes sowie eine Positionierung relativ zu anderen Gebäuden und/oder einer Bodengestaltung sein. Beispielsweise kann ein Gebäude in einem Straßenzug vor Wind und Sonneneinstrahlung teilweise abgeschirmt sein, was durch die Umgebungsdaten berücksichtigt werden kann. Die Umgebungsdaten können entsprechende Informationen beinhalten.
Das Verfahren weist ferner einen Schritt des Bereitstellens von Steuerungsdaten auf, welche zur Steuerung der Versorgungstechnik verwendet werden können. Die Steuerungsdaten können einen Betriebszustand der Versorgungstechnik definieren. Beispielsweise können die Steuerungsdaten der Versorgungstechnik vorgeben, eine bestimmte Heizleistung oder Kühlleistung zu erzeugen, um den thermischen Zustand des Gebäudes zu verändern. Ebenso können die Steuerungsdaten beispielsweise eine Fensterstellung und/oder eine Sonnenschutzstellung vorgeben.
Bei dem Bereitstellen können aus einer Vielzahl von Datensätzen jeweils diejenigen Systemparameter, Gebäudedaten, Umgebungsdaten und/oder Steuerungsdaten ausgewählt werden, welche zumindest eine Eigenschaft der Versorgungstechnik optimieren. Beispielsweise können diejenigen Systemparameter, Gebäudedaten, Umgebungsdaten und/oder Steuerungsdaten aus der Vielzahl von Datensätzen ausgewählt werden, welche einen Energieverbrauch der Versorgungstechnik optimieren. Alternativ oder zusätzlich können diejenigen Systemparameter, Gebäudedaten, Umgebungsdaten und/oder Steuerungsdaten aus der Vielzahl von Datensätzen ausgewählt werden, welche eine Temperatur und/oder eine Luftfeuchtigkeit in dem Gebäude optimieren.
Bei einem Bereitstellen der Systemparameter, Gebäudedaten, Umgebungsdaten und Steuerungsdaten kann zumindest ein Wert der zuvor genannten Daten bestimmt werden. Der zumindest eine Wert kann erfasst, gemessen und/oder synthetisch erzeugt werden. Die bereitgestellten Systemparameter, Gebäudedaten und Umgebungsdaten können beispielsweise mittels einer Eingabevorrichtung an zumindest einen der Eingangsknoten des neuronalen Netzwerks übertragen werden. Die bereitgestellten Steuerungsdaten können beispielsweise mittels der Eingabevorrichtung oder einer weiteren Eingabevorrichtung an zumindest einen Ausgangsknoten des neuronalen Netzwerks übertragen werden. Die Eingabevorrichtung und die weitere Eingabevorrichtung können Bestandteil einer Steuereinrichtung des Gebäudes sein oder mit der Steuereinrichtung in Signalverbindung stehen. Die Eingabevorrichtung und die weitere Eingabevorrichtung können jeweils eine Datenschnittstelle aufweisen, über welche die bereitgestellten Systemparameter, Gebäudedaten und Umgebungsdaten an zumindest einen der Eingangsknoten und über welche die bereitgestellten Steuerungsdaten an zumindest einen der Ausgangsknoten des neuronalen Netzwerks übertragen werden.
Das Verfahren weist ferner einen Schritt des Vorverarbeitens der bereitgestellten Systemparameter, Gebäudedaten, Umgebungsdaten und Steuerungsdaten auf, um einen Trainingsdatensatz für das neuronale Netzwerk zu erzeugen. Der Trainingsdatensatz umfasst die vorverarbeiteten Systemparameter, die vorverarbeiteten Gebäudedaten und die vorverarbeiteten Umgebungsdaten als Eingabedaten sowie die vorverarbeiteten Steuerungsdaten als Ausgabedaten.
Die bereitgestellten Systemparameter, Gebäudedaten, Umgebungsdaten und Steuerungsdaten können derart vorverarbeitet werden, dass diese schneller oder sogar überhaupt von dem neuronalen Netzwerk sinnvoll verarbeitet werden können. Das Vorverarbeiten kann ein Auswählen umfassen, ob ein Wert der Daten als Eingabedaten oder Ausgabedaten für das Training des neuronalen Netzwerks genutzt wird. Beispielsweise kann ein Wert dieser Daten dann nicht als Eingabedaten für das Training des neuronalen Netzwerks geeignet sein, wenn dieser keinen oder keinen ausreichenden Einfluss auf die Steuerung der Versorgungstechnik hat. Durch das Auswählen kann eine Datenmenge erheblich reduziert werden und eine robustere Optimierung erzielt werden.
Alternativ oder zusätzlich kann ein Wert der Daten dann nicht als Eingabedaten für das Training des neuronalen Netzwerks geeignet sein, wenn dieser, beispielsweise aufgrund seiner Datenstruktur, nicht von dem neuronalen Netzwerk verarbeitet werden kann. Beispielsweise können die bereitgestellten Daten in Form einer mehrdimensionalen Matrix vorliegen. Es kann jedoch vorgesehen sein, dass das zu trainierende neuronale Netzwerk dazu ausgebildet ist, eindimensionale Zahlenwerte zu verarbeiten. In diesem Fall muss die mehrdimensionale Matrix in eindimensionale Zahlenwerte zerlegt werden, bevor diese zum Trainieren des neuronalen Netzwerks verwendet werden kann. Ferner kann ein Vorverarbeiten auch ein Sortieren der bereitgestellten Daten und/oder ein Entfernen einer Teilmenge der bereitgestellten Daten beinhalten, um die für das Training des neuronalen Netzwerks verwendete Datenmenge zu reduzieren.
Das Verfahren weist ferner einen Schritt des Trainierens des neuronalen Netzwerks mit dem Trainingsdatensatz auf, um einen Zusammenhang zwischen den Eingabedaten und den Ausgabedaten zu lernen. Beim Verarbeiten der Eingabedaten kann von dem neuronalen Netzwerk die Gewichtung der Verbindungen der einzelnen Knoten geändert werden. Auf diese Weise kann das neuronale Netzwerk den Zusammenhang zwischen den Eingabedaten und den Ausgabedaten lernen.
Das vorgeschlagene Verfahren verringert die zur Optimierung der thermischen Gebäudesteuerung benötigte Rechenzeit signifikant. Hierdurch können auch kurzfristig auftretende Ereignisse, wie Wetteränderungen oder die Änderungen eines Energiepreises bei der Optimierung berücksichtigt werden. Ferner können mit dem trainierten neuronalen Netzwerk nicht nur einzelne Steuerungsparameter zur Steuerung der Versorgungstechnik des Gebäudes erzeugt werden, sondern auch Anfangswerte für einen Optimierungsalgorithmus erzeugt werden, insbesondere einen analytisch arbeitenden und/oder als Simulation ausgebildeten Optimierungsalgorithmus. Somit kann das vorgeschlagene Verfahren leicht in bereits bestehende Optimierungsroutinen integriert werden, um dort den Aufwand auch erheblich zu reduzieren. So kann beispielsweise aufgrund der Verwendung eines neuronalen Netzwerks auf den Einsatz eines leistungsstarken Rechenzentrums verzichtet werden, welches bisher zur Optimierung der Gebäudesteuerung notwendig war. Somit können auch Kosten für die Gebäudesteuerung eingespart werden. Schließlich kann auch aufgrund der verbesserten Optimierungsroutine der Gebäudesteuerung der für die Gebäudesteuerung notwendige Energieaufwand gesenkt und/oder an einen Verlauf des Energiepreises angepasst werden. Daher können aufgrund des vorgeschlagenen Verfahrens auch Energiekosten eingespart werden. Schließlich können beim Trainieren des neuronalen Netzwerks nur die Eingabedaten und die Ausgabedaten berücksichtigt werden. Die Struktur des neuronalen Netzwerks kann dagegen irrelevant sein oder erst durch das Training erzeugt werden. Das verwendete neuronale Netzwerk kann somit eine „Black Box“ sein, welche lediglich anhand der Eingabedaten und Ausgabedaten definiert ist. Das vorgeschlagene Verfahren zum Trainieren eines neuronalen Netzwerks kann demnach auf eine Vielzahl verschiedener Arten von neuronalen Netzwerken angewandt werden.
Gemäß einer Ausführungsform des Verfahrens zum Trainieren eines neuronalen Netzwerks sind die bereitgestellten Systemparameter, Gebäudedaten, Umgebungsdaten und/oder Steuerungsdaten historische Werte und/oder werden synthetisch erzeugt. Historische Werte können Werte beinhalten, welche zu einem bestimmten, in der Vergangenheit liegenden Zeitpunkt erfasst wurden. Die historischen Werte können für das Gebäude, für die Umgebung des Gebäudes und/oder für andere Gebäude erfasst worden sein. Die synthetischen Daten können durch Verarbeitung erfasster und/oder gemessener Daten erzeugt werden. Alternativ oder zusätzlich können die synthetischen Daten durch Verarbeitung vorgegebener Parameter des Gebäudes erzeugt werden. Alternativ oder zusätzlich können die synthetischen Daten beispielsweise durch eine Simulation erzeugt werden. Aufgrund der verschiedenen Arten der bereitgestellten Daten kann das vorgeschlagene Verfahren an eine Vielzahl von Gebäudearten und/oder Gebäudeumgebungen angepasst werden.
Gemäß einer Ausführungsform beziehen sich die bereitgestellten Systemparameter, Gebäudedaten, Umgebungsdaten und/oder Steuerungsdaten auf Teilbereiche des Gebäudes, Teilbereiche der Versorgungstechnik, mehrere Gebäude und/oder die jeweilige Versorgungstechnik mehrerer Gebäude. Teilbereiche des Gebäudes können beispielsweise einzelne Zimmer des Gebäudes sein. Alternativ oder zusätzlich können Teilbereiche des Gebäudes beispielsweise einzelne Stockwerke des Gebäudes sein. Teilbereiche der Versorgungstechnik können beispielsweise einzelne Versorgungselemente der Versorgungstechnik, wie eine Heizanlage und/oder eine Lüftungsanlage, sein. Beispielsweise kann ein Flügel des Gebäudes, welcher einen ersten Teilbereich bildet, von einem ersten Heizrohr als Versorgungselement mit Wärme versorgt werden, und ein anderer Flügel des Gebäudes, welcher einen zweiten Teilbereich bildet, von einem zweiten Heizrohr als Versorgungselement mit Wärme versorgt werden. Alternativ oder zusätzlich kann auch eine Unterteilung der Versorgungstechnik bezüglich der einzelnen Teilbereiche des Gebäudes, beispielsweise hinsichtlich der einzelnen Zimmer des Gebäudes, in jeweilige Teilbereiche erfolgen. Die jeweiligen bereitgestellten Trainingsdaten des neuronalen Netzwerks können somit entsprechend der vorgesehenen Verwendung des neuronalen Netzwerks ausgewählt werden. Aufgrund der Vielzahl der möglichen Trainingsdaten kann somit einfach ein sogenanntes super-neuronales Netzwerk erzeugt werden. Dieses super-neuronale Netzwerk kann mit Trainingsdaten trainiert werden, welche beispielsweise von mehreren Gebäuden stammen. Das super-neuronale Netzwerk kann einen Zusammenhang zwischen diesen von mehreren Gebäuden stammenden Trainingsdaten lernen und daraus Steuerungsdaten für die Versorgungstechnik eines anders ausgebildeten Gebäudes bestimmen, für dessen spezifische Bauweise keine Trainingsdaten, beispielsweise in Form historischer Steuerungsdaten, vorliegen. Analog kann das super-neuronale Netzwerk mit Trainingsdaten für mehrere Teilbereiche eines Gebäudes trainiert werden, um Steuerungsdaten für einen anderen Teilbereich eines Gebäudes bestimmen zu können.
Gemäß einer weiteren Ausführungsform umfasst das Vorverarbeiten der bereitgestellten Systemparameter, Gebäudedaten, Umgebungsdaten und Steuerungsdaten ein Indexieren und/oder ein Reduzieren. Das Indexieren der bereitgestellten Daten kann durch Zuordnen zumindest eines Indexes zu den jeweiligen bereitgestellten Daten erfolgen. Basierend auf dem zumindest einen Index können die bereitgestellten Daten sortiert und/oder geordnet werden. Das Reduzieren der bereitgestellten Daten kann durch Entfernen einer Teilmenge und/oder einzelner Daten aus dem bereitgestellten Trainingsdatensatz erfolgen. Beispielweise können diejenigen Daten aus dem bereitgestellten Trainingsdatensatz entfernt werden, welche von dem zu trainierenden neuronalen Netzwerk aufgrund dessen Struktur nicht verarbeitet werden können. Alternativ oder zusätzlich können beispielsweise negative Werte, Nullwerte und/oder Werte aus dem bereitgestellten Trainingsdatensatz entfernt werden, welche einen sehr großen Abstand zu den weiteren in den Trainingsdatensatz enthaltenen Werten aufweisen. Dadurch kann das neuronale Netzwerk besser trainiert werden. Die bereitgestellten Systemparameter, Gebäudedaten, Umgebungsdaten und Steuerungsdaten können durch das Vorverarbeiten somit hinsichtlich ihrer Verwendung als Trainingsdaten für das neuronale Netzwerk optimiert werden. Das neuronale Netzwerk kann dadurch schneller und/oder effizienter trainiert werden.
Gemäß einer Ausführungsform erfolgt das Indexieren mit einem Zyklusindex in Abhängigkeit von einer Zeitinformation der Systemparameter beziehungsweise der jeweiligen Daten. Der Zyklusindex umfasst beispielsweise einen Monat, einen Wochentag, eine Uhrzeit und/oder eine Information über eine Gebäudenutzung. Ein Zyklusindex kann ein Abstand zwischen zwei Zeitpunkten sein, zu welchen das neuronale Netzwerk auf die bereitgestellten Trainingsdaten zugreift. Eine Information über eine Gebäudenutzung kann beispielsweise eine Information darüber beinhalten, ob sich zum Zeitpunkt der Datenerfassung Personen in dem Gebäude befunden haben und/oder wie viele Personen sich zum Zeitpunkt der Datenerfassung in dem Gebäude befunden haben. Eine Information über eine Gebäudenutzung kann beispielsweise eine Information darüber beinhalten, ob das Gebäude genutzt wurde, beispielsweise als Büroraum für Mitarbeiter einer Firma, oder ungenutzt war, beispielsweise aufgrund eines Feiertags oder weil die Firma geschlossen war.
Durch das Indexieren mit einem Zyklusindex in Abhängigkeit von einer Zeitinformation kann sichergestellt werden, dass beim Training des neuronalen Netzwerks aus einer Vielzahl von zur Verfügung stehenden Trainingsdaten ein sachlicher Zusammenhang abgebildet werden kann, was ein besseres Training und/oder ein Training mit einem kleineren Datensatz ermöglichen kann. Beispielsweise können diejenigen bereitgestellten Systemparameter, Gebäudedaten, Umgebungsdaten und Steuerungsdaten den gleichen oder zumindest einen ähnlichen Zyklusindex aufweisen, bei welchen jeweils den thermischen Zustand beeinflussende Bedingungen, wie allgemein ein Klima oder ein Benutzungszustand, herrschen. Eine reine Indexierung über ein Datum weist beispielsweise keinen Zusammenhang mit einer Benutzung auf, da der gleiche Tag im gleichen Monat in unterschiedlichen Jahren ein unterschiedlicher Wochentag sein kann. Dagegen kann bei einem Mittwoch mit hoher Konfidenz davon ausgegangen werden, dass beispielsweise ein Bürogebäude regulär durch die Mitarbeiter genutzt wurde. Entsprechend sinnvoll ist eine solche Zyklusindexierung. Zudem kann eine solche Indexierung einfach durchgeführt und auch mit geringem Aufwand automatisiert werden, um beispielsweise historische Datensätze für das Training vorzuverarbeiten. Hierdurch kann vermieden werden, dass zum Trainieren des neuronalen Netzwerks Daten verwendet werden, die zwar beispielsweise zu energieoptimalen Steuerungsdaten führen, welche aber keinen Bezug zueinander haben. Ferner können die bereitgestellten Daten mittels der Zeitinformation des Zyklusindex in die dem Datenzugriff des neuronalen Netzwerks entsprechende zeitliche Reihenfolge gebracht werden. Die bereitgestellten Daten liegen somit bereits in der von dem neuronalen Netzwerk benötigten zeitlichen Struktur vor. Die zum Trainieren des neuronalen Netzwerks benötigte Berechnungszeit wird dadurch verkürzt.
Gemäß einer Ausführungsform weist das Reduzieren ein Bestimmen eines Korrelationskoeffizienten der Eingabedaten mit den Ausgabedaten auf. Das Trainieren des neuronalen Netzwerks erfolgt nur mit Eingabedaten, deren Korrelationskoeffizient mit den Ausgabedaten über einem Schwellwert liegt. Beispielsweise kann der Pearson-Korrelationskoeffizient verwendet werden, welcher die Korrelation zwischen zwei Variablen als Prozentsatz angibt. Andere Verfahren zur Bestimmung von Korrelationskoeffizienten können ebenfalls genutzt werden. Es kann vorgesehen sein, dass nur diejenigen Eingabedaten zum Trainieren des neuronalen Netzwerks verwendet werden, deren Korrelation mit den Ausgabedaten größer als 10 % oder größer als 5 % oder größer als 1 % ist. Alternativ oder zusätzlich können die Eingabedaten nach der Höhe deren Korrelation sortiert werden und dann beispielsweise nur Dreiviertel, die Hälfte oder ein Vierteil der Daten genutzt werden, deren Korrelationskoeffizient am höchsten ist. Durch das Reduzieren in Abhängigkeit von den Korrelationskoeffizienten kann sichergestellt werden, dass nur diejenigen Eingabedaten für das Training des neuronalen Netzwerks verwendet werden, welche aufgrund einer ausreichend hohen Korrelation mit den Ausgabedaten einen hinreichenden Einfluss auf die Ausgabedaten haben. Demgegenüber kann vorgesehen sein, dass bei der Erstellung des Trainingsdatensatzes diejenigen Eingabedaten ignoriert werden, welche aufgrund ihrer zu geringen Korrelation mit den Ausgabedaten keinen hinreichenden Einfluss auf die Ausgabedaten haben. Somit kann sichergestellt werden, dass der während des Trainings des neuronalen Netzwerks von diesem ermittelte Zusammenhang zwischen den Eingabedaten und Ausgabedaten nicht zufällig besteht, sondern aufgrund der ausreichend hohen Korrelation auch zwischen vergleichbaren Eingabedaten und Ausgabedaten besteht. Außerdem kann durch das Reduzieren die Größe des Trainingsdatensatzes geringgehalten werden, wodurch auch die für die Durchführung des Verfahrens zum Trainieren des neuronalen Netzwerks benötigte Berechnungszeit geringgehalten werden kann.
Die Erfindung bezieht sich in einem zweiten Aspekt auf ein Verfahren zur Verwendung eines neuronalen Netzwerks zur Steuerung der Versorgungstechnik eines Gebäudes. Das neuronale Netzwerk wird hierbei zur Steuerung der Versorgungstechnik des Gebäudes derart verwendet, dass das neuronale Netzwerk zumindest einen der für die Steuerung der Versorgungstechnik notwendigen Schritte ausführt oder zumindest diesen Schritt vorbereitet. Das neuronale Netzwerk kann mit dem Verfahren gemäß dem ersten Aspekt trainiert worden sein. Entsprechende Merkmale, Vorteile und Weiterbildung können dabei dem ersten Aspekt entnommen werden und gelten gleichermaßen für den zweiten Aspekt. Umgekehrt bilden auch jeweilige Merkmale, Vorteile und Weiterbildungen auch jeweilige Merkmale, Vorteile und Weiterbildungen für den ersten Aspekt, sofern anwendbar.
Das Verfahren weist einen Schritt des Empfangens von Systemparametern der Versorgungstechnik auf. Die Systemparameter der Versorgungstechnik können von dazu ausgebildeten Sensoren, wie einem Temperatursensor und/oder einem Feuchtigkeitssensor, erfasst werden. Die entsprechenden Sensoren können als Teil der Versorgungstechnik ausgebildet sein. Beispielsweise können jeweilige Sensorsignale kabelgebunden oder kabellos an eine Rechenvorrichtung übermittelt werden, auf welcher das neuronale Netzwerk implementiert ist. Die Rechenvorrichtung kann Teil einer Steuervorrichtung der Versorgungstechnik sein oder beispielsweise durch einen dazu externen Server gebildet werden. Die Systemparameter können den thermischen Zustand des Gebäudes definieren, wie zum ersten Aspekt bereits erläutert.
Das Verfahren gemäß dem zweiten Aspekt weist ferner einen Schritt des Eingebens von Gebäudedaten des Gebäudes, Umgebungsdaten des Gebäudes und den empfangenen Systemparametern in das neuronale Netzwerk auf. Die Gebäudedaten können einen strukturellen Zustand des Gebäudes repräsentieren, wie zum ersten Aspekt bereits erläutert. Die Umgebungsdaten können einen thermischen Zustand einer Umgebung des Gebäudes repräsentieren, wie zum ersten Aspekt bereits erläutert. Durch die Gebäudedaten und/oder Umgebungsdaten kann das neuronale Netzwerk beispielsweise von anderen Gebäuden gelernte Zusammenhänge auf die Steuerung der Versorgungstechnik anwenden. Die Gebäudedaten und die Umgebungsdaten des Gebäudes können analog zu den Systemparametern der Versorgungstechnik von dazu ausgebildeten Sensoren empfangen und/oder gemessen werden. Beispielsweise können diese Daten auch von Datenbanken abgerufen werden, beispielsweise einer Satellitenkarte. Alternativ können die Gebäudedaten und/oder die Umgebungsdaten vorgegebene Daten sein. Beispielsweise können die Gebäudedaten und/oder die Umgebungsdaten auf Erfahrungswerten basieren. Die Gebäudedaten, die Umgebungsdaten und die Systemparameter können von einer dazu ausgebildeten Eingabevorrichtung an zumindest einen Eingangsknoten des neuronalen Netzwerks als Eingabedaten übertragen werden.
Ferner weist das Verfahren gemäß dem zweiten Aspekt einen Schritt des Erzeugens eines Steuerungsdatensatzes auf, welcher zur Steuerung der Versorgungstechnik des Gebäudes verwendet werden kann. Der Steuerungsdatensatz wird basierend auf einem von dem neuronalen Netzwerk gelernten Zusammenhang zwischen den Systemparametern, den Gebäudedaten und den Umgebungsdaten mit Steuerungsdaten erzeugt. Die Steuerungsdaten können zur Steuerung der Versorgungstechnik verwendet werden. Der Steuerungsdatensatz kann Steuerungsdaten enthalten, mit welchen zumindest ein Versorgungselement der Versorgungstechnik, beispielsweise eine Heizungsanlage oder eine Lüftungsanlage, gesteuert werden kann. Die Steuerungsdaten können in einem einfachen Fall auch lediglich einen Stellwert einer Leistung einer Heizung aufweisen. Alternativ können die Steuerungsdaten auch beispielsweise nur einem gewünschten Wärmeeintrag in das Gebäude entsprechen, auf dessen Basis eine Steuerungsvorrichtung der Versorgungstechnik jeweilige Stellparameter vorgibt. Die Steuerungsdaten können direkt an das jeweilige Versorgungselement der Versorgungstechnik zu dessen jeweiliger Steuerung übertragen werden. Alternativ können die Steuerungsdaten als Startwerte für ein thermisches Simulationsmodell des Gebäudes dienen. Die Endwerte dieses Simulationsmodells können dann zur Steuerung der Versorgungstechnik verwendet werden.
Das Verfahren nach dem zweiten Aspekt ermöglicht aufgrund der Verwendung des neuronalen Netzwerks ein im Vergleich zu den herkömmlichen Verfahren schnelleres und weniger aufwendiges Erzeugen des Steuerungsdatensatzes. Durch die beschleunigte Berechnung mittels des neuronalen Netzwerks kann die Steuerung der Versorgungstechnik in im Vergleich zu herkömmlichen Simulationsverfahren kurzen Zeitabständen, beispielsweise alle 15 Minuten, an geänderte und/oder extern vorgegebene Bedingungen angepasst werden. Beispielsweise kann auf plötzlich auftretende Unwetter, eine geänderte Wettervorhersage und/oder ein außerplanmäßiges Herunterfahren der Versorgungstechnik aufgrund von beispielsweise Bauarbeiten in kurzen Zeitabständen durch Anpassung des Steuerungsdatensatzes reagiert werden.
Gemäß einer Ausführungsform des Verfahrens nach dem zweiten Aspekt sind die Systemparameter repräsentativ für einen Energieverbrauch, Energiekosten und/oder eine Ist-Leistung der Versorgungstechnik des Gebäudes. Der Steuerungsdatensatz wird von dem neuronalen Netzwerk hinsichtlich einer Optimierungsbedingung des Energieverbrauchs und/oder der Energiekosten beziehungsweise hinsichtlich einer Soll-Leistung der Versorgungstechnik erzeugt. Ein Energieverbrauch der Versorgungstechnik kann beispielsweise basierend auf einer Wärmedämmung des Gebäudes, einem Wirkungsgrad zumindest eines Versorgungselements der Versorgungstechnik oder einer Energieverteilung innerhalb des Gebäudes bestimmt werden. Energiekosten der Versorgungstechnik können beispielsweise basierend auf einem Strompreis, einem Gaspreis, einer Betriebszeit und/oder einer Auslastung der Versorgungstechnik des Gebäudes bestimmt werden. Eine Ist-Leistung der Versorgungstechnik kann beispielsweise basierend auf einer Ist-Temperatur, einer Ist-Luftfeuchtigkeit, einer Ist-Stellung zumindest eines Bedienelements und/oder eines Ist-Energieverbrauchs der Versorgungstechnik des Gebäudes bestimmt werden. Eine Optimierungsbedingung des Energieverbrauchs und/oder der Energiekosten kann für zumindest einen der oben genannten Parameter vorgegeben sein. Alternativ kann für jeden der oben genannten Parameter ein zu erreichender optimaler Wert von einem Benutzer und/oder Hersteller der Versorgungstechnik vorgegeben sein. Eine Soll-Leistung der Versorgungstechnik kann für zumindest einen der oben genannten Parameter von einem Benutzer und/oder Hersteller der Versorgungstechnik vorgegeben sein. Alternativ kann für jeden der oben genannten Parameter ein zu erreichender Sollwert von einem Benutzer und/oder Hersteller der Versorgungstechnik vorgegeben sein. Jeder Parameter kann ein zeitabhängiger Wert sein und beispielsweise je nach Uhrzeit, Wochentag und/oder Monat anders vorgegeben sein. Insbesondere kann jeder Parameter analog zu der Zyklusindexierung zeitabhängig vorgegeben sein. Mittels des vorgeschlagenen Verfahrens können somit der Energieverbrauch und/oder die Energiekosten der Versorgungstechnik optimiert beziehungsweise die Leistung der Versorgungstechnik an einen vorgegebenen Zustand angepasst werden.
Gemäß einer weiteren Ausführungsform wird das Verfahren auf Teilbereiche des Gebäudes, Teilbereiche der Versorgungstechnik des Gebäudes, mehrere Gebäude und/oder die jeweilige Versorgungstechnik mehrerer Gebäude angewandt. Teilbereiche des Gebäudes können beispielsweise einzelne Zimmer des Gebäudes sein. Alternativ oder zusätzlich können Teilbereiche des Gebäudes beispielsweise einzelne Stockwerke und/oder Flügel und/oder sonstige Abschnitte des Gebäudes sein. Teilbereiche der Versorgungstechnik können beispielsweise einzelne Versorgungselemente der Versorgungstechnik, wie eine Heizanlage und/oder eine Lüftungsanlage, sein. Alternativ oder zusätzlich kann auch eine Unterteilung der Versorgungstechnik bezüglich der einzelnen Teilbereiche des Gebäudes, beispielsweise hinsichtlich der einzelnen Zimmer des Gebäudes, in jeweilige Teilbereiche erfolgen. Das vorgeschlagene Verfahren bietet somit eine Vielzahl unterschiedlicher Anwendungsbereiche.
Gemäß einer weiteren Ausführungsform wird der von dem neuronalen Netzwerk erzeugte Steuerungsdatensatz als Eingangswert für ein klassisches mathematisches Modell zur Steuerung der Versorgungstechnik des Gebäudes verwendet. Ein klassisches mathematisches Modell kann ein mathematisches Modell sein, welches mit klassischen Methoden berechnet wird, also ohne die Verwendung künstlicher Intelligenz und/oder maschinellen Lernens. Der Steuerungsdatensatz kann zumindest einen Parameter umfassen, welcher als Startwert für das klassische mathematische Modell verwendet werden kann. Das klassische mathematische Modell kann dazu ausgebildet sein, eine Steuerung der Versorgungstechnik analytisch zu optimieren, beispielsweise um Kosten und/oder Energieaufwand für einen thermischen Sollzustand zu optimieren. Alternativ kann der Steuerungsdatensatz eine Mehrzahl von Parametern umfassen, von denen alle oder eine Teilmenge als Startwerte für das klassische Modell verwendet werden können. Das mathematische Modell kann beispielsweise einen weiteren Steuerungsdatensatz erzeugen, mittels welchem die Versorgungstechnik des Gebäudes gesteuert werden kann. Da der Steuerungsdatensatz durch das neuronale Netzwerk schneller erzeugt wird, kann auch die Steuerung der Versorgungstechnik des Gebäudes schneller erfolgen. Somit können, insbesondere kurzfristig auftretende, Änderungen der Systemparameter, Gebäudedaten und/oder den Umgebungsdaten bei der Steuerung der Versorgungstechnik des Gebäudes berücksichtigt werden.
Gemäß einer Ausführungsform kann das in dem Verfahren gemäß dem zweiten Aspekt verwendete neuronale Netzwerk mittels des Verfahrens zum Trainieren eines neuronalen Netzwerks gemäß dem ersten Aspekt trainiert werden. Die zum ersten Aspekt erwähnten technischen Wirkungen und Vorteile können somit auf das in dem Verfahren gemäß dem zweiten Aspekt verwendete neuronale Netzwerk angewandt werden.
Gemäß einer Ausführungsform des ersten beziehungsweise des zweiten Aspekts können die Systemparameter der Versorgungstechnik aus zumindest einem der folgenden ausgewählt sein: einer Temperatur innerhalb des Gebäudes, einer Luftfeuchtigkeit innerhalb des Gebäudes, einer Last einer Stromquelle der Versorgungstechnik, einer Anzahl von Personen innerhalb des Gebäudes, einer Anzahl insbesondere aktiver elektrischer Verbraucher innerhalb des Gebäudes, einem Massendurchfluss durch zumindest ein Heizelement eines Heizkreislaufs, einer Strömungstemperatur durch zumindest ein Heizelement eines Heizkreislaufs, einer Temperatur eines Luftstroms einer Belüftungsanlage, einer Luftfeuchtigkeit eines Luftstroms einer Belüftungsanlage, einem Massendurchfluss durch eine Belüftungsanlage, einer Dimensionierung zumindest eines Versorgungselements der Versorgungstechnik, und einer vorbestimmten Änderung zumindest eines der vorgenannten Parameter. Ein Massendurchfluss durch ein Heizelement eines Heizkreislaufs kann ein Volumenstrom eines Energieträgers, wie beispielsweise Öl oder Gas sein, welcher zum Heizen des Gebäudes verwendet wird. Der Massendurchfluss kann ein Kennwert für einen Wärmeeintrag in das Gebäude sein. Eine Strömungstemperatur durch ein Heizelement kann die Temperatur eines Energieträgers sein, welcher zum Heizen des Gebäudes durch das Heizelement strömt, wie beispielsweise die Temperatur eines Heizöls oder eines Heizgases. Die Strömungstemperatur kann ein Kennwert für einen Wärmefluss in dem Gebäude sein. Ein Massendurchfluss durch eine Belüftungsanlage kann ein Volumenstrom einer Luftmenge sein, welche zum Belüften des Gebäudes, also zum Luftaustausch innerhalb des Gebäudes, durch die Belüftungsanlage fließt. Der Massendurchfluss kann ein Kennwert für einen Wärmeaustausch in dem Gebäude sein. Eine Dimensionierung eines Versorgungselements kann dessen maximale und/oder minimale Leistungsfähigkeit sein oder beispielsweise auch eine Oberfläche und optional deren Anordnung für einen Wärmeaustausch betreffen. Die Dimensionierung des Versorgungselements kann ein Kennwert für dessen Energieverbrauch und dessen möglichen Wärmeeintrag in das Gebäude sein. Eine Temperatur innerhalb des Gebäudes, eine Luftfeuchtigkeit innerhalb des Gebäudes, eine Temperatur eines Luftstroms einer Belüftungsanlage und/oder eine Luftfeuchtigkeit eines Luftstroms einer Belüftungsanlage kann ein Kennwert für eine wahrgenommene Temperatur innerhalb des Gebäudes sein. Eine Last einer Stromquelle der Versorgungstechnik, eine Anzahl von Personen innerhalb des Gebäudes und/oder eine Anzahl elektrischer Verbraucher können wichtige Kenngrößen sein, welche für die Steuerung der Versorgungstechnik des Gebäudes berücksichtigt werden sollten.
Alternativ oder zusätzlich können die Gebäudedaten des Gebäudes aus zumindest einem der folgenden ausgewählt sein: einer Art des Gebäudes, geometrischen Abmessungen des Gebäudes, einer Wanddicke des Gebäudes, einer Materialzusammensetzung des Gebäudes, einer Anzahl von Fenstern des Gebäudes, und einer Orientierung des Gebäudes bezüglich einer Nord-Süd-Achse. Eine Art des Gebäudes kann ein Kennwert für einen Energiebedarf der Versorgungstechnik sein. Beispielsweise kann der Energiebedarf für ein Bürogebäude höher sein als für eine Lagerhalle. Geometrische Abmessungen des Gebäudes können beispielsweise eine Höhe, eine Breite und/oder ein Rauminhalt des Gebäudes sein. Die geometrischen Abmessungen können einen Einfluss auf eine Wärmeverteilung innerhalb des Gebäudes und/oder einen Einfluss des Wetters auf den thermischen Zustand des Gebäudes haben. Eine Wanddicke des Gebäudes, eine Materialzusammensetzung des Gebäudes und/oder eine Anzahl von Fenstern des Gebäudes kann ein Kennwert für einen Wärmeeintrag in das Gebäude durch bestimmte Wetterbedingungen, wie beispielsweise Sonneneinstrahlung und Außentemperatur, sein. Einer Orientierung des Gebäudes bezüglich einer Nord-Süd-Achse kann einen Einfluss auf einen Luftstrom innerhalb des Gebäudes haben.
Alternativ oder zusätzlich können die Umgebungsdaten des Gebäudes aus zumindest einem der folgenden ausgewählt sein: historischen Wetterdaten für eine Umgebung des Gebäudes, historischen Klimadaten für die Umgebung des Gebäudes, prognostizierten Wetterdaten für die Umgebung des Gebäudes, prognostizierten Klimadaten für die Umgebung des Gebäudes, und einem Strompreis in der Umgebung des Gebäudes. Historische Wetterdaten für eine Umgebung des Gebäudes und/oder historische Klimadaten für die Umgebung des Gebäudes können zur Bestimmung einer vorgegebenen Grundeinstellung der Versorgungstechnik zu bestimmten Betriebszeitpunkten, beispielsweise eine Grundeinstellung für einen Tagbetrieb und/oder eine Grundeinstellung für einen Nachtbetrieb derselben verwendet werden. Prognostizierte Wetterdaten und/oder prognostizierte Klimadaten können mittels einer mathematischen Simulation bestimmt werden und ein zukünftig zu erwartendes Wetter und/oder ein zukünftig zu erwartendes Klima beschreiben. Die prognostizierter Wetterdaten und/oder Klimadaten können zur Erstellung einer Wettervorhersage verwendet werden. Prognostizierte Wetterdaten für die Umgebung des Gebäudes, prognostizierte Klimadaten für die Umgebung des Gebäudes und/oder ein Strompreis in der Umgebung des Gebäudes können eine Kenngröße für einen zu erwartenden Energieverbrauch und/oder zu erwartende Energiekosten des Gebäudes sein.
Alternativ oder zusätzlich können die Steuerungsdaten aus zumindest einem der folgenden ausgewählt sein: einer Einstellung eines Bedienelements einer Heizungsanlage des Gebäudes, einer Einstellung eines Bedienelements einer Kühlungsanlage des Gebäudes, einer Einstellung eines Bedienelements einer Klimaanlage des Gebäudes, und einer Einstellung eines Bedienelements einer Belüftungsanlage des Gebäudes. Ein Bedienelement kann ein mechanisches Bedienelement, beispielsweise ein Drehschalter und/oder ein elektronisches Bedienelement sein. Die Einstellung des Bedienelements kann ein Kennwert für einen thermischen Zustand der Versorgungstechnik sein.
Das neuronale Netzwerk kann demnach mit einer Vielzahl von Trainingsdaten trainiert werden. Ferner kann der Steuerungsdatensatz basierend auf einer Vielzahl von Eingabedaten und Ausgabedaten und Optimierungsbedingungen erzeugt werden. Die vorgeschlagenen Verfahren eignen sich daher für eine Vielzahl von verschiedenen Anwendungsfällen.
Die Erfindung bezieht sich in einem dritten Aspekt auf ein Computerprogrammprodukt zur Steuerung der Versorgungstechnik eines Gebäudes mittels eines Steuerungsdatensatzes. Der Steuerungsdatensatz wird gemäß dem Verfahren nach dem zweiten Aspekt erzeugt und/oder durch ein mit dem Verfahren nach dem ersten Aspekt trainiertes neuronales Netzwerk erzeugt. Der Steuerungsdatensatz wird insbesondere zur Steuerung einer Heizungsanlage, einer Kühlungsanlage, einer Klimaanlage und/oder einer Belüftungsanlage des Gebäudes verwendet. Die zu dem ersten beziehungsweise dem zweiten Aspekt erläuterten Ausführungsformen, technischen Effekte und Vorteile gelten somit analog auch für das Computerprogrammprodukt nach dem dritten Aspekt und umgekehrt.
Das Computerprogrammprodukt kann auf einem Datenträger gespeichert sein. Der Datenträger kann ein computerlesbares, nicht-flüchtiges Speichermedium sein, auf welchem das Computerprogrammprodukt in Form von Programmcode vorliegt. Der Datenträger kann transportabel sein. Der Datenträger kann mit einem Computer zur Signalübertragung verbunden werden, sodass der auf dem Datenträger vorliegende Programmcode von dem Computer ausgeführt werden kann.
Die Erfindung bezieht sich in einem vierten Aspekt auf eine Steuereinrichtung zur Steuerung der Versorgungstechnik eines Gebäudes mittels eines Steuerungsdatensatzes. Die Steuereinrichtung umfasst ein computerlesbares, nicht-flüchtiges Speichermedium, welches Computerprogrammcode enthält der, wenn er auf einem Computer ausgeführt wird, den Steuerungsdatensatz gemäß dem Verfahren nach dem zweiten Aspekt erzeugt. Insbesondere kann die Steuereinrichtung dazu ausgebildet sein, das zuvor beschriebene neuronale Netzwerk zu implementieren. Die zu dem ersten beziehungsweise dem zweiten Aspekt erläuterten Ausführungsformen, technischen Effekte und Vorteile gelten somit analog auch für die Steuereinrichtung nach dem vierten Aspekt.
Die Erfindung bezieht sich in einem fünften Aspekt auf ein trainiertes neuronales Netzwerk, welches dazu ausgebildet ist, zur Steuerung einer Versorgungstechnik eines Gebäudes gemäß dem zweiten Aspekt verwendet zu werden. Das neuronale Netzwerk wurde gemäß dem Verfahren nach dem ersten Aspekt trainiert. Die zu dem ersten beziehungsweise zweiten Aspekt erläuterten Ausführungsformen, technischen Effekte und Vorteile gelten somit analog auch für das trainierte neuronale Netzwerk nach dem fünften Aspekt.
Kurze Beschreibung der Zeichnungen

1 zeigt ein Ablaufdiagramm mit Schritten eines Verfahrens zum Trainieren eines neuronalen Netzwerks, welches dazu ausgebildet ist, zur Steuerung einer Versorgungstechnik eines Gebäudes verwendet zu werden.
2 zeigt ein Ablaufdiagramm mit Schritten eines Verfahrens zur Verwendung eines neuronalen Netzwerks zur Steuerung einer Versorgungstechnik eines Gebäudes.
3 zeigt schematisch eine Steuereinrichtung zur Steuerung einer Versorgungstechnik eines Gebäudes mit einem neuronalen Netzwerk.
4 veranschaulicht schematisch eine Funktionsweise eines super-neuronalen Netzwerk.

Detaillierte Beschreibung von Ausführungsformen
1 zeigt ein Ablaufdiagramm mit Schritten eines Verfahrens zum Trainieren eines neuronalen Netzwerks, welches dazu ausgebildet ist, zur Steuerung einer Versorgungstechnik eines Gebäudes verwendet zu werden. In dem Ausführungsbeispiel der 1 ist das Gebäude ein Bürogebäude, in welchem viele Personen arbeiten. Zumindest während der Arbeitszeit der Personen sollten bestimmte klimatische Bedingungen innerhalb des Bürogebäudes eingehalten werden. Beispielsweise sollte eine Raumtemperatur zwischen 18°C und 22°C und eine Luftfeuchtigkeit zwischen 50% und 70% vorherrschen. Um diese klimatischen Bedingungen aufrechterhalten zu können, muss beispielsweise auf Temperaturschwankungen, Schwankungen der Luftfeuchtigkeit und Schwankungen der Personenanzahl innerhalb des Gebäudes reagiert werden können. Gleichzeitig kann es je nach Energiekosten und Wettervorhersage zur Energie- und/oder Kostenoptimierung sinnvoll sein, diese klimatischen Bedingungen bereits lange vor einem Benutzungsbeginn oder nur sehr kurz vor einem Benutzungsbeginn zu erreichen. Dadurch können sich unterschiedlich schnelle Aufheizgeschwindigkeiten oder Abkühlgeschwindigkeiten des Gebäudeklimas durch die Versorgungstechnik bedingen. Der Benutzungsbeginn kann beispielsweise als eine übliche Startzeit einer Arbeitszeit in dem Gebäude definiert sein. Das nach dem Verfahren des Ausführungsbeispiels der 1 trainierte neuronale Netzwerk ermöglicht eine schnelle Anpassung der Steuerung der Versorgungstechnik des Bürogebäudes mit geringem Rechenaufwand, um eine solche Optimierung realisieren zu können.
In einem ersten Trainierschritt TS1 werden Systemparameter der Versorgungstechnik bereitgestellt. Die Systemparameter der Versorgungstechnik sind im Ausführungsbeispiel der 1 die Last einer Stromquelle der Versorgungstechnik, eine Anzahl von Personen innerhalb des Gebäudes, ein Massendurchfluss durch ein Heizelement eines Heizkreislaufs der Versorgungstechnik, eine Strömungstemperatur durch das Heizelement des Heizkreislaufs, eine Temperatur eines Luftstroms einer Belüftungsanlage der Versorgungstechnik, eine Luftfeuchtigkeit des Luftstroms der Belüftungsanlage, und ein Massendurchfluss durch die Belüftungsanlage. Optional können weitere Systemparameter der Versorgungstechnik des Gebäudes alternativ oder zusätzlich berücksichtigt werden.
In einem zweiten Trainierschritt TS2 werden Gebäudedaten des Gebäudes bereitgestellt. In der Ausführungsform der 1 sind die Gebäudedaten eine Wanddicke des Gebäudes, eine Anzahl von Fenstern des Gebäudes, und eine Orientierung des Gebäudes bezüglich einer Nord-Süd-Achse. Optional können weitere Gebäudedaten des Gebäudes alternativ oder zusätzlich berücksichtigt werden.
In einem dritten Trainierschritt TS3 werden Umgebungsdaten des Gebäudes bereitgestellt. Die Umgebungsdaten des Gebäudes sind in der Ausführungsform der 1 historische Wetterdaten für die Umgebung des Gebäudes, historische Klimadaten für die Umgebung des Gebäudes, prognostizierte Wetterdaten für die Umgebung des Gebäudes und prognostizierte Klimadaten für die Umgebung des Gebäudes. Optional können weitere Umgebungsdaten des Gebäudes, beispielsweise Energiekosten für die Umgebung des Gebäudes, alternativ oder zusätzlich berücksichtigt werden.
In einem vierten Trainierschritt TS4 werden Steuerungsdaten, welche zur Steuerung der Versorgungstechnik des Gebäudes verwendet werden können, bereitgestellt. In dem Ausführungsbeispiel der 1 sind die Steuerungsdaten eine Einstellung eines Bedienelements einer Heizungsanlage des Gebäudes und eine Einstellung eines Bedienelements einer Belüftungsanlage des Gebäudes. Optional können weitere Steuerungsdaten alternativ oder zusätzlich berücksichtigt werden.
Die bereitgestellten Systemparameter, Gebäudedaten, Umgebungsdaten und Steuerungsdaten werden in einem fünften Trainierschritt TS5 vorverarbeitet, um einen Trainingsdatensatz für das neuronale Netzwerk zu erzeugen. Der Trainingsdatensatz umfasst die vorverarbeiteten Systemparameter, die vorverarbeiteten Gebäudedaten und die vorverarbeiteten Umgebungsdaten als Eingabedaten sowie die vorverarbeiteten Steuerungsdaten als Ausgabedaten. Die Eingabedaten werden an die Eingangsknoten des neuronalen Netzwerks übertragen. Analog werden die Ausgabedaten an die Ausgangsknoten des neuronalen Netzwerks übertragen.
Im Ausführungsbeispiel der 1 werden die bereitgestellten Daten und Systemparameter in der Vorverarbeitung gemäß Trainierschritt TS5 mit einem Zyklusindex indexiert, welcher einen Monat, einen Wochentag, eine Uhrzeit und eine Information über eine Gebäudenutzung umfasst. Die für das Training des neuronalen Netzwerks bereitgestellten Daten und Systemparameter werden dadurch in einen inhaltlichen Zusammenhang gebracht, sodass die Trainingsergebnisse des neuronalen Netzwerks auf Daten basieren, welche zum selben oder vergleichbaren Zeitpunkten erfasst wurden.
Ferner werden die bereitgestellten Daten und Systemparameter während des Trainierschritts TS5 reduziert. Die Anzahl der bereitgestellten Werte wird dafür durch eine Selektion verringert. Hierzu wird der Pearson-Korrelationskoeffizient der Eingabedaten mit den Ausgabedaten bestimmt. Das neuronale Netzwerk wird nur mit Eingabedaten trainiert, deren Pearson-Korrelationskoeffizient mit den Ausgabedaten über einem Schwellwert von 5% liegt. Hierdurch wird sichergestellt, dass die während des Trainings des neuronalen Netzwerks erhaltenen Ergebnisse nicht auf Zufällen basieren, sondern eine Abhängigkeit zwischen den Ausgabedaten und den Eingabedaten besteht.
In einem sechsten Trainierschritt TS6 wird das neuronale Netzwerk mit dem Trainingsdatensatz trainiert, um einen Zusammenhang zwischen den Eingabedaten und den Ausgabedaten zu lernen. Zum Training werden die an die Eingangsknoten des neuronalen Netzwerks übertragenen Eingabedaten über von dem neuronalen Netzwerk mathematisch gewichtete Verbindungen an Zwischenknoten des neuronalen Netzwerks übertragen. Auf den Zwischenknoten werden die übertragenen Eingabedaten verarbeitet, um die auf den Ausgangsknoten bereitgestellten Ausgabedaten zu erhalten. Die Ausgangsknoten sind über von dem neuronalen Netzwerk mathematisch gewichtete Verbindungen mit den Zwischenknoten verbunden. Die mathematische Gewichtung der jeweiligen Verbindungen wird von dem neuronalen Netzwerk während des Trainingsvorgangs angepasst.
Durch das Vorverarbeiten der Trainingsdaten kann der Trainiervorgang des neuronalen Netzwerks beschleunigt werden. Das derart trainierte neuronale Netzwerk kann zur Steuerung der Versorgungstechnik des Gebäudes verwendet werden. Beispielsweise kann mittels des trainierten neuronalen Netzwerks ein Steuerungsdatensatz für die Versorgungstechnik des Gebäudes erzeugt werden. Durch die Berücksichtigung von Gebäudedaten und Umgebungsdaten kann das trainierte neuronale Netzwerk auch für weitere Gebäude und/oder veränderte Umgebungsbedingungen des Gebäudes verwendet werden.
2 zeigt ein Ablaufdiagramm mit Schritten eines Verfahrens zur Verwendung eines neuronalen Netzwerks zur Steuerung einer Versorgungstechnik eines Gebäudes, nach einer weiteren Ausführungsform der Erfindung.
In einem ersten Bestimmungsschritt BS1 werden Systemparameter der Versorgungstechnik empfangen. Die Systemparameter sind dabei die gleichen Parameter, mit denen das neuronale Netzwerk gemäß der Ausführungsform der 1 trainiert wurde und werden von dafür ausgebildeten Sensoren erfasst.
In einem zweiten Bestimmungsschritt BS2 werden Gebäudedaten des Gebäudes, Umgebungsdaten des Gebäudes und die empfangenen Systemparameter in das neuronale Netzwerk eingegeben. Die Gebäudedaten und Umgebungsdaten sind dabei die gleichen Parameter, mit denen das neuronale Netzwerk gemäß der Ausführungsform der 1 trainiert wurde. Die jeweiligen Werte der einzelnen Parameter der Gebäudedaten und Umgebungsdaten entsprechen dabei jedoch aktuell gemessenen Werten. Die Systemparameter, Gebäudedaten und Umgebungsdaten werden hierbei an die Eingangsknoten des neuronalen Netzwerks übertragen.
In einem dritten Bestimmungsschritt BS3 wird durch das neuronale Netzwerk ein Steuerungsdatensatz erzeugt, welcher zur Steuerung der Versorgungstechnik des Gebäudes verwendet werden kann. Der Steuerungsdatensatz wird basierend auf einem von dem neuronalen Netzwerk gelernten Zusammenhang zwischen den Systemparametern, den Gebäudedaten und den Umgebungsdaten mit Steuerungsdaten bestimmt, welche zur Steuerung der Versorgungstechnik verwendet werden können. Der von dem neuronalen Netzwerk erzeugte Steuerungsdatensatz wird als Eingangswert für ein klassisches mathematisches Modell zur Steuerung der Versorgungstechnik des Gebäudes verwendet. Mittels des klassischen Modells werden basierend auf dem Steuerungsdatensatz optimierte Steuerungsdaten für die Versorgungstechnik des Gebäudes erzeugt. Die basierend auf dem Steuerungsdatensatz erzeugten Steuerungsdaten werden zur Steuerung der Versorgungstechnik verwendet. Die unter Verweis auf die 1 genannten klimatischen Bedingungen innerhalb des Gebäudes können somit möglichst energieeffizient und/oder kosteneffizient erreicht werden. Ferner kann aufgrund der beschleunigten Berechnung durch das neuronale Netzwerk auf kurzfristig auftretende Wetteränderungen oder kurzfristig auftretende Änderungen des Energiepreises durch entsprechende Anpassung des Steuerungsdatensatzes reagiert werden.
Das zur Durchführung des Verfahrens der Ausführungsform der 2 verwendete neuronale Netzwerk kann gemäß dem Verfahren der Ausführungsform der 1 trainiert worden sein.
3 zeigt schematisch eine Steuereinrichtung 10 zur Steuerung einer Versorgungstechnik 30 eines Gebäudes mittels eines neuronalen Netzwerks 12.
Die Steuereinrichtung 10 umfasst ein computerlesbares, nicht-flüchtiges Speichermedium 14, auf welchem das neuronale Netzwerk 12 gespeichert ist. Die neuronale Netzwerk 12 kann auf eine nicht dargestellte Recheneinheit der Steuereinrichtung 14 zur Datenverarbeitung zugreifen. Die Steuereinrichtung 10 umfasst ferner eine Eingabevorrichtung 16, welche zum Empfang von Systemparametern 18 der Versorgungstechnik 30 ausgebildet ist. Die Eingabevorrichtung 16 ist ferner zum Empfang von Gebäudedaten 20 und Umgebungsdaten 22 des Gebäudes ausgebildet. Die Eingabevorrichtung 16 überträgt die Systemparameter 18, die Gebäudedaten 20 und die Umgebungsdaten 22 als Eingabedaten 24 an das neuronale Netzwerk 12.
Basierend auf den Eingabedaten 24 erzeugt das neuronale Netzwerk einen Steuerungsdatensatz 26. Der Steuerungsdatensatz 26 wird von dem neuronalen Netzwerk 12 basierend auf einem von dem neuronalen Netzwerk 12 gelernten Zusammenhang zwischen den Systemparametern 18, den Gebäudedaten 20 und den Umgebungsdaten 22 mit Steuerungsdaten, welcher zur Steuerung der Versorgungstechnik 30 verwendet werden können erzeugt. Das neuronale Netzwerk 12 überträgt den Steuerungsdatensatz 26 an eine Ausgabevorrichtung 28. Die Ausgabevorrichtung 28 übertragt den Steuerungsdatensatz 26 an die Versorgungstechnik 30 des nicht dargestellten Gebäudes.
Der Steuerungsdatensatz 26 kann zum Optimieren eines Energieverbrauchs und/oder der Energiekosten der Versorgungstechnik 30 verwendet werden. Alternativ oder zusätzlich kann der Steuerungsdatensatz 26 zum Erreichen einer Soll-Leistung der Versorgungstechnik 30 verwendet werden.
Die in der 3 dargestellte Steuereinrichtung 10 kann zum Trainieren des neuronalen Netzwerks gemäß des Ausführungsbeispiels der 1 verwendet werden.
Die 4 zeigt schematisch ein super-neuronales Netzwerk 112. Ein super-neuronales Netzwerk ist ein neuronales Netzwerk, das mit Trainingsdaten trainiert wird, welche aus mehreren Teilbereichen eines Gebäudes oder einem oder mehreren Gebäuden stammen, deren Versorgungstechnik beispielsweise vergleichbare oder skalierbare Werte aufweist. Jeder der Teilbereiche des Gebäudes kann unabhängig von den anderen Teilbereichen des Gebäudes von der Versorgungstechnik versorgt werden, sodass in jedem der Teilbereiche unterschiedliche klimatische Bedingungen herrschen. Alternativ oder zusätzlich kann jeder der Teilbereiche verschiedene Gebäudedaten, beispielsweise eine unterschiedliche Anzahl und/oder Arten von Fenstern und/oder verschiedene Wanddicken aufweisen. Analog kann jedes der mehreren Gebäude von einer unabhängigen Versorgungstechnik versorgt werden, sodass in jedem der Gebäude unterschiedliche klimatische Bedingungen und unterschiedliche Gebäudedaten vorliegen. Das super-neuronale Netzwerk kann somit unter Berücksichtigung aller Teilbereiche des Gebäudes und/oder mehrerer Gebäude trainiert werden. Das super-neuronale Netzwerk kann also beispielsweise mit den Daten von drei Gebäuden trainiert werden und durch entsprechend angepasste Gebäudedaten für die Steuerung der Versorgungstechnik eines anderen Gebäudes genutzt werden.
Das super-neuronale Netzwerk 112 wird zum Steuern einer Versorgungstechnik 50 eines Gebäudes 40 verwendet. Das Gebäude 40 ist das unter Verweis auf 1 genannte Bürogebäude.
Das Gebäude 40 ist in mehrere Teilbereiche 42, 44, 46, 48 aufgeteilt. In der 4 sind die Teilbereiche die einzelnen Büros 42, 44, 46 und 48 des Gebäudes 40. Optional kann das Gebäude 40 in weitere und/oder andere Teilbereiche aufgeteilt werden, beispielsweise mehrere Stockwerke. Die klimatischen Bedingungen der Teilbereiche 42, 44, 46 und 48 werden von der Versorgungstechnik 50 gesteuert. In jedem der Teilbereiche 42, 44, 46 und 48 können dabei unterschiedliche klimatische Bedingungen herrschen. Beispielsweise kann jeder der Teilbereiche 42, 44, 46 und 48 von der Versorgungstechnik 50 über ein separates, dem jeweiligen Teilbereich 42, 44, 46, 48 zugeordnetes Heizungsrohr mit variabler Temperaturregelung und/oder ein separates, dem jeweiligen Teilbereich 42, 44, 46, 48 zugeordnetes Belüftungssystem mit variabler Luftströmung versorgt werden. Ferner können die Gebäudedaten in jedem der Teilbereiche 42, 44, 46 und 48 des Gebäudes 40 unterschiedlich sein. Beispielsweise kann die Anzahl der Fenster in jedem der Teilbereiche 42, 44, 46 und 48 unterschiedlich sein.
Von jedem der Teilbereiche 42, 44, 46 und 48 des Gebäudes 40 erhält das super-neuronale Netzwerk 112 einen Trainingsdatensatz 60, 62, 64 und 66. Die Trainingsdatensätze 60, 62, 64 und 66 werden gemäß dem Ausführungsbeispiel der 1 erzeugt. Basierend auf den Trainingsdatensätzen 60, 62, 64 und 66 erzeugt das super-neuronale Netzwerk 112 einen Steuerungsdatensatz 70, welcher zur Steuerung der Versorgungstechnik 50 des Gebäudes 40 wie oben beschrieben verwendet werden kann. Der Steuerungsdatensatz 70 wird gemäß dem Ausführungsbeispiel der 2 erzeugt. Basierend auf den Trainingsdatensätzen 60, 62, 64 und 66 kann das super-neuronale Netzwerk 112 somit den Steuerungsdatensatz 70 für die Versorgungstechnik 50 erzeugen, obwohl das super-neuronale Netzwerk 112 nicht mit Steuerungsdaten für das Gesamtgebäude 40 trainiert wurde. Das super-neuronale Netzwerk 112 kann die Steuerungsdaten für das Gesamtgebäude 40 aus den Steuerungsdaten für die einzelnen Teilbereiche 42, 44, 46 und 48 des Gebäudes 40 bestimmen.
Mittels des Steuerungsdatensatzes 70 kann die Versorgungstechnik 50 derart gesteuert werden, dass in jedem der Teilbereiche 42, 44, 46 und 48 des Gebäudes 40 die unter Verweis auf 1 erläuterten klimatischen Bedingungen möglichst energieeffizient eingestellt werden können. Alternativ können in jedem der Teilbereiche 42, 44, 46 und 48 des Gebäudes 40 mittels des Steuerungsdatensatzes 70 von der Versorgungstechnik 50 unterschiedliche klimatische Bedingungen erzeugt werden.
In einem weiteren Ausführungsbeispiel kann das super-neuronale Netzwerk 112 von einem oder mehreren weiteren Gebäuden einen Trainingsdatensatz erhalten. Der Trainingsdatensatz wird gemäß dem Ausführungsbeispiel der 1 erzeugt. Basierend auf diesem Trainingsdatensatz erzeugt das super-neuronale Netzwerk 112 einen Steuerungsdatensatz, welcher zur Steuerung der Versorgungstechnik des Gebäudes wie oben beschrieben verwendet werden kann. Der Steuerungsdatensatz wird gemäß dem Ausführungsbeispiel der 2 erzeugt. Basierend auf dem von einem oder mehreren Gebäuden erhaltenen Trainingsdatensatz kann das super-neuronale Netzwerk 112 somit den Steuerungsdatensatz für die Versorgungstechnik des Gebäudes erzeugen, obwohl das super-neuronale Netzwerk 112 nicht mit Steuerungsdaten dieses Gebäudes trainiert wurde. Das super-neuronale Netzwerk 112 kann die Steuerungsdaten für das Gebäude basierend auf den Steuerungsdaten bestimmen, welche in dem von einem oder mehreren Gebäuden erhaltenen Trainingsdatensatz enthalten sind.
Das super-neuronale Netzwerk 112 kann alternativ mit Trainingsdaten trainiert werden, die von einer Mehrzahl von Teilbereichen der Versorgungstechnik 50 des Gebäudes 40 stammen. In diesem Ausführungsbeispiel erzeugt das super-neuronale Netzwerk 112 für jeden der Teilbereiche der Versorgungstechnik 50 einen Steuerungsdatensatz. Diese Steuerungsdatensätze können zur Steuerung des jeweiligen Teilbereichs der Versorgungstechnik verwendet werden.
Beim Training des super-neuronalen Netzwerks 112 können die verschiedenen Teilbereiche des Gebäudes 40 und/oder die verschiedenen Teilbereiche der Versorgungstechnik 50 berücksichtigt werden. Das trainierte super-neuronale Netzwerk 112 kann somit sowohl für jeden der Teilbereiche des Gebäudes als auch für das gesamte Gebäude zur Steuerung der Versorgungstechnik 50 verwendet werden.
Bezugszeichen

10: Steuereinrichtung
12: Neuronales Netzwerk
14: Speichermedium
16: Eingabevorrichtung
18: Systemparameter der Versorgungstechnik
20: Gebäudedaten
22: Umgebungsdaten
24: Eingabedaten
26: Steuerungsdatensatz
28: Ausgabevorrichtung
30: Versorgungstechnik eines Gebäudes
112: Super-neuronales Netzwerk
40: Gebäude
42, 44, 46, 48: Teilbereiche des Gebäudes
50: Versorgungstechnik
60, 62, 64, 64: Trainingsdaten der Teilbereiche des Gebäudes
70: Steuerungsdatensatz
TS1: erster Trainierschritt
TS2: zweiter Trainierschritt
TS3: dritter Trainierschritt
TS4: vierter Trainierschritt
TS5: fünfter Trainierschritt
TS6: sechster Trainierschritt
BS1: erster Bestimmungsschritt
BS2: zweiter Bestimmungsschritt
BS3: dritter Bestimmungsschritt

Claims

Verfahren zum Trainieren eines neuronalen Netzwerks (12; 112), welches dazu ausgebildet ist, zur Steuerung einer Versorgungstechnik (30; 50) eines Gebäudes (40) verwendet zu werden, wobei das Verfahren die folgenden Schritte aufweist: - Bereitstellen (TS1) von Systemparametern (18) der Versorgungstechnik (30; 50); - Bereitstellen (TS2) von Gebäudedaten (20) des Gebäudes (40); - Bereitstellen (TS3) von Umgebungsdaten (22) des Gebäudes (40); - Bereitstellen (TS4) von Steuerungsdaten, welche zur Steuerung der Versorgungstechnik (30; 50) verwendet werden können; - Vorverarbeiten (TS5) der bereitgestellten Systemparameter (18), Gebäudedaten (20), Umgebungsdaten (22) und Steuerungsdaten, um einen Trainingsdatensatz (60, 62, 64, 66) für das neuronale Netzwerk (12; 112) zu erzeugen, wobei der Trainingsdatensatz (60, 62, 64, 66) die vorverarbeiteten Systemparameter (18), die vorverarbeiteten Gebäudedaten (20) und die vorverarbeiteten Umgebungsdaten (22) als Eingabedaten (24) sowie die vorverarbeiteten Steuerungsdaten als Ausgabedaten umfasst; und - Trainieren (TS6) des neuronalen Netzwerks (12; 112) mit dem Trainingsdatensatz (60, 62, 64, 66), um einen Zusammenhang zwischen den Eingabedaten (24) und den Ausgabedaten zu lernen.
Verfahren zum Trainieren eines neuronalen Netzwerks (12; 112) nach Anspruch 1, wobei die bereitgestellten Systemparameter (18), Gebäudedaten (20), Umgebungsdaten (22) und/oder Steuerungsdaten historische Werte sind und/oder synthetisch erzeugt werden.
Verfahren zum Trainieren eines neuronalen Netzwerks (12; 112) nach Anspruch 1 oder 2, wobei sich die bereitgestellten Systemparameter (18), Gebäudedaten (20), Umgebungsdaten (22) und/oder Steuerungsdaten auf Teilbereiche (42, 44, 46, 48) des Gebäudes (40), Teilbereiche der Versorgungstechnik, mehrere Gebäude und/oder die jeweilige Versorgungstechnik mehrerer Gebäude beziehen.
Verfahren zum Trainieren eines neuronalen Netzwerks (12; 112) nach einem der Ansprüche 1 bis 3, wobei das Vorverarbeiten der bereitgestellten Systemparameter (18), Gebäudedaten (20), Umgebungsdaten (22) und Steuerungsdaten ein Indexieren und/oder ein Reduzieren umfasst.
Verfahren zum Trainieren eines neuronalen Netzwerks (12; 112) nach Anspruch 4, wobei das Indexieren mit einem Zyklusindex in Abhängigkeit von einer Zeitinformation der Systemparameter (18) beziehungsweise der jeweiligen Daten (20, 22) erfolgt; wobei der Zyklusindex einen Monat, einen Wochentag, eine Uhrzeit und/oder eine Information über eine Gebäudenutzung umfasst.
Verfahren zum Trainieren eines neuronalen Netzwerks (12; 112) nach einem der Ansprüche 4 oder 5, wobei das Reduzieren ein Bestimmen eines Korrelationskoeffizienten der Eingabedaten mit den Ausgabedaten aufweist, wobei das Trainieren des neuronalen Netzwerks (12; 112) nur mit Eingabedaten erfolgt, deren Korrelationskoeffizient mit den Ausgabedaten über einem Schwellwert liegt.
Verfahren zur Verwendung eines neuronalen Netzwerks (12; 112) zur Steuerung einer Versorgungstechnik (30; 50) eines Gebäudes (40), wobei das Verfahren die folgenden Schritte aufweist: - Empfangen (BS1) von Systemparametern (18) der Versorgungstechnik (30; 50); - Eingeben (BS2) von Gebäudedaten (20) des Gebäudes (40), Umgebungsdaten (22) des Gebäudes (40) und den empfangenen Systemparametern (18) in das neuronale Netzwerk (12; 112); - Erzeugen (BS3) eines Steuerungsdatensatzes (26; 70), welcher zur Steuerung der Versorgungstechnik (30; 50) des Gebäudes (40) verwendet werden kann, basierend auf einem von dem neuronalen Netzwerk (12; 112) gelernten Zusammenhang zwischen den Systemparametern (18), den Gebäudedaten (20) und den Umgebungsdaten (22) mit Steuerungsdaten, welcher zur Steuerung der Versorgungstechnik (30; 50) verwendet werden können.
Verfahren zur Verwendung eines neuronalen Netzwerks (12; 112) nach Anspruch 7, wobei die Systemparameter (18) repräsentativ für einen Energieverbrauch, Energiekosten und/oder eine Ist-Leistung der Versorgungstechnik (30; 50) des Gebäudes (40) sind, wobei der Steuerungsdatensatz (26; 70) von dem neuronalen Netzwerk (12; 112) hinsichtlich einer Optimierungsbedingung des Energieverbrauchs und/oder der Energiekosten beziehungsweise hinsichtlich einer Soll-Leistung der Versorgungstechnik (30; 50) erzeugt wird.
Verfahren zur Verwendung eines neuronalen Netzwerks (12; 112) nach Anspruch 7 oder 8, wobei das Verfahren auf Teilbereiche (42, 44, 46, 48) des Gebäudes (40), Teilbereiche der Versorgungstechnik (30; 50) des Gebäudes, mehrere Gebäude und/oder die jeweilige Versorgungstechnik (30; 50) mehrerer Gebäude angewandt wird.
Verfahren zur Verwendung eines neuronalen Netzwerks (12; 112) nach einem der Ansprüche 7 bis 9, wobei der von dem neuronalen Netzwerk (12; 112) erzeugte Steuerungsdatensatz (26; 70) als Eingangswert für ein klassisches mathematisches Modell zur Steuerung der Versorgungstechnik (30; 50) des Gebäudes (40) verwendet wird.
Verfahren zur Verwendung eines neuronalen Netzwerks (12; 112) nach einem der Ansprüche 7 bis 10, wobei das neuronale Netzwerk (12; 112) mittels des Verfahrens zum Trainieren eines neuronalen Netzwerks (12; 112) nach einem der Ansprüche 1 bis 6 trainiert wird.
Verfahren zum Trainieren eines neuronalen Netzwerks (12; 112) nach einem der Ansprüche 1 bis 6 oder Verfahren zur Verwendung eines neuronalen Netzwerks (12; 112) nach einem der Ansprüche 7 bis 11, wobei - die Systemparameter (18) der Versorgungstechnik (30; 50) aus zumindest einem der folgenden ausgewählt sind: einer Temperatur innerhalb des Gebäudes (40), einer Luftfeuchtigkeit innerhalb des Gebäudes (40), einer Last einer Stromquelle der Versorgungstechnik (30; 50), einer Anzahl von Personen innerhalb des Gebäudes (40), einer Anzahl elektrischer Verbraucher innerhalb des Gebäudes (40), einem Massendurchfluss durch zumindest ein Heizelements eines Heizkreislaufs, einer Strömungstemperatur durch zumindest ein Heizelement eines Heizkreislaufs, einer Temperatur eines Luftstroms einer Belüftungsanlage, einer Luftfeuchtigkeit eines Luftstroms einer Belüftungsanlage, einem Massendurchfluss durch eine Belüftungsanlage, einer Dimensionierung zumindest eines Versorgungselements der Versorgungstechnik (30; 50), und einer vorbestimmten Änderung zumindest eines der vorgenannten Parameter; - die Gebäudedaten (20) des Gebäudes (40) aus zumindest einem der folgenden ausgewählt sind: einer Art des Gebäudes (40), geometrischen Abmessungen des Gebäudes (40), einer Wanddicke des Gebäudes (40), einer Materialzusammensetzung des Gebäudes (40), einer Anzahl von Fenstern des Gebäudes (40), und einer Orientierung des Gebäudes (40) bezüglich einer Nord-Süd-Achse; - die Umgebungsdaten (22) des Gebäudes (40) aus zumindest einem der folgenden ausgewählt sind: historischen Wetterdaten für eine Umgebung des Gebäudes (40), historischen Klimadaten für die Umgebung des Gebäudes (40), prognostizierten Wetterdaten für die Umgebung des Gebäudes (40), prognostizierten Klimadaten für die Umgebung des Gebäudes (40), und einem Strompreis in einer Umgebung des Gebäudes (40); und/oder - die Steuerungsdaten aus zumindest einem der folgenden ausgewählt sind: einer Einstellung eines Bedienelements einer Heizungsanlage des Gebäudes (40), einer Einstellung eines Bedienelements einer Kühlungsanlage des Gebäudes (40), einer Einstellung eines Bedienelements einer Klimaanlage des Gebäudes (40), und einer Einstellung eines Bedienelements einer Belüftungsanlage des Gebäudes (40).
Computerprogrammprodukt zur Steuerung der Versorgungstechnik (30; 50) eines Gebäudes (40) mittels eines Steuerungsdatensatzes (26; 70), welcher gemäß dem Verfahren nach einem der Ansprüche 7 bis 12 erzeugt wird und/oder welcher durch ein mit dem Verfahren nach einem der Ansprüche 1 bis 6 trainiertes neuronales Netzwerk (12; 112) erzeugt wird, wobei der Steuerungsdatensatz (26; 70) insbesondere zur Steuerung einer Heizungsanlage, einer Kühlungsanlage, einer Klimaanlage und/oder einer Belüftungsanlage des Gebäudes (40) verwendet wird.
Steuereinrichtung (10) zur Steuerung einer Versorgungstechnik (30; 50) eines Gebäudes (40) mittels eines Steuerungsdatensatzes (26; 70), umfassend ein computerlesbares, nicht-flüchtiges Speichermedium (14), welches Computerprogrammcode enthält, der, wenn er auf einem Computer ausgeführt wird, den Steuerungsdatensatz (26; 70) gemäß dem Verfahren nach einem der Ansprüche 7 bis 12 erzeugt.
Trainiertes neuronales Netzwerk (12; 112), welches dazu ausgebildet ist, zur Steuerung einer Versorgungstechnik (30; 50) eines Gebäudes (40) gemäß einem der Ansprüche 7 bis 12 verwendet zu werden, wobei das neuronale Netzwerk (12; 112) gemäß dem Verfahren nach einem der Ansprüche 1 bis 6 trainiert wurde.