WO2024013287A1 - Steuerung einer versorgungstechnik eines gebäudes mittels eines neuronalen netzwerks - Google Patents

Steuerung einer versorgungstechnik eines gebäudes mittels eines neuronalen netzwerks Download PDF

Info

Publication number
WO2024013287A1
WO2024013287A1 PCT/EP2023/069463 EP2023069463W WO2024013287A1 WO 2024013287 A1 WO2024013287 A1 WO 2024013287A1 EP 2023069463 W EP2023069463 W EP 2023069463W WO 2024013287 A1 WO2024013287 A1 WO 2024013287A1
Authority
WO
WIPO (PCT)
Prior art keywords
building
data
neural network
control
supply technology
Prior art date
Application number
PCT/EP2023/069463
Other languages
English (en)
French (fr)
Inventor
Pascal Richter
Erika ÁBRAHÁM
Ahmed Abida
Original Assignee
Rheinisch-Westfälische Technische Hochschule Aachen, Körperschaft des öffentlichen Rechts
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Rheinisch-Westfälische Technische Hochschule Aachen, Körperschaft des öffentlichen Rechts filed Critical Rheinisch-Westfälische Technische Hochschule Aachen, Körperschaft des öffentlichen Rechts
Publication of WO2024013287A1 publication Critical patent/WO2024013287A1/de

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B15/00—Systems controlled by a computer
    • G05B15/02—Systems controlled by a computer electric
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2642—Domotique, domestic, home control, automation, smart house

Definitions

  • the present invention relates to a method for training a neural network which is designed to be used to control a building's supply technology.
  • the invention also relates to a method for using the neural network to control the building's supply technology.
  • the invention also relates to a computer program product and a control device for controlling the supply technology of a building using a control data set.
  • the energy supply to buildings accounts for a significant share of global energy consumption.
  • various methods have been developed to thermally model buildings and control their supply technology in an energy-optimized manner.
  • MPC model predictive control
  • a discrete-time dynamic model of the process to be controlled is created.
  • This procedure can therefore also be referred to as “hard control”.
  • the supply technology of a building can also be controlled using a classic control system such as a proportional-integral-derivative, PID, controller.
  • PID proportional-integral-derivative
  • the control and optimization methods used are very computationally intensive and time-consuming. For this reason, thermal modeling is only carried out at isolated times during the day, which means that the supply technology is not always optimally controlled.
  • a considerable amount of computing effort is required, with an entire server being required for calculations for individual buildings. The effort involved in this approach is correspondingly high and limits the efficiency gain that can be achieved.
  • the invention in a first aspect, relates to a method for training a neural network, which is designed to be used to control a building's supply technology.
  • the neural network can be used to provide improved thermal building modeling without having to previously determine the exact structure of the control system and/or the system to be controlled.
  • a neural network can be a mathematical model.
  • the neural network can be created using a computer and designed as an artificial neural network.
  • the neural network may include input nodes, output nodes, and a plurality of intermediate nodes disposed between the input nodes and the output nodes.
  • the input nodes can, for example, be designed as data interfaces via which input data can be entered into the neural network.
  • the output nodes can, for example, be designed as data interfaces via which output data can be output from the neural network.
  • the input nodes may be connected to the intermediate nodes and the intermediate nodes may be connected to each other.
  • the intermediate nodes can be connected to the output nodes.
  • Information can be stored at least temporarily on the intermediate nodes. It can be provided that at least one arithmetic operation is carried out on the intermediate nodes.
  • the input data can be transmitted from the input nodes via the intermediate nodes to the output nodes, for example, in order to generate the output data there. During this transmission, the input data can, for example, be processed, for example converted into the output data.
  • the intermediate nodes of the neural network can be arranged in one or more layers or levels.
  • the intermediate nodes can be connected to one another within a layer.
  • the intermediate nodes of one layer can be connected to the intermediate nodes of other layers.
  • the individual connections of the input nodes, the intermediate nodes and the output nodes can be provided with mathematical weights.
  • the connections of the respective nodes of the neural network can be weighted.
  • the weightings can be changed or even specified for the first time.
  • the neural network can learn a connection between the input data and the output data. While using the neural network for its intended purpose, the learned context from the neural network can be applied to input data to produce output data according to the intended purpose of using the neural network.
  • the long short-term memory (LSTM) technique can be used to train the neural network.
  • LSTM long short-term memory
  • a training signal is first generated from the input nodes to the output nodes.
  • An error adjustment is then carried out in the opposite direction, i.e. from the output node to the input node, in order to retroactively adjust the weighting of the individual connections.
  • the input value, the stored value and the output value are noted so that all nodes can be sufficiently taken into account when correcting errors.
  • the technique of generative adversarial networks can be used to train the neural network.
  • Two artificial neural networks are used, one of which creates a selection of possible candidates for the result to be achieved.
  • the other neural network evaluates these candidates based on the training data provided.
  • a convolutional neural network, CNN can be used, in which the intermediate nodes of different layers are at least partially connected to one another by a convolution function.
  • a building can be any type of structure that is permanently attached to the ground and is designed to accommodate people and/or goods.
  • a building can be a warehouse, an office building, a factory building, a residential building, a sports hall or swimming pool, a school building, a building Retail and/or a mixed building, which consists of a combination of the aforementioned building types.
  • a building's supply technology can be a system through which heat input into the building can be influenced.
  • Heat input can involve heating up or cooling down the building.
  • the supply technology can have one or more heaters, one or more air conditioning systems and/or other devices for temperature control, such as automatically opening windows and/or adjustable sun protection.
  • the supply technology can influence the thermal state of the building, in particular in order to specify a thermal state.
  • a thermal state of the building may include, for example, a temperature, optionally taking into account a humidity and/or an air pressure within the building.
  • the thermal state can also relate to a temperature gradient, i.e. a cooling rate or a heating rate.
  • the supply technology can be designed to set further climate parameters within the building, such as a fresh air supply, a floor temperature and/or sun protection.
  • the control of the supply technology results in a momentary energy consumption.
  • the energy consumption can, for example, include the consumption of electrical power and/or fossil fuels.
  • the aim of controlling the supply technology can be to minimize this energy consumption or the respective costs, in particular caused by this energy consumption. Additionally, maintenance costs can also be taken into account.
  • boundary conditions can be taken into account, such as a desired internal temperature range.
  • the boundary conditions can be predetermined sizes or can be determined depending on other parameters, such as a time of day and/or a state of use of the building.
  • the method has a step of providing system parameters of the supply technology.
  • the system parameters can have one or more values.
  • the system parameters can define a thermal state of the supply technology.
  • the system parameters can indicate what air temperature prevailed inside the building at a certain point in time or should rule.
  • the method further comprises a step of providing building data of the building.
  • the building data can have one or more values.
  • the building data can define a structural condition of the building.
  • the building data can be a characteristic value for the insulation of the building. Suitable parameters for this are, for example, the age of the building, the respective wall thicknesses of the building and/or the size and/or orientation of the respective window areas.
  • the method further comprises a step of providing environmental data of the building.
  • the environment data can have one or more values.
  • the environmental data may define a thermal state of an environment of the building.
  • the environmental data can be a characteristic value for precipitation or solar radiation on the building.
  • the environmental data can also be a geographical position of the building as well as a positioning relative to other buildings and/or a floor design. For example, a building on a street can be partially shielded from wind and solar radiation, which can be taken into account by the environmental data.
  • the environmental data can contain corresponding information.
  • the method further has a step of providing control data which can be used to control the supply technology.
  • the control data can define an operating state of the supply technology.
  • the control data from the supply technology can specify that a certain heating output or cooling output be generated in order to change the thermal state of the building.
  • the control data can also specify, for example, a window position and/or a sun protection position.
  • those system parameters, building data, environmental data and/or control data that optimize at least one property of the supply technology can be selected from a large number of data sets.
  • those system parameters, building data, environmental data and/or control data can be selected from the large number of data sets that optimize energy consumption of the supply technology.
  • those system parameters, building data, environmental data and/or Control data is selected from the large number of data sets that optimize a temperature and / or a humidity in the building.
  • At least one value of the aforementioned data can be determined.
  • the at least one value can be recorded, measured and/or generated synthetically.
  • the system parameters, building data and environmental data provided can be transmitted to at least one of the input nodes of the neural network, for example by means of an input device.
  • the control data provided can be transmitted to at least one output node of the neural network, for example by means of the input device or another input device.
  • the input device and the further input device can be part of a control device of the building or have a signal connection with the control device.
  • the input device and the further input device can each have a data interface via which the provided system parameters, building data and environmental data are transmitted to at least one of the input nodes and via which the provided control data are transmitted to at least one of the output nodes of the neural network.
  • the method further comprises a step of preprocessing the provided system parameters, building data, environmental data and control data in order to generate a training data set for the neural network.
  • the training data set includes the preprocessed system parameters, the preprocessed building data and the preprocessed environmental data as input data and the preprocessed control data as output data.
  • the system parameters, building data, environmental data and control data provided can be preprocessed in such a way that they can be processed more quickly or even sensibly by the neural network.
  • the preprocessing may include selecting whether a value of the data is used as input data or output data for training the neural network. For example, a value of this data may not be suitable as input data for training the neural network if it has no or insufficient influence on the Control of the supply technology. Selecting can significantly reduce a data set and achieve more robust optimization.
  • a value of the data may not be suitable as input data for training the neural network if it cannot be processed by the neural network, for example due to its data structure.
  • the data provided can be in the form of a multidimensional matrix.
  • the neural network to be trained is designed to process one-dimensional numerical values.
  • the multidimensional matrix must be broken down into one-dimensional numerical values before it can be used to train the neural network.
  • preprocessing may also include sorting the provided data and/or removing a subset of the provided data in order to reduce the amount of data used for training the neural network.
  • the method further comprises a step of training the neural network with the training data set in order to learn a relationship between the input data and the output data.
  • the neural network can change the weighting of the connections of the individual nodes. In this way, the neural network can learn the relationship between the input data and the output data.
  • the proposed method significantly reduces the computing time required to optimize thermal building control. This means that short-term events, such as changes in the weather or changes in energy prices, can also be taken into account in the optimization.
  • the trained neural network can be used not only to generate individual control parameters for controlling the building's supply technology, but also to generate initial values for an optimization algorithm, in particular an optimization algorithm that works analytically and/or is designed as a simulation.
  • the proposed method can therefore be easily integrated into existing optimization routines in order to significantly reduce the effort there. For example, due to the use of a neural network, the use of a powerful one can be achieved Data center, which was previously necessary to optimize building control, can be dispensed with. This means that building control costs can also be saved.
  • the energy expenditure required for the building control can be reduced and/or adapted to a trend in the energy price. Therefore, energy costs can also be saved due to the proposed method.
  • the neural network when training the neural network, only the input data and the output data can be considered.
  • the structure of the neural network on the other hand, may be irrelevant or may only be created during training.
  • the neural network used can therefore be a “black box”, which is only defined based on the input data and output data.
  • the proposed method for training a neural network can therefore be applied to a variety of different types of neural networks.
  • the system parameters, building data, environmental data and/or control data provided are historical values and/or are generated synthetically.
  • Historical values can include values that were recorded at a specific point in time in the past. The historical values may have been recorded for the building, for the surrounding area of the building and/or for other buildings.
  • the synthetic data can be generated by processing collected and/or measured data. Alternatively or additionally, the synthetic data can be generated by processing predetermined parameters of the building. Alternatively or additionally, the synthetic data can be generated, for example, through a simulation. Due to the different types of data provided, the proposed method can be adapted to a variety of building types and/or building environments.
  • the system parameters, building data, environmental data and/or control data provided relate to sub-areas of the building, sub-areas of the supply technology, several buildings and/or the respective supply technology of several buildings.
  • Partial areas of the building can, for example, be individual rooms in the building.
  • sub-areas of the Buildings can, for example, be individual floors of the building.
  • Subareas of supply technology can, for example, be individual supply elements of supply technology, such as a heating system and/or a ventilation system.
  • a wing of the building which forms a first portion
  • another wing of the building which forms a second portion
  • the supply technology can also be divided into respective sub-areas with regard to the individual sub-areas of the building, for example with regard to the individual rooms of the building.
  • the respective provided training data of the neural network can thus be selected according to the intended use of the neural network. Due to the large number of possible training data, a so-called super-neural network can easily be created. This super neural network can be trained with training data, which comes from several buildings, for example.
  • the super-neural network can learn a connection between these training data coming from several buildings and use it to determine control data for the supply technology of a differently designed building for whose specific design there is no training data, for example in the form of historical control data. Similarly, the super-neural network can be trained with training data for several areas of a building in order to be able to determine control data for another area of a building.
  • the preprocessing of the provided system parameters, building data, environmental data and control data includes indexing and/or reducing.
  • Indexing the provided data can be done by assigning at least one index to the respective provided data.
  • the data provided can be sorted and/or ordered based on the at least one index.
  • Reducing the provided data can be done by removing a subset and/or individual data from the provided training data set. For example, those data that cannot be processed by the neural network to be trained due to its structure can be removed from the training data set provided. Alternatively or additionally For example, negative values, zero values and/or values that are at a very large distance from the other values contained in the training data set can be removed from the training data set provided. This allows the neural network to be trained better.
  • the system parameters, building data, environmental data and control data provided can thus be optimized for their use as training data for the neural network through preprocessing.
  • the neural network can thereby be trained faster and/or more efficiently.
  • indexing takes place with a cycle index depending on time information of the system parameters or the respective data.
  • the cycle index includes, for example, a month, a day of the week, a time and/or information about building usage.
  • a cycle index can be a distance between two points in time at which the neural network accesses the training data provided.
  • Information about a building's use can, for example, include information about whether there were people in the building at the time the data was collected and/or how many people were in the building at the time the data was collected.
  • Information about a building's use can, for example, include information about whether the building was used, for example as office space for employees of a company, or was unused, for example due to a holiday or because the company was closed.
  • indexing can be carried out easily and automated with little effort, for example to pre-process historical data sets for training.
  • This makes it possible to avoid using data to train the neural network that, for example, leads to energy-optimal control data, but which has no relation to one another.
  • the data provided can be brought into the temporal order corresponding to the data access of the neural network using the time information of the cycle index. The data provided is therefore already available in the temporal structure required by the neural network. This shortens the calculation time required to train the neural network.
  • reducing includes determining a correlation coefficient of the input data with the output data.
  • the neural network is trained only with input data whose correlation coefficient with the output data is above a threshold value.
  • the Pearson correlation coefficient can be used, which indicates the correlation between two variables as a percentage.
  • Other methods for determining correlation coefficients can also be used. It can be provided that only those input data are used to train the neural network whose correlation with the output data is greater than 10% or greater than 5% or greater than 1%.
  • the input data can be sorted according to the level of their correlation and then, for example, only three-quarters, half or a quarter of the data whose correlation coefficient is highest can be used.
  • the size of the training data set can be kept small by reducing, whereby the calculation time required for carrying out the method for training the neural network can also be kept low.
  • the invention in a second aspect, relates to a method for using a neural network to control the supply technology of a building.
  • the neural network is used to control the building's supply technology in such a way that the neural network carries out at least one of the steps necessary for controlling the supply technology or at least prepares this step.
  • the neural network may have been trained using the method according to the first aspect. Corresponding features, advantages and further training can be found in the first aspect and apply equally to the second aspect. Conversely, respective features, advantages and further developments also form respective features, advantages and further developments for the first aspect, if applicable.
  • the method has a step of receiving system parameters of the supply technology.
  • the system parameters of the supply technology can be recorded by sensors designed for this purpose, such as a temperature sensor and/or a humidity sensor.
  • the corresponding sensors can be designed as part of the supply technology.
  • respective sensor signals can be transmitted wired or wirelessly to a computing device on which the neural network is implemented.
  • the computing device can be part of a supply technology control device or can be formed, for example, by a server external to it.
  • the system parameters can define the thermal state of the building, as already explained in the first aspect.
  • the method according to the second aspect further includes a step of inputting building data of the building, environmental data of the building and the received System parameters into the neural network.
  • the building data can represent a structural condition of the building, as already explained in the first aspect.
  • the environmental data can represent a thermal state of an environment of the building, as already explained in the first aspect.
  • the neural network can, for example, apply connections learned from other buildings to the control of the supply technology.
  • the building data and the environmental data of the building can be received and/or measured by sensors designed for this purpose, analogous to the system parameters of the supply technology. For example, this data can also be retrieved from databases, such as a satellite map.
  • the building data and/or the environmental data can be predetermined data.
  • the building data and/or the environmental data can be based on empirical values.
  • the building data, the environmental data and the system parameters can be transmitted as input data from an input device designed for this purpose to at least one input node of the neural network.
  • the method according to the second aspect has a step of generating a control data set, which can be used to control the building's supply technology.
  • the control data set is generated based on a relationship between the system parameters, the building data and the environmental data with control data learned by the neural network.
  • the control data can be used to control the supply technology.
  • the control data set can contain control data with which at least one supply element of the supply technology, for example a heating system or a ventilation system, can be controlled.
  • the control data can also only have a control value for the power of a heater.
  • the control data can also correspond, for example, only to a desired heat input into the building, on the basis of which a control device of the supply technology specifies the respective control parameters.
  • the control data can be transmitted directly to the respective supply element of the supply technology for its respective control.
  • the control data can serve as starting values for a thermal simulation model of the building.
  • the final values of this simulation model can then be used to control the supply technology.
  • the method according to the second aspect enables the control data set to be generated more quickly and with less effort compared to conventional methods. Thanks to the accelerated calculation using the neural network, the control of the supply technology can be adapted to changed and/or externally specified conditions at short intervals compared to conventional simulation methods, for example every 15 minutes. For example, sudden storms, a changed weather forecast and/or an unscheduled shutdown of the supply technology due to construction work, for example, can be responded to at short intervals by adjusting the control data set.
  • the system parameters are representative of energy consumption, energy costs and/or an actual performance of the building's supply technology.
  • the control data set is generated by the neural network with regard to an optimization condition of energy consumption and/or energy costs or with regard to a target performance of the supply technology.
  • Energy consumption of the supply technology can be determined, for example, based on thermal insulation of the building, an efficiency of at least one supply element of the supply technology or an energy distribution within the building.
  • Energy costs of the supply technology can be determined, for example, based on an electricity price, a gas price, an operating time and/or a utilization of the building's supply technology.
  • An actual performance of the supply technology can be determined, for example, based on an actual temperature, an actual humidity, an actual position of at least one control element and/or an actual energy consumption of the building's supply technology.
  • An optimization condition for energy consumption and/or energy costs can be specified for at least one of the above-mentioned parameters.
  • an optimal value to be achieved can be specified by a user and/or manufacturer of the supply technology for each of the above-mentioned parameters.
  • a target performance of the supply technology can be specified by a user and/or manufacturer of the supply technology for at least one of the above-mentioned parameters.
  • a to The target value to be achieved can be specified by a user and/or manufacturer of the supply technology.
  • Each parameter can be a time-dependent value and can, for example, be specified differently depending on the time, day of the week and/or month.
  • each parameter can be specified as a function of time, analogous to the cycle indexing.
  • the method is applied to sub-areas of the building, sub-areas of the building's supply technology, several buildings and/or the respective supply technology of several buildings.
  • Partial areas of the building can, for example, be individual rooms in the building.
  • subareas of the building can be, for example, individual floors and/or wings and/or other sections of the building.
  • Subareas of supply technology can, for example, be individual supply elements of supply technology, such as a heating system and/or a ventilation system.
  • the supply technology can also be divided into respective sub-areas with regard to the individual sub-areas of the building, for example with regard to the individual rooms of the building.
  • the proposed method therefore offers a variety of different areas of application.
  • the control data set generated by the neural network is used as an input value for a classic mathematical model for controlling the building's supply technology.
  • a classical mathematical model can be a mathematical model that is calculated using classical methods, i.e. without the use of artificial intelligence and/or machine learning.
  • the control data set can include at least one parameter that can be used as a starting value for the classic mathematical model.
  • the classic mathematical model can be designed to analytically optimize control of the supply technology, for example to optimize costs and/or energy expenditure for a thermal target state.
  • the control data set may include a plurality of parameters, all or a subset of which can be used as starting values for the classic model.
  • the mathematical can generate another control data set that can be used to control the building's supply technology.
  • control data set is generated more quickly by the neural network, the building's supply technology can also be controlled more quickly. This means that changes to the system parameters, building data and/or environmental data, particularly those that occur at short notice, can be taken into account when controlling the building's supply technology.
  • the neural network used in the method according to the second aspect can be trained using the method for training a neural network according to the first aspect.
  • the technical effects and advantages mentioned in the first aspect can thus be applied to the neural network used in the method according to the second aspect.
  • the system parameters of the supply technology can be selected from at least one of the following: a temperature within the building, a humidity within the building, a load of a power source of the supply technology, a number of people within the building, a Number of particularly active electrical consumers within the building, a mass flow through at least one heating element of a heating circuit, a flow temperature through at least one heating element of a heating circuit, a temperature of an air flow of a ventilation system, an air humidity of an air flow of a ventilation system, a mass flow through a ventilation system, a dimensioning at least a supply element of supply technology, and a predetermined change at least one of the aforementioned parameters.
  • a mass flow through a heating element of a heating circuit can be a volume flow of an energy source, such as oil or gas, which is used to heat the building.
  • the mass flow can be a characteristic value for heat input into the building.
  • a flow temperature through a heating element can be the temperature of an energy source that flows through the heating element to heat the building, such as the temperature of a heating oil or a heating gas.
  • the flow temperature can be a characteristic value for a heat flow in the building.
  • a mass flow through a Ventilation system can be a volume flow of a quantity of air that flows through the ventilation system to ventilate the building, i.e. to exchange air within the building.
  • the mass flow can be a characteristic value for heat exchange in the building.
  • a dimensioning of a supply element can be its maximum and/or minimum performance or, for example, also relate to a surface and optionally its arrangement for heat exchange.
  • the dimensioning of the supply element can be a parameter for its energy consumption and its possible heat input into the building.
  • a temperature within the building, a humidity within the building, a temperature of an air flow of a ventilation system and/or a humidity of an air flow of a ventilation system can be an indicator of a perceived temperature within the building.
  • a load of a power source of the supply technology, a number of people within the building and/or a number of electrical consumers can be important parameters that should be taken into account for the control of the building's supply technology.
  • the building data of the building may be selected from at least one of the following: a type of building, geometric dimensions of the building, a wall thickness of the building, a material composition of the building, a number of windows of the building, and an orientation of the building with respect to a North-south axis.
  • a type of building can be a characteristic value for the energy requirements of the supply technology. For example, the energy requirements for an office building may be higher than for a warehouse.
  • Geometric dimensions of the building can be, for example, a height, a width and/or a volume of the building. The geometric dimensions may have an influence on heat distribution within the building and/or an influence of the weather on the thermal state of the building.
  • a wall thickness of the building, a material composition of the building and/or a number of windows of the building can be a characteristic value for heat input into the building due to certain weather conditions, such as solar radiation and outside temperature. Orienting the building on a north-south axis can have an impact on airflow within the building.
  • the environmental data of the building can be selected from at least one of the following: historical weather data for an environment of the building, historical climate data for the environment of the building, forecast weather data for the environment of the building, forecast climate data for the environment of the building, and one Electricity price in the area surrounding the building.
  • Historical weather data for an area surrounding the building and/or historical climate data for the area surrounding the building can be used to determine a predetermined basic setting of the supply technology at certain operating times, for example a basic setting for daytime operation and/or a basic setting for nighttime operation of the same.
  • Predicted weather data and/or predicted climate data can be determined using a mathematical simulation and describe expected future weather and/or expected future climate.
  • the forecast weather data and/or climate data can be used to create a weather forecast.
  • Predicted weather data for the area surrounding the building, predicted climate data for the area surrounding the building and/or an electricity price in the area surrounding the building can be a parameter for an expected energy consumption and/or expected energy costs of the building.
  • control data can be selected from at least one of the following: a setting of a control element of a heating system of the building, a setting of a control element of a cooling system of the building, a setting of a control element of an air conditioning system of the building, and a setting of a control element of a ventilation system of the building .
  • a control element can be a mechanical control element, for example a rotary switch and/or an electronic control element.
  • the setting of the control element can be a characteristic value for a thermal state of the supply technology.
  • the neural network can therefore be trained with a variety of training data.
  • the control data set can be generated based on a variety of input data and output data and optimization conditions.
  • the proposed methods are therefore suitable for a variety of different applications.
  • the invention relates to a computer program product for controlling the supply technology of a building using a control data set.
  • the control data set is generated according to the method according to the second aspect and/or generated by a neural network trained using the method according to the first aspect.
  • the control data set is used in particular to control a heating system, a cooling system, an air conditioning system and/or a ventilation system of the building.
  • the embodiments, technical effects and advantages explained for the first and second aspects therefore also apply analogously to the computer program product according to the third aspect and vice versa.
  • the computer program product may be stored on a data carrier.
  • the data carrier can be a computer-readable, non-volatile storage medium on which the computer program product is present in the form of program code.
  • the data carrier can be transportable.
  • the data carrier can be connected to a computer for signal transmission so that the program code on the data carrier can be executed by the computer.
  • the invention in a fourth aspect, relates to a control device for controlling the supply technology of a building by means of a control data set.
  • the control device includes a computer-readable, non-transitory storage medium containing computer program code which, when executed on a computer, generates the control data record according to the method according to the second aspect.
  • the control device can be designed to implement the previously described neural network.
  • the invention relates to a trained neural network which is designed to be used to control a building's supply technology according to the second aspect.
  • the neural network was trained according to the method according to the first aspect.
  • the embodiments, technical effects and explained for the first and second aspects Advantages therefore also apply analogously to the trained neural network according to the fifth aspect.
  • Fig. 1 shows a flowchart with steps of a method for training a neural network, which is designed to be used to control a building's supply technology.
  • Fig. 2 shows a flowchart with steps of a method for using a neural network to control a building's supply technology.
  • Fig. 3 shows schematically a control device for controlling a supply technology of a building with a neural network.
  • Fig. 4 schematically illustrates how a super-neural network works.
  • Fig. 1 shows a flowchart with steps of a method for training a neural network, which is designed to be used to control a building's supply technology.
  • the building is an office building in which many people work. At least during people's working hours, certain climatic conditions should be maintained within the office building. For example, the room temperature should be between 18°C and 22°C and the humidity should be between 50% and 70%. In order to maintain these climatic conditions, it must be possible to react, for example, to temperature fluctuations, fluctuations in humidity and fluctuations in the number of people within the building.
  • the supply technology can cause the building climate to heat up or cool down at different speeds.
  • the start of use can be defined, for example, as a usual start time of a working time in the building.
  • the neural network trained according to the method of the exemplary embodiment in FIG. 1 enables the control of the supply technology of the office building to be quickly adjusted with little computational effort in order to be able to realize such an optimization.
  • system parameters of the supply technology are provided.
  • the system parameters of the supply technology are the load of a power source of the supply technology, a number of people within the building, a mass flow through a heating element of a heating circuit of the supply technology, a flow temperature through the heating element of the heating circuit, a temperature of an air flow of a ventilation system the supply technology, a humidity of the air flow of the ventilation system, and a mass flow through the ventilation system.
  • other system parameters of the building's supply technology can be taken into account alternatively or additionally.
  • building data for the building is provided.
  • the building data is a wall thickness of the building, a number of windows of the building, and an orientation of the building with respect to a north-south axis.
  • other building data for the building can be taken into account alternatively or additionally.
  • environmental data of the building is provided.
  • the environmental data of the building in the embodiment of FIG. 1 are historical weather data for the surroundings of the building, historical climate data for the surroundings of the building, forecast weather data for the surroundings of the building and forecasted climate data for the surroundings of the building.
  • other environmental data of the building such as energy costs for the building's surroundings, can be taken into account alternatively or additionally.
  • control data that can be used to control the building's supply technology is provided.
  • the control data is a setting of a control element of a heating system of the building and a setting of a control element of a ventilation system of the building.
  • further control data can be taken into account alternatively or additionally.
  • the system parameters, building data, environmental data and control data provided are preprocessed in a fifth training step TS5 in order to generate a training data set for the neural network.
  • the training data set includes the preprocessed system parameters, the preprocessed building data and the preprocessed environmental data as input data and the preprocessed control data as output data.
  • the input data is transmitted to the input nodes of the neural network.
  • the output data is transmitted to the output nodes of the neural network.
  • the data and system parameters provided are indexed in the preprocessing according to training step TS5 with a cycle index, which includes a month, a day of the week, a time and information about building use.
  • the data and system parameters provided for training the neural network are thereby brought into context so that the training results of the neural network are based on data that were recorded at the same or comparable times.
  • the data and system parameters provided are reduced during the training step TS5.
  • the number of values provided is reduced by a selection.
  • the Pearson correlation coefficient of the input data with the output data is determined.
  • the neural network is trained only with input data whose Pearson correlation coefficient with the output data is above a threshold of 5%. This ensures that the results obtained during training of the neural network are not based on chance, but rather there is a dependency between the output data and the input data.
  • the neural network is trained with the training data set in order to learn a connection between the input data and the output data.
  • the input data transmitted to the input nodes of the neural network are transmitted to intermediate nodes of the neural network via connections mathematically weighted by the neural network.
  • the transmitted input data is processed on the intermediate nodes to obtain the output data provided on the output nodes.
  • the output nodes are connected to the intermediate nodes via connections mathematically weighted by the neural network. The mathematical weighting of the respective connections is adjusted by the neural network during the training process.
  • the neural network trained in this way can be used to control the building's supply technology.
  • a control data set for the building's supply technology can be generated using the trained neural network.
  • the trained neural network can also be used for other buildings and/or changed environmental conditions of the building.
  • Fig. 2 shows a flowchart with steps of a method for using a neural network to control a building's supply technology, according to a further embodiment of the invention.
  • a first determination step BS1 system parameters of the supply technology are received.
  • the system parameters are the same parameters with which the neural network according to the embodiment of FIG. 1 was trained and are recorded by sensors designed for this purpose.
  • a second determination step BS2 building data of the building, environmental data of the building and the received system parameters are entered into the neural network.
  • the building data and environmental data are the same Parameters with which the neural network was trained according to the embodiment of FIG. However, the respective values of the individual parameters of the building data and environmental data correspond to currently measured values.
  • the system parameters, building data and environmental data are transmitted to the input nodes of the neural network.
  • the neural network In a third determination step BS3, the neural network generates a control data set which can be used to control the building's supply technology.
  • the control data set is determined based on a connection learned by the neural network between the system parameters, the building data and the environmental data with control data, which can be used to control the supply technology.
  • the control data set generated by the neural network is used as input value for a classic mathematical model to control the building's supply technology.
  • optimized control data for the building's supply technology is generated based on the control data set.
  • the control data generated based on the control data set is used to control the supply technology.
  • the climatic conditions within the building mentioned with reference to FIG. 1 can thus be achieved as energy-efficiently and/or cost-efficiently as possible.
  • due to the accelerated calculation by the neural network it is possible to react to short-term weather changes or short-term changes in the energy price by appropriately adjusting the control data set.
  • the neural network used to carry out the method of the embodiment of FIG. 2 may have been trained according to the method of the embodiment of FIG. 1.
  • FIG. 3 shows schematically a control device 10 for controlling a supply technology 30 of a building by means of a neural network 12.
  • the control device 10 includes a computer-readable, non-volatile storage medium 14 on which the neural network 12 is stored.
  • the neural one Network 12 can access a computing unit (not shown) of the control device 14 for data processing.
  • the control device 10 further comprises an input device 16, which is designed to receive system parameters 18 of the supply technology 30.
  • the input device 16 is also designed to receive building data 20 and environmental data 22 of the building.
  • the input device 16 transmits the system parameters 18, the building data 20 and the environmental data 22 as input data 24 to the neural network 12.
  • the neural network Based on the input data 24, the neural network generates a control data set 26.
  • the control data set 26 is generated by the neural network 12 based on a relationship learned by the neural network 12 between the system parameters 18, the building data 20 and the environmental data 22 with control data, which is used for control the supply technology 30 can be used.
  • the neural network 12 transmits the control data set 26 to an output device 28.
  • the output device 28 transmits the control data set 26 to the supply technology 30 of the building, not shown.
  • the control data set 26 can be used to optimize energy consumption and/or the energy costs of the supply technology 30. Alternatively or additionally, the control data set 26 can be used to achieve a target performance of the supply technology 30.
  • the control device 10 shown in FIG. 3 can be used to train the neural network according to the exemplary embodiment of FIG. 1.
  • a super-neural network is a neural network that is trained with training data which comes from several sub-areas of a building or one or more buildings whose supply technology, for example, has comparable or scalable values .
  • Each of the sub-areas of the building can be supplied by the supply technology independently of the other sub-areas of the building, so that different climatic conditions prevail in each of the sub-areas.
  • each of the sub-areas can have different building data, for example one have different numbers and/or types of windows and/or different wall thicknesses.
  • each of the several buildings can be supplied by an independent supply technology, so that different climatic conditions and different building data exist in each of the buildings.
  • the super-neural network can therefore be trained taking into account all areas of the building and/or several buildings.
  • the super-neural network can, for example, be trained with the data from three buildings and be used to control the supply technology of another building using appropriately adapted building data.
  • the super neural network 112 is used to control a supply technology 50 of a building 40.
  • Building 40 is the office building mentioned with reference to FIG.
  • the building 40 is divided into several sub-areas 42, 44, 46, 48.
  • the subareas are the individual offices 42, 44, 46 and 48 of the building 40.
  • the building 40 can be divided into further and/or other subareas, for example several floors.
  • the climatic conditions of the sub-areas 42, 44, 46 and 48 are controlled by the supply technology 50. Different climatic conditions can prevail in each of the sub-areas 42, 44, 46 and 48.
  • each of the sub-areas 42, 44, 46 and 48 can be supplied by the supply technology 50 via a separate heating pipe with variable temperature control assigned to the respective sub-area 42, 44, 46, 48 and/or a separate one assigned to the respective sub-area 42, 44, 46, 48 assigned ventilation system can be supplied with variable air flow.
  • the building data can be different in each of the subareas 42, 44, 46 and 48 of the building 40.
  • the number of windows in each of the subareas 42, 44, 46 and 48 may be different.
  • the super-neural network 112 receives a training data set 60, 62, 64 and 66 from each of the sub-areas 42, 44, 46 and 48 of the building 40.
  • the training data sets 60, 62, 64 and 66 are generated according to the exemplary embodiment of FIG.
  • the super neural network 112 Based on the training data sets 60, 62, 64 and 66, the super neural network 112 generates a control data set 70, which is used to control the supply technology 50 of building 40 can be used as described above.
  • the control data record 70 is generated according to the exemplary embodiment of FIG. 2.
  • the super-neural network 112 can thus generate the control data set 70 for the supply technology 50, although the super-neural network 112 was not trained with control data for the entire building 40.
  • the super neural network 112 can determine the control data for the entire building 40 from the control data for the individual subareas 42, 44, 46 and 48 of the building 40.
  • the supply technology 50 can be controlled in such a way that the climatic conditions explained with reference to FIG. 1 can be set as energy-efficiently as possible in each of the sub-areas 42, 44, 46 and 48 of the building 40.
  • different climatic conditions can be generated by the supply technology 50 in each of the subareas 42, 44, 46 and 48 of the building 40 using the control data set 70.
  • the super neural network 112 may receive a training data set from one or more additional buildings.
  • the training data set is generated according to the exemplary embodiment in FIG. 1.
  • the super neural network 112 Based on this training data set, the super neural network 112 generates a control data set, which can be used to control the building's supply technology as described above.
  • the control data record is generated according to the exemplary embodiment in FIG. 2.
  • the super neural network 112 Based on the training data set received from one or more buildings, the super neural network 112 can thus generate the control data set for the building's utility technology, even though the super neural network 112 was not trained with control data from this building.
  • the super neural network 112 may determine the control data for the building based on the control data included in the training data set obtained from one or more buildings.
  • the super neural network 112 can alternatively be trained with training data that comes from a plurality of subareas of the supply technology 50 of the building 40.
  • the super neural network 112 generates for each of the sub-areas of supply technology 50 a control data record. These control data sets can be used to control the respective sub-area of supply technology.
  • the different sub-areas of the building 40 and/or the different sub-areas of the supply technology 50 can be taken into account.
  • the trained super-neural network 112 can thus be used to control the supply technology 50 for each of the sub-areas of the building as well as for the entire building.

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

Steuerung einer Versorgungstechnik eines Gebäudes mittels eines neuronalen Netz- werks
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 Rege- lungs- 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 T rainieren 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 System parameter 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 Auswahlen 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 System parameter, 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-Korrelations- koeffizient 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 System Parametern der Versorgungstechnik auf. Die System parameter 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 Matenalzusammensetzung 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 Matenalzusammensetzung 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
Fig. 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.
Fig. 2 zeigt ein Ablaufdiagramm mit Schritten eines Verfahrens zur Verwendung eines neuronalen Netzwerks zur Steuerung einer Versorgungstechnik eines Gebäudes.
Fig. 3 zeigt schematisch eine Steuereinrichtung zur Steuerung einer Versorgungstechnik eines Gebäudes mit einem neuronalen Netzwerk.
Fig. 4 veranschaulicht schematisch eine Funktionsweise eines super-neuronalen Netzwerk.
Detaillierte Beschreibung von Ausführungsformen
Fig. 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 Fig. 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 Fig. 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 Fig. 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 Fig. 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 Fig. 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 Fig. 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 Fig. 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.
Fig. 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 System parameter sind dabei die gleichen Parameter, mit denen das neuronale Netzwerk gemäß der Ausführungsform der Fig. 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 System parameter in das neuronale Netzwerk eingegeben. Die Gebäudedaten und Umgebungsdaten sind dabei die gleichen Parameter, mit denen das neuronale Netzwerk gemäß der Ausführungsform der Fig. 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 Fig. 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 Fig. 2 verwendete neuronale Netzwerk kann gemäß dem Verfahren der Ausführungsform der Fig. 1 trainiert worden sein.
Fig. 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 Fig. 3 dargestellte Steuereinrichtung 10 kann zum Trainieren des neuronalen Netzwerks gemäß des Ausführungsbeispiels der Fig. 1 verwendet werden.
Die Fig. 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 Wanddik- ken 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 Fig. 1 genannte Bürogebäude.
Das Gebäude 40 ist in mehrere Teilbereiche 42, 44, 46, 48 aufgeteilt. In der Fig. 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 Fig. 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 Fig. 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 Fig. 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 Fig. 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 Fig. 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

Patentansprüche
1. 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 System Parametern (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.
2. Verfahren zum Trainieren eines neuronalen Netzwerks (12; 112) nach Anspruch 1 , wobei die bereitgestellten System parameter (18), Gebäudedaten (20), Umgebungsdaten (22) und/oder Steuerungsdaten historische Werte sind und/oder synthetisch erzeugt werden.
3. 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.
4. 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.
5. 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.
6. 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.
7. 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.
8. Verfahren zur Verwendung eines neuronalen Netzwerks (12; 112) nach Anspruch 7, wobei die System parameter (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.
9. 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.
10. 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.
11. 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.
12. 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 Matenalzusammensetzung 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).
13. 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.
14. 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.
15. 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.
PCT/EP2023/069463 2022-07-15 2023-07-13 Steuerung einer versorgungstechnik eines gebäudes mittels eines neuronalen netzwerks WO2024013287A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102022117763.7 2022-07-15
DE102022117763.7A DE102022117763A1 (de) 2022-07-15 2022-07-15 Steuerung einer Versorgungstechnik eines Gebäudes mittels eines neuronalen Netzwerks

Publications (1)

Publication Number Publication Date
WO2024013287A1 true WO2024013287A1 (de) 2024-01-18

Family

ID=87377702

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2023/069463 WO2024013287A1 (de) 2022-07-15 2023-07-13 Steuerung einer versorgungstechnik eines gebäudes mittels eines neuronalen netzwerks

Country Status (2)

Country Link
DE (1) DE102022117763A1 (de)
WO (1) WO2024013287A1 (de)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170185057A1 (en) * 2011-04-14 2017-06-29 Suntracker Technologies Ltd. System and method for the optimization of radiance modelling and controls in predictive daylight harvesting
US20190236446A1 (en) * 2018-01-29 2019-08-01 Lawrence Livermore National Security, Llc Optimization control technology for building energy conservation
US20200379417A1 (en) * 2019-05-29 2020-12-03 University Of Washington Techniques for using machine learning for control and predictive maintenance of buildings
US20210285671A1 (en) * 2017-04-25 2021-09-16 Johnson Controls Technology Company Predictive building control system with discomfort threshold adjustment

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170185057A1 (en) * 2011-04-14 2017-06-29 Suntracker Technologies Ltd. System and method for the optimization of radiance modelling and controls in predictive daylight harvesting
US20210285671A1 (en) * 2017-04-25 2021-09-16 Johnson Controls Technology Company Predictive building control system with discomfort threshold adjustment
US20190236446A1 (en) * 2018-01-29 2019-08-01 Lawrence Livermore National Security, Llc Optimization control technology for building energy conservation
US20200379417A1 (en) * 2019-05-29 2020-12-03 University Of Washington Techniques for using machine learning for control and predictive maintenance of buildings

Also Published As

Publication number Publication date
DE102022117763A1 (de) 2024-01-18

Similar Documents

Publication Publication Date Title
EP1934665B1 (de) Vorrichtung zur steuerung einer raumtemperatur in einem gebäude unter verwendung einer prädiktiven steuereinrichtung
DE602005002839T2 (de) Ablaufplanung von industriellen produktionsprozessen
DE10013447C1 (de) Verfahren zur Steuerung des Klimas in einem wetterabhängigen Gebäude- oder Anlagenbereich
DE69908977T2 (de) Prozesseinrichtungsteuersystemwelches eine effiziente prädiktionsform anwendet und verfahren zum betreiben desselben
DE102017205033B4 (de) Verfahren und System zum internetgestützten Optimieren von Parametern einer Heizungsregelung
DE112012003487T5 (de) System und Verfahren zur Optimierung des Betriebs eines Wassernetzes
DE102015206510A1 (de) Koordination eines Leistungsaustauschs zwischen einem Verbraucher und einem Versorgungsnetz unter Verwendung von Energiebedarfs-/Energieerzeugungsprognosen
DE10392599T5 (de) Verfahren zur Steuerung eines Zielsystems
EP2818803B1 (de) Verfahren zur Regelung des Klimas in einem Gebäude mittels zumindest einer Haus- oder Verfahrenstechnischen Anlage
DE102007030492A1 (de) Gebäudemodellbasiertes prädiktives Regelverfahren zum Heizen eines begrenzten Systems
EP2901538A1 (de) Verfahren und system zum betreiben eines elektrischen energieversorgungsnetzes
EP4185928A1 (de) Stellungsregler selbstbewertung für digitalen zwilling
DE19747592A1 (de) Verfahren zur Regelung einer Heizungsanlage
WO2024013287A1 (de) Steuerung einer versorgungstechnik eines gebäudes mittels eines neuronalen netzwerks
DE102017209084A1 (de) Verfahren und System zur Verbesserung einer Energieeffizienz eines in Planung befindlichen Gebäudes
DE102011075337A1 (de) Verfahren und Vorrichtung zur Ansteuerung einer Anlage
DE102011007434A1 (de) Simulationsmodell für eine Windenergieanlage sowie Erstellung und Verwendung
EP3432093A1 (de) Verfahren zur modellierung eines dynamischen systems durch rechnergestütztes lernen von datengetriebenen modellen
EP4145243A1 (de) Verfahren und system zur steuerung von lasten in einem gebäude
EP3168540A1 (de) Verfahren zum durchführen eines automatisierten hydraulischen abgleichs, ventil und heizungsanlage hierzu
EP4080724A1 (de) Topologieidentifikation von zählerstrukturen eines energiesystems
DE102020212185A1 (de) Auslegung einer gebäudetechnischen Ausrüstung in Bezug auf einen thermischen Energiebedarf eines Gebäudes
WO2022167522A1 (de) Datenträger, testumgebung sowie verfahren zur simulation eines komforterlebnisses eines gebäuderaums
EP4036488A1 (de) Verfahren und anordnung zum abgleichen eines raumklimas mit klimapräferenzen von raumnutzern
EP3673333A1 (de) Verfahren und vorrichtung zum rechnergestützten bestimmen von gebäudeautomatisierungsparametern eines gebäudes

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23742249

Country of ref document: EP

Kind code of ref document: A1