Home

Modellbasierte Methoden für die Fehlererkennung und

Contents

1. Register Beschreibung Umrechnung Werkseinstellung analog digital Steig 10 d h 16 1 6 Niv 10 d h 100 10 1205 Steigung Vorlauf Heizkennlinie 1206 Niveau Vorlauf Heizkennlinie 18 1 8 e Parametrierung des Reglers ber ModBus Protokoll e F r jedes Register wird eine Rechner Anweisung und jeweils eine Modbus Anweisung zum Schreiben und eine zum Lesen ben tigt e Inder Rechner Anweisung wird der zuschreibende Wert eingetragen e Die Modbus Anweisungen zum Schreiben sind alle nach dem gleichen Prinzip aufgebaut o Aussagekr ftiger Name o Adresse ID der passenden Rechner Anweisung Name HEIRATET m o Angepasster Speicher und Messzyklus z B 1 Min o im Eingabefeld Adresse ModBus Anweisungen muss die Modbus Adresse Stationsadresse des Reglers eingetragen werden o Modbus Funktion 0x06 Write Single Register o Anzahl der Worte 1 immer beim Schreiben von Registern o Parameter Index gibt an an welcher Stelle des Modbus Registers ein Wert geschrieben werden soll Fraunhofer ISE 05 07 2011 Anhang Seite XLII Modellbasierte Methoden fur Fehlererkennung und Optimierung Beispiel Modbus Anweisung Modbus Anweisungen Go Vorbefeht 1 00 e re Hysterese U UU0 0 64 000 Funktion 10x06 Write Single Register Steuerungs ID im Inverse Daten Baud 3600 Adresse 1 0 255 Paritat Nane N Anzahl worte 1 128 Schnitts
2. Shelley Bambrook Dirk Jacob Fraunhofer ISE Oktober 2008 o BauSim2008 Universitat Kassel 08 10 09 2008 Paper eingereicht und akzeptiert Modellbasierte Betriebsanalyse Schritte bei der Gebaudeanalyse Dirk Jacob Sebastian Dietz Christian Neumann Sebastian Herkel Fraunhofer ISE o BuildSim2010 New York 12 14 08 2010 Uncertainty analysis in building simulation with Monte Carlo techniques Sebastian Burhenne Dirk Jacob Anthony Florita Gregor P Henze Fraunhofer ISE University of Colorado at Boulder o BuildSim2010 New York 12 14 08 2010 Optimizing building energy simulation models in the face of uncertainty Dirk Jacob Sebastian Burhenne Anthony Florita Gregor P Henze Fraunhofer ISE University of Colorado at Boulder e Weiterverbreitung o EU Projekt IEE SAVE Building EQ www buildingeq eu Fraunhofer ISE 05 07 2011 Anhang Seite IX Modellbasierte Methoden fur Fehlererkennung und Optimierung D _ Flie bilder Prozessschritte Fraunhofer ISE 05 07 2011 Anhang Seite X Modellbasierte Methoden fur Fehlererkennung und Optimierung St ndliche Verbrauchsdaten vorhanden Monatliche Verbrauchsdaten vorhanden 1 Start hrli Messtechnik J hrliche l Verbrauchs daten korrekt installiert vorhanden 2 Analyse Nein Nein 3 Ma nahme 4 N chster 1 4 1 Schritt gt Nach 12 Monaten Schritt 1 Benchmarking Fraunhofer ISE 05 07 2011 gt 9 Mon
3. Ennovatis Messdatenverwaltung ee ee ee ae ee l Abbildung 84 Grundstruktur ennovatis Controlling In der Praxis existieren verschiedene Sensoren und Techniken um physikalische Gr en aufzunehmen Gew hnlich werden diese Sensoren entweder in einem Datenlogger erfasst und in zyklischen Perioden oder nach Bedarf z B nach einer Ver nderung im Speicher des Loggers abgelegt oder sie liegen in einem lokalen Netzwerk einem Feldbus ohne Datenlogger vor Wir unterscheiden daher zwei grunds tzlich verschiedene Arten von Datenerfassungssystemen Speichernde Datenquellen Datenlogger und Nicht speichernde Datenquellen z B Feldbussysteme ohne interne Logger e nach Polling Prinzip es wird st ndig nachgefragt ob sich etwas ge ndert hat e nach Advising Prinzip Die Datenquelle benachrichtigt das ennovatis Controlling automatisch bei einer nderung Mit ennovatis Controlling k nnen beide Arten gleicherma en erfasst werden Im ersten Fall Abbildung 84 muss der meist weit entfernte Datenlogger ber Modem GSM oder ISDN zyklisch nach bestimmten Regeln angew hlt werden um seinen internen Speicher auslesen zu k nnen Im zweiten Fall ben tigt ennovatis Controlling eine kontinuierliche Verbindung zum lokalen oder per Standleitung entfernten Feldbussystem um die dort vorliegenden Messwerte online abfragen und abspeichern zu k nnen ennovatis Controlling wird damit zum flexiblen Software Datenlogger der nach de
4. S Selkowitz Building Performance Assessment using On Line Simulations 2003 J N Holst Using whole building simulation models and optimizing procedures to optimize building envelope design with respect to energy consumption and indoor environment Eighth International IBPSA Conference Eindhoven Netherlands 2003 p 507 514 O Baumann Design and Optimization of Control Strategies and Parameters by Building and System Simulation 2003 H yun H Xing L K Norford and S Anderson Building Load Control and Optimization By Massachusetts Institute of Technology 2004 P G P Henze Optimale Betriebsf hrung von Nutzgebauden 8 Bibechacher Forum Gebdudetechnik Hochschule Biberach 2007 Bianchi Adaptive Modellbasierte Pradikitive Regelung einer Kleinwarmepumpenanlage ETH Z rich 2003 VDI VDI 3807 Energieverbrauch skennwerte f r Geb ude Heiz und Stromverbrauchskennwerte 1998 ages GmbH Verbrauchskennwerte 2005 2007 ARGE Benchmark Benchmarks fiir die Energieeffizienz von Nichtwohngebduden 2007 Institut fur Erhaltung und Modernisierung von Bauwerken e V IEMB Datenbank zu Energieverbrauchkennwerten von Gebauden des Bundes der Lander und Kommunen 2006 Verordnung zur nderung der Energieeinsparverordnung Bundesgesetzblatt Jahrgang 2009 Teil I Nr 23 2009 Fraunhofer ISE 05 07 2011 Anhang Seite VI 59 60 61 62 63 Mo
5. Stufe 1 Ubersicht Uber die Analyseschritte des Verfahrens Name Benchmarking Bestandsdatenerfass Fehlererkennung und Betriebsuberwachung ung und Ermittlung Optimierung Zielwert Zertifizierung Beschreibung Grobe Detaillierte Analyse des Aufrechterhalten des Zusammenstellung Bestandsdatenerfass Gebaudebetriebs optimierten Betriebs Verbrauchs und Bestandsdaten Erste Einordnung erste Baseline ung und Erstellung des Bedarfsausweis DIN 18599 Identifikation und Umsetzung von Einsparma nahmen Optimierung des Betriebs Bestandsdaten Grobe Entsprechend DIN Wie Stufe 2 weitere Keine zus tzlichen Geb udebeschrei 18599 f r Detailuntersuch bung Baujahr ungen nur wenn Fl chen Nutzung notwendig Messdaten Abrechnungen Keine Mindestdatensatz Minimal m glicher Z hlerablesungen st ndlich weitere Datensatz j hrlich monatlich f r Detailuntersuch ungen nur wenn notwendig Analyse Benchmarks e Detaillierte Verschiedene berwachung des j hrlich Energiebilanz Verfahren f r Energieverbrauchs als Energiesignaturen oo Hauptindikator a e Prim renergiebed e Fehlererkennung p monatlich arf und Diagnose e Aufwandszahlen e Optimierung zus tzliche Keine Installation der Umsetzung von Keine Arbeiten Datenerfassung Energiesparma Datentransfer f r nahmen st ndliche Daten Ergebnisse Erste Einordnung e Bedarfsausweis e Fehlerfreier Nachhaltig erste Baseline optimierter Betr
6. Typischerweise wird CC als mehrstufiger Prozess beschrieben Das Continuous Commissioning Guidebook beschreibt die Phasen des CC folgenderma en e Erarbeitung eines CC Plans e Erarbeitung eines detaillierten Arbeitsplans Beschreibung der Aufgaben und Ziele Spezifikation des Monitorings etc e Identifikation des Projektteams e Kl rung der Aufgaben der Teammitglieder e Entwicklung von Baselines des Anlagenbetriebs e Dokumentation der Komfortbedingungen und Probleme e Dokumentation der Anlagen und des Anlagenbetriebs und etwaiger Probleme 4 Unter Baseline versteht man eine modellhafte und quantitative Beschreibung des Gebaudebetriebs vor der Umsetzung von EinsparmaBnahmen Ein typisches Beispiel ist die Baseline tur den Jahres Heizenergiebedarf die z B als Mittelwert des witterungs und gegebenenfalls nutzungsbereinigten Verbrauchs der letzten 3 5 Jahre definiert wird Fraunhofer ISE 05 07 2011 Seite 9 Modellbasierte Methoden fur Fehlererkennung und Optimierung e Dokumentation des Energieverbrauchs e Einf hrung des Energie und Anlagenmonitorings und Ableitung von Verbesserungsma nahmen e Identifikation der bestehenden Probleme im Anlagenbetrieb Betriebszeiten Sollwerte etc e Erarbeitung von Verbesserungsma nahmen L sungen f r bestehende Probleme nicht und gering investive Ma nahmen e Identifikation von kosteneffizienten investiven Verbesserungsma nahmen Austausch von Anlagen etc e Ums
7. 1 Erfassungsjahr 2 Erfassungsjahr 4 Erfassungsjahr Haupnutzung 5 Haupnutzung amp Fraunhofer ISE 05 07 2011 Anhang Seite XXVI Modellbasierte Methoden fur Fehlererkennung und Optimierung G Checkliste Stufe 2 Fraunhofer ISE 05 07 2011 Anhang Seite XXVII Modellbasierte Methoden fur Fehlererkennung und Optimierung Fraunhofer ISE ModBen HE EHEM Datenerfassung Stufe 2 EM od B e n EHEH HE Anleitung Allgemeines Die folgenden Tabellenbl fter sollen zur detailberten Datenerfassung in Stufe 2 des Projekis ModSen verwendet werden um im Anschluss die Zertifizierung nach EnEW bzw DIN V 18599 durchf hren zu k nnen Die Aufnahme der Daten teilt sich in den Teil sebaude Zonen Anlagen und den Teil Bauteile ge Voraussetzungen Um ein Modell des Geb udes mit der ennowatis Software erstellen und die Tabellendlatter vollst ndig ausf llen zu konnen werden m glichst folgende Unterlagen benotigt Planunterlagen out Grundnssen Ansichten Schnitten und Lageplan m glichst in elektronischer Form dwg dxf oder auf Papier in M 1 100 Angaben zum Auf amp au der Bauteile bzw deren Qualitat Wandaufbauten Fensterarten Schemata zu den Gewerken Heung L ftung Sar tar Elektra mit Angaben zu Mennleistungen Durchfl ssen Solternperaturen etc Art der Geb udesutomation und Struktur der vorhandenen Energiezahler vorhandene W rmeschutznachweise Tabellenbilatt Daten Geb ude Zonen In diesem Tabel
8. Normalerweise werden MPC Regelungen verwendet um Systeme zu Regeln deren Regelungsdynamik starken Schwankungen unterliegt wie z B berschallflugzeugen Geb ude zeigen normalerweise keine stark wechselnde Regelungsdynamik In anderen Bereichen wird MPC heute schon h ufiger eingesetzt z B Verbrennungsprozesse Papiermaschinen und Zementwerken Dort wird ohne MPC keine ausreichende Regelg te erreicht und die Dynamik dieser Systeme ist langsam genug um die Optimierung bei jedem Zeitschritt in Echtzeit durchzuf hren Dies gilt auch f r Geb ude und Geb udesysteme In 52 wird Online Optmierung als zeitabh ngige Betrachtung der Betriebsoptimierung bezeichnet Unter diesem Oberbegriff werden modellbasierte pradiktive Regelung Model Based Control MBC Modell Freie lernende Regelung Reinforcement Learning Control RLC und Hybrid Modell Basierte lernende Regelung Hybrid Learning Control HLC eingeordnet Die Tauglichkeit dieser Konzepte konnte dort gezeigt werden Der Vorteil der lernenden Regelungen ist die leichte Implementierbarkeit Jedoch sind die bislang extrem langen Trainingszeiten in der Praxis nicht hinnehmbar Fazit Die Zielfunktionen bei der Geb udebetriebsoptimierung weisen Eigenschaften auf die eine Optimierung erschweren Sie k nnen nicht differenzierbar und sogar nicht stetig sein Deshalb ist die Optimierung mit klassischen hoch effektiven gradientenbasierten Optimierungsmethoden wie z B dem Preconditioned Conjug
9. 7 Kl bin r erkennung Klassifizierung mation verteilung mation Polyno Geome mische trische Klassifi Klassifi zierung zierung Entschei Bayessche Predicate Fuzzy logic logic dungs Klassifizie tabelle rung Abbildung 18 Klassifizierung der Methoden zur Fehlerdiagnose 17 FED im Bereich Geb udetechnik Wie bereits erw hnt ist die Forschung und Anwendung von Techniken zur Fehlererkennung und Diagnose in Geb uden eine relativ junge Disziplin Das zunehmende Forschungsinteresse in diesem Bereich ber die letzten 10 15 Jahre l sst sich unter anderem anhand der Schwerpunktsetzung der Internationalen Energie Agentur IEA in verschiedenen Annexen im Programm Energy Conservation in Buildings and Community Systems ECBCS zeigen 5 2 1 Literaturrecherche Eine aktuelle bersicht ber den Stand der FED im Geb udebereich auch unabh ngig von den IEA ECBCS Annexen gibt Katipamula 1 In einem zweiteiligen Artikel wertet er ber 100 Ver ffentlichungen zum Thema aus Er stellt fest dass die meisten der zum Zeitpunkt der Ver ffentlichung 2004 abgeschlossenen Studien sich mit einzelnen Komponenten bzw Systemen besch ftigen In seinem Artikel stellt er daher nur Arbeiten vor die sich mit Kompaktklimager ten W rmepumpen Kompressionsk ltemaschinen und L ftungsanlagen besch ftigen Die meisten der Untersuchungen verwenden vereinfachte physikalische Modelle White Box oder Black Box Modelle in Form von
10. A EE Fels gi ra Ld H a n ii Damga po PULJ z a E E m fd Cale meann REEERE Tarlolaral a Pte Anhang Seite XXXIV peia al Daie Tya l Wr a hade ote Da bria Fraunhofer ISE 05 07 2011 Modellbasierte Methoden fur Fehlererkennung und Optimierung H Flie schema des Algorithmus zur automatischen Fehlerdetektion Training Start Training Start 3 months of 15 mirv l h data 1 275 days Compile data to daily values Outlier test on temperature series T1 12 Feature Generation Create daily feature vectors for heat electricity and water Create 7 dusters for each day of the week containing the feature vectors T3 Do outher test of features in clusters Feature Standardistaron Standardise features Do outlier test of standardised features in clusters 14 Outliers found Day typing Compute dissimilarity coetticaent dc for each T5 possible cluster combination Merge closest clusters Remaining clusters are the day types and serve as individual variables to the regression Regression model The change Dont is calculated The regression model is chosen by using the stepi function Save model as model 2 Fraunhofer ISE 05 07 2011 Start Validation 1 day of new data until 1 year of data is reached i 276 365 V 1 Feature Generation and Standardisation Create features from the
11. Die Kosten des Verfahrens setzen sich zusammen aus den Kosten f r die Einrichtung der Messtechnik und der Daten bertragung und aus Personalkosten zur Betreuung des Systems Die Kosten f r die Einrichtung der Messtechnik und der Daten bertragung k nnen aufgrund der Abrechnung mit dem jeweils ausf hrenden Unternehmen vom Projektteam eindeutig benannt werden Die Personalkosten hingegen k nnen nicht benannt werden da im Rahmen des Projekts aufgrund der notwendigen Entwicklungsarbeiten je Objekt ein deutlich h herer Personalaufwand betrieben wurde als er in der sp teren Anwendung des Verfahrens sinnvoll erscheint Daher wurde ausgehend von den Kosten f r die Messtechnik und Daten bertragung und der ber das Verfahren ermittelten Energiekosteneinsparung der m gliche Umfang der Personalkosten zur ckgerechnet wenn eine statische Amortisationszeit von 3 Jahren zu Grunde gelegt wird Tabelle 30 zeigt einen berblick ber die Ergebnisse f r die Demonstrationsgeb ude Dabei ist zu beachten dass bei dieser Betrachtungsweise nicht alle Ans tze wie in Kapitel 8 beschrieben einzeln bewertet werden Dies ist aufgrund des unterschiedlichen Stands der Entwicklung nicht m glich Vielmehr soll die bersicht das wirtschaftliche Potenzial des Verfahrens bzw von Continuous Commissioning insgesamt deutlich machen Unter Ber cksichtigung dieser Vorbemerkung kann aus den Ergebnissen in Tabelle 30 folgendes abgelesen werden Die Geb ude D
12. Ya Fraunhofer ISE Modellbasierte Methoden fur die Fehlererkennung und Optimierung im Gebaudebetrieb Endbericht TAG ChN DJ Il 01 HE EHE E BModBen HEN EN Bearbeiter Christian Neumann Dirk Jacob Sebastian Burhenne Anthony Florita Eberhard Burger Fritz Schmidt Freiburg Juli 11 Modellbasierte Methoden fur Fehlererkennung und Optimierung HE EHE E BModBen HEN EB ModBen Modellbasierte Methoden fur die Fehlererkennung und Optimierung im Gebaudebetrieb wurde durch das Bundesministerium f r Wirtschaft und Technologie BMWi im Rahmen des Programms EnOB Energieoptimiertes Bauen gef rdert EnOB Energieoptimiertes Bauen EnBOP Energetische Betriebsoptimierung F rderkennzeichen 0327410A C EnBop Fraunhofer ISE 05 07 2011 Seite Modellbasierte Methoden fur Fehlererkennung und Optimierung LISTE DER AUTOREN Fraunhofer ISE Christian Neumann Dirk Jacob Sebastian Burhenne Nicolas R hault Susanne Komhard t Sebastian Dietz ennovatis Fritz Schmidt HSG Zander Eberhardt Burger University of Colorado Boulder Gregor Henze Anthony Florita Fraunhofer ISE 05 07 2011 Seite Il Modellbasierte Methoden fur Fehlererkennung und Optimierung Inhalt ZUSAMMENFASSUNG 1 EINLEITUNG 2 PRAXIS DES GEBAUDEBETRIEBS 2 1 Ubliche Praxis 2 2 Continuous Commissioning Kontinuierliche Betriebs berwachung 3 ZIELE UND STRUKTUR VON MODBEN 3 1 Ziele des Projekts 3 2 A
13. au er in der Forschung praktisch noch nicht verwendet Weitere Forschung und Entwicklung erscheint sinnvoll Organisatorische Aspekte Einbindung in der Geb udebetrieb Neben den technischen Aspekten spielen die organisatorischen Aspekte eine wichtige Rolle f r den Erfolg der Betriebsanalyse von Geb uden Zust ndigkei ten m ssen gekl rt sein die notwendigen Prozesse m ssen dokumentiert und nachverfolgt werden Auch hier erscheint es sinnvoll ber Vereinheitlichung nachzudenken und entsprechende Werkzeuge f r die Nachverfolgung der Prozesse zu entwickeln Fraunhofer ISE 05 07 2011 Seite 4 Modellbasierte Methoden fur Fehlererkennung und Optimierung 1 Einleitung Der Geb udesektor Ist verantwortlich f r ber 40 des europ ischen Energieverbrauchs Gleichzeitig liegt das Energie Einsparpotenzial im Bereich der Betriebsf hrung d h im Bereich nicht bzw gering investiver Ma nahmen bei 5 30 Dies gilt insbesondere f r den Bestand an Nicht Wohngeb uden Allerdings ist es heute im Bereich der technischen Anlagen f r Geb ude g ngige Praxis dass keine kontinuierliche berwachung im Sinne der Sicherstellung oder Erreichung eines energieeffizienten Betriebs stattfindet Wartung beschr nkt sich lediglich auf die Sicherstellungen der prinzipiellen Funktionalit t z B warme bzw k hle R ume Selbst bei Neubauten wird ein energieoptimierter Betrieb durch die Inbetriebnahme oftmals nicht erreicht H ufig re
14. aus heutiger Sicht praxistauglich haben sich f r diesen Zweck modellbasierte Methoden zur Fehlererkennung auf Basis von Black Box Modellen erwiesen 8 9 Diese erlauben prinzipiell eine einfache und automatisierte Erkennung von ungew hnlichen Betriebszust nden Auch rein regelbasierte Methoden zur Fehlererkennung und Diagnose von Subsystemen erscheinen praxistauglich wurden im Projekt jedoch nicht explizit betrachtet Bei Verwendung von modellbasierten Methoden zur Fehlererkennung und Diagnose und Optimierung die mit White Box oder Gray Box Modellen arbeiten wurde deutlich dass diese gro e Potentiale zur Betriebsanalyse bieten jedoch in Ihrer Anwendung insbesondere was die Erstellung und Kalibrierung des Modells betrifft noch zu aufwendig f r den praxisnahen Einsatz erscheinen In diesem Zusammenhang kann auch erw hnt werden dass die Interoperabilitat im Sinne eines standardisierten und nahtlosen elektronischen Informationsaustauschs im Geb udebereich generell kritisch ist Neben den Messdaten betrifft das insbesondere die Strukturdaten des Geb udes also Informationen etwa zum Aufbau der Geb udeh lle oder zur Struktur der haustechnischen Anlagen Auch die EnEV bzw der Energieausweis kann derzeit an dieser Situation wenig ndern da f r Bestandsgeb ude nur selten ein Energiebedarfsausweis ausgestellt wird da keine Pflicht und somit keine Strukturdaten erhoben werden Neben den technischen Problemen traten e
15. 10 was auch durch Analysen des Betriebes best tigt wird Fraunhofer ISE 05 07 2011 Seite 187 Modellbasierte Methoden fur Fehlererkennung und Optimierung Fraunhofer ISE 05 07 2011 Seite 188 Modellbasierte Methoden fur Fehlererkennung und Optimierung 9 Ergebnisse der Analyse Il In diesem Kapitel werden die Ergebnisse der Analyse der Geb ude und die identifizierten bzw umgesetzten Verbesserungs und Einsparpotenziale dargestellt Die Analyse der Geb ude wurde im Schwerpunkt anhand der Datenvisualisierung vorgenommen Die daraus gewonnen Erkenntnisse sind in die Evaluation der Ans tze und Werkzeuge die in Kapitel 8 dargestellt worden sind eingeflossen Da die Analyseschritte der Stufen 1 Benchmarking und Stufe 2 Ermittlung Zielwert des Energieverbrauchs sich nur bedingt als hilfreich f r die Analyse erwiesen haben siehe 8 2 und 8 3 war die systematische Auswertung der Messdaten der n chste Schritt in der Systematik gem Kapitel 7 Die anderen in Kapitel 8 beschriebenen Ans tze wurden jeweils an ausgew hlten Geb uden erprobt Die Analyse anhand der systematischen Datenvisualisierung diente in diesem Sinne dazu den Betrieb der Geb ude im Detail zu erfassen um eine Evaluation anderer Verfahren im realen Betrieb berhaupt zu erm glichen Im Rahmen des Projekts wurden f r die Geb ude umfassende Berichte bzw Pr sentationen f r die Geb udebesitzer bzw Betreiber erstellt An dieser Stelle werden die Ergeb
16. Auswahl von Datenpunkten Man kann auch das Ergebnis einer Funktion verwenden Drucken Sie aut den Button Funktion um eine der in Tabelle 31 gezeigten Funktionen zu verwenden Die Funktionen k nnen ineinander verschachtelt werden Tabelle 31 Funktionen zur bearbeiten von Zeitreihen Absolutbetrag immer eine positive Zahl ohne Rundung auf eine ganze Zahl Kosinus Berechnung Argument in Grad Kosinus Hyperbolicus Exponentialfunktion exp 2 e wobei e die Eulersche Zahl darstellt if Anweisung zur Auswertung von Ausdr cken if Bedingung R ckgabewert bei Bedingung TRUE R ckgabewert bei Bedingung FALSE Nat rlicher Logarithmus log zur Basis e Logarithmus zur Basis 10 Negiert den Ausdruck R ckgabewert 1 falls 0 5 lt Ausdruck lt 0 5 sonst R ckgabewert 0 Generiert eine Zufallszahl In der Klammer wird der Bereich angegeben Pr ft ob der Ausdruck wahr ist R ckgabewert 0 falls 0 5 lt Ausdruck lt 0 5 sonst R ckgabewert 1 Alle Ausdr cke k nnen mit Hilfe der Operatoren miteinander verkn pft werden Ausdruck ist eine nat rliche Zahl R ckgabewert einer Referenz oder einer Funktion Fraunhofer ISE 05 07 2011 Seite 204 Modellbasierte Methoden fur Fehlererkennung und Optimierung Tabelle 32 Operatoren zur Verkn pfung von Zeitreihen Beschreibung Multiplikation Potenz x 2 entspricht x Addition Gleich Vergleich Liefert 1 falls der linke Ausdruck gleich dem rechten ist Sonst 0 Gr er Verg
17. Least Square Verfahren damped Gauss Newton Back propagation statischen Nichtlinearit ten am Ein oder Ausgang z B Regelglied mit Sattigungsverhalten beliebige nichtlineare Systeme Seite 28 Modellbasierte Methoden fur Fehlererkennung und Optimierung Statische lineare Modelle Modelle von statischen Prozessen sind zeit unabhangig Sie beschreiben den Zusammenhang von Eingangs und Ausgangsgr en f r station re Zust nde Lineare Black Box Modelle f r statische Prozesse stellen sich somit als einfache lineare Gleichungen dar y cdo d l a2U2 Anl n mit y Ausgangsgr e U1 Un Eingangsgr en Ao An Parameter Die Parameter dieser Modelle k nnen mit Hilfe von linearer multipler Regression Methode der kleinsten Fehlerquadrate oder Least Squares LS einfach und schnell gesch tzt werden Ein Beispiel f r Modelle dieser Art ist z B die Energiesignatur eines Geb udes Diese stellt einen linearen Zusammenhang zwischen dem Energieverbrauch und verschiedenen Einflussgr en wie z B Au entemperatur Strahlung und Betriebszeiten dar Siehe z B 16 Statische nicht lineare Modelle Nicht lineare statische Black Box Modelle stellen einen nicht linearen Zusammenhang zwischen Ein und Ausganggr en her H ufig werden Polynome als Modellstruktur verwendet Ein einfaches Beispiel mit nur einer Ein und Ausgangsgr e ist z B y ao aiU au anu Sowohl dieses Modell wie auch viele ander
18. Maike Scie um So en ee be re SiGe l en 2 22 123069 Fraunhofer ISE 05 07 2011 Anhang Seite XXXI Modellbasierte Methoden fur Fehlererkennung und Optimierung Pause IGE Building EQ Pai madili an Eatsnarfseeung amp bufe 2 Paki ch ren Get ada und Antegentschnlk eei ee pee pe Aa gg il f 2 i E nS F a f i ni ais Siri FA T alr i ja 1 eta Luna aes Maike Side um Zu Dal ee de ee sen 2 von 2 22 123080 Fraunhofer ISE 05 07 2011 Anhang Seite XXXII Fraunhofer ISE 05 07 2011 Modellbasierte Methoden fur Fehlererkennung und Optimierung Buiging Ea Cate meian Sluts 2 Peis garter Snl germerhnd ee ee Popp lahm ee eee Aalen Hei fo Bod ab ure raed nn E Fre K hlung ehr 4 Ard ond CUTI we EEA ee eee 1 1 1 1 EE EEEE Bo ES ee ne a nn ee eee PPR E ae el ay BE e A AS RE RE AL DE AG VERBERGEN N VD DR DS LS Wirmaecceuger KWH Antagen TH Gua Ob Mobi Sokarmlagen Paraka siioreche Wirsoorpe ges ieee BOA ec feline Ap ir zpekidsch Loiri reg el fmt a ra a ec ed L Arsch bo koe posse ai eS alee Dh 1 RR Fi ee a eS ee ee eee ee eee ee C FE VER gt EEE Se SS VRR SEN SE RE SEEN GE RY ES Fa FD BE BE DE DEN wiles I BEE n a Ion sung sangen ame amp 7 5 Fes E a OP EEE SE 0 GP PS SP PP a eB ee a BE BEE BE RR A Ee 1 1 eee 1 Baer an El ud nl E CS A NARBE RC DE DEN A
19. differenz Zuluft Au enluft dTsupa out Fraunhofer ISE 05 07 2011 Erscheinungsbild vereinfacht Diese Daten werden nur als Referenz gezeigt Typisches Erscheinungsbild A Das Muster der Zulufttemperatur ist abh ngig von den Betriebszeiten und der Regelstrategie der RLT Anlage Wenn die Anlage w hrend der blichen Gesch ftszeiten betrieben wird ergibt sich Muster A Wenn die Anlage auch an tags ber an Wochenenden betrieben wird zeigt sich Muster B bei durchgehendem Betrieb Muster C Allerdings ist das Erscheinungsbild des Musters auf stark abh ngig vom Standort der RLT Anlage bzw Der entsprechenden Sensoren da dies die C Temperaturen bestimmt die in Nicht Nutzungszeiten gemessen werden Wenn die Anlage bzw die Sensoren z B au erhalb der gedammten Geb udeh lle auf dem Dach des Geb udes steht folgen die gemessenen Zulufttemperaturen in Nicht Betriebszeiten der Au entemperatur Umgekehrt zeigen sich bei Anlagen die in temperierten Innenraumen untergebracht sind Temperaturen nahe der Raumtemperatur des Aufstellortes Dies kann sich entscheidend auf die Sichtbarkeit der Muster auswirken was bei der Analyse beachtet werden muss Saisonale nderungen Auch die saisonalen nderungen sind eng mit der Steuer und Regelstrategie verkn pft Die nderungen sind am markantesten wenn die Zuluft entweder gar nicht behandelt wird oder aber intensiv zur Heizung und K hlung der verso
20. energy heating energy cooling energy electric energy Volume temperature relative humidity solar irradiation control signal continuous 0 100 status 1 0 Anhang Seite XXXIX Modellbasierte Methoden fur Fehlererkennung und Optimierung J Optimierung an Heizungsanlagen durch Fernzugriff auf Heizungsregler In diesem Abschnitt wird die von ennovatis implementierte Optimierung der Heizungsregelung erl utert J 1 Anpassungen der Heizkennlinie J 1 1 Steigung und Niveau Anhang Abbildung 1 Steigungskennlinien Ein sehr wichtiger Punkt bei der Optimierung der Heizungsanlage ist die witterungsgef hrte Regelung da sich bei dieser die Vorlauftemperatur abh ngig von der Au entemperatur einstellt Dabei definiert die Heizkennlinie im Regler den Sollwert f r die Vorlauftemperatur als Funktion der Au entemperatur Es ist zwingend notwendig dass die Au entemperatur entweder an einem Au ensensor gemessen oder mittels O bis 10V Eingang empfangen wird In Anhang Abbildung 1 sind einige Heizkennlinien mit gleichem Niveau aber mit unterschiedlicher Steigung dargestellt Es besteht grunds tzlich folgender Zusammenhang Bei fallender Au entemperatur steigt die Vorlauftemperatur damit die Raumtemperatur konstant gehalten wird Die Raumtemperatur wird bei fehlendem Raumf hler ber einen festen Soll Wert definiert Die Heizkennlinie kann durch Variation von Steigung und Niveau an die individuellen Bed rfnisse angep
21. hrt wobei die WC Fenster immer oder immer w hrend der Anwesenheit von Nutzern gekippt sind Eine grobe Absch tzung des Einsparpotentials eines hydraulischen Abgleichs wodurch geringere thermische Verluste im R cklauf und u U Einsparungen bei der Pumpenenergie m glich sind Fraunhofer ISE 05 07 2011 Seite 141 8 Modellbasierte Methoden fur Fehlererkennung und Optimierung hat jedoch beim betroffenen Geb ude sehr geringe Betr ge im Bereich von 10 EUR a ergeben Deshalb wurde von Seiten des Gebaudebesitzers von der Durchf hrung eines hydraulischen Abgleichs abgesehen Stufe 3a FED auf Ebene Gesamtgeb ude mit probabilistischen Methoden 8 7 1 Begr ndung f r den Ansatz Die Motivation zur Verwendung der probabilistischen Methode der Bayes schen Inferenz ist ihre Allgemeing ltigkeit Bei der Durchf hrung einer Energiediagnose f r ein Geb ude wird nach der Bestimmung des energieeffizientesten Betriebs des Geb udes und seiner Systeme gestrebt Da nicht immer die M glichkeit besteht Messwerte f r jeden Prozess in einem Geb ude zu erfassen ist es notwendig R ckschl sse die auf verf gbare Daten basieren zu ziehen Zum Beispiel wenn der Brenner eines Gaskessels eine St rung hat kann eine Fehlerdiagnose mit der Auswertung der Heizwasservor und R cklauftemperaturen und deren Abh ngigkeit von dem Gasverbrauch erm glicht werden Die Messungen werden auf einer h heren Ebene im Geb ude erfasst da der nur Kessel e
22. in welcher Weise die Software Produkte des Partners erweitert wurden e Ein Fazit mit den wichtigsten Ergebnissen und Erkenntnissen findet sich in Kapitel 12 Hier werden au erdem Hinweise auf weiteren Forschungs und Entwicklungsbedarf gegeben Fraunhofer ISE 05 07 2011 Seite 6 Modellbasierte Methoden fur Fehlererkennung und Optimierung 2 Praxis des Gebaudebetriebs ze Unter Gebaudebetrieb wird in diesem Bericht im Schwerpunkt das technische Management von geb udetechnischen Anlagen zur Bereitstellung von behaglichem Raumklima verstanden Die typische Zielsetzung f r diesen Bereich lautet behagliches Raumklima bei minimalem Energieverbrauch und minimalen Kosten bereitzustellen Neben sachgem er Wartung und Instandhaltung als notwendigen Voraussetzungen spielt die betriebsbegleitende berwachung und Optimierung von Anlagen eine wichtige Rolle bei der Erreichung dieses Ziels Begrifflich wird die Dienstleistung des professionellen Geb udebetriebs als Teil des Facility Managements h ufig als technisches Anlagen oder Geb udemanagement bezeichnet Wenn sie als Contracting Modell angeboten wird ist auch der Begriff Betriebsf hrungs Contracting blich Aus Sicht der Autoren dieses Berichts umfasst der technische Geb udebetrieb folgende Leistungen e Inbetriebnahme von neuen bzw erneuerten Anlagen e Wartung und Instandhaltung des Anlagenbestands e Energiemanagement Energiemonitoring e Anlagenmonitor
23. innere Struktur evtl nicht oder nicht genau bekannt ist k nnen sich Black Box Modelle als hilfreich erweisen Fraunhofer ISE 05 07 2011 Seite 38 Modellbasierte Methoden fur Fehlererkennung und Optimierung 4 2 6 Werkzeuge zur Modellerstellung f r Geb ude und Anlagen Eine umfassende bersicht zu Berechnungswerkzeugen im Bereich Geb ude findet sich auf der Internetseite des US amerikanischen Departments of Energy DOE Building Techniologies Program Dort finden sich Uber 200 Softwaretools f r verschiedene Anwendungen Bei Werkzeugen zur Modellerstellung k nnen verschiedene Kategorien unterschiednen werden Neben Simulationsumgebungen die speziell auf die Geb udesimulation ausgerichtet sind existieren allgemeine Simulationswerkzeuge und allgemeine Numerik Werkzeuge Die einzelnen Kategorien werden im Folgenden kurz besprochen Spezialisierte Simulationsumgebungen In der Regel handelt es sich hierbei um eine Kombination von Komponentenbibliothek und L ser Typische Vertreter dieser traditionellen Geb udesimulationsprogramme sind z B DOE2 ESP r oder TAS Viele dieser Simulationsprogramme arbeiten mit Modelle mit mittlerem bis hohem Detaillierungsgrad d h es handelt sich um Mehrzonenmodelle mit Algorithmen f r den W rmetransport in mehrschichtigen Bauteilen L ftung solare und innere Gewinne haustechnische Systeme und die Regelung Allerdings ist festzustellen dass die haustechnischen Systeme oftmals nich
24. r die Planung angewendet lassen sich aber prinzipiell auch f r den Betrieb nutzen In einigen Untersuchungen werden mehrere verschiedene Simulationsprogramme gekoppelt z B TRNSYS EES und Matlab Simulink um den Geb udebetrieb abzubilden und auch zu optimieren 50 In diesem Beispiel wurde allerdings kein Optimierungsalgorithmus angewendet sondern der Parameterraum auf unterschiedlichen Schnittebenen vollst ndig untersucht um die Charakteristik der Zielfunktion darzustellen Spezielle Aspekte der Betriebsoptimierung K hlung werden in 51 untersucht Allerdings sind diese Untersuchungen auf amerikanische Systeme beschr nkt und wurden mit EnergyPlus durchgef hrt Die Ergebnisse sind daher nicht auf Europa bertragbar Die Optimierungen wurden in GenOpt und Matlab durchgef hrt d h es handelt sich dabei um Forschungsergebnisse Die Integration in praxistaugliche Werkzeuge muss noch geleistet werden Wie bei vielen berlegungen zur K hlung spielt auch hier die Reduktion der Spitzenlast zur Kostenreduktion eine wichtige Rolle Ebenfalls ein Optimierungswerkzeug f r die Planungsphase wird von 44 beschrieben Auch hier wurden amerikanische Systeme mit EnergyPlus untersucht Viele unterschiedliche Konzepte explizit zur Betriebsoptimierung werden von Henze 52 skizziert Sie werden f r amerikanische Systeme dargestellt und sind in Entwicklungsumgebungen Matlab Simulink TRNSYS GenOpt EnergPlus erzielt worden Der Bezug zur P
25. sst Energiez hler sollten daher immer eine Stromversorgung haben Beschr nkungen bei der Feldbus Kommunikation Bei vielen Feldbussystemen ist die Bandbreite der Kommunikation u erst begrenzt Bei hoher zeitlicher Aufl sung der Messdaten 5 10 Minutenwerte kann die Grenze der Leistungsf higkeit berschritten sein so dass es zu Datenverlusten kommen kann In einigen F llen wurde daher das Feldbussystem ert chtigt indem Automationsstationen erg nzt wurden Kabelzug Mit der Erg nzung von Sensoren in einem bestehenden haustechnischen System ist oftmals ein nicht unbetr chtlicher Verkabelungsaufwand verbunden Bei langen Wegen k nnen so erhebliche Kosten entstehen die evtl durch Brandschutzma nahmen oder das ffnen und Schlie en von Sch chten noch zus tzlich erh ht werden 12 4 Weiterer Forschungs und Entwicklungsbedarf Aus Sicht des Projektteams ergibt sich folgender Forschungs und Entwicklungsbedarf FED f r typische und h ufige Subsysteme Um FED in vielen Geb uden anwenden zu k nnen ist es notwendig sich auf typische und h ufige Systeme bzw Subsysteme zu konzentrieren z B Heizkreise RLT Anlagen mit typischen Konfigurationen etc Mit dem Mindestdatensatz und den darauf aufsetzenden Methoden wurden in ModBen einige Beispiele aufgezeigt siehe 8 5 und 8 6 Wichtig in diesem Zusammenhang ist die Unterscheidung von Einzelkomponenten wie z B einem Gaskessel und von Systemen oder Subsystemen d h Str
26. was das Wissen bez glich des Zusammenhangs zwischen H und D darstellt Das Bayestheorem kann nun wie folgt dargestellt werden _ pcHIKS p DIHKSN piH DE DIES Gleichung 5 Dies erm glicht die kontinuierliche Pr fung der Plausibilitat bez glich der Kenntnisse sobald neue Daten zur Verf gung stehen Dies stellt eine Art des Lernens dar Die a posteriori Wahrscheinlichkeit von H wird aus der Multiplikation der a priori Wahrscheinlichkeit p H K mit der Wahrscheinlichkeit der Daten die eine wahre Hypothese annehmen p D HK und aus der Division der beiden vorher benannten Operanden durch die Wahrscheinlichkeit dass die Daten dennoch beobachtet worden waren p DIK Dies stellt den Zustand des Basiswissens vor und nach der Beobachtung von Daten und wird in der Abbildung 61 dargestellt Abbildung 61 Ableitung des Bayes Theorems Aus der Abbildung ist ersichtlich dass das Basiswissen K die Menge bildet in der die untersuchten physikalischen Zusammenh nge gepr ft werden Bei allen physikalischen Zusammenh ngen sind wir an der Erkundung der kleinen Menge unbekannter physikalischer Zusammenh nge interessiert die Hypothesenmenge H Die Daten D verst rken oder negieren die Hypothese die durch das Bayestheorem formuliert wurde 8 7 3 Implementierung Vom vorherigen Abschnitt ist es nicht einfach zu verstehen wie das Bayestheorem bei Geb uden angewendet werden kann Deshalb wird hier noch einmal konkret a
27. 10 d h 50 0 5 C h Fraunhofer ISE 05 07 2011 Anhang Seite LI
28. 20 C 200 20 C 4 Punkt 1224 R cklauftemperatur 1 Punkt Temp 10 d h 200 20 C 650 65 C 1225 R cklauftemperatur 2 Punkt Temp 10 d h 200 20 C 650 65 C 1226 R cklauftemperatur 3 Punkt Temp 10 d h 200 20 C 650 65 C 1227 R cklauftemperatur 4 Punkt Temp 10 d h 200 20 C 650 65 C Zur Aktivierung der 4 Punkt Kennlinie m ssen neben analogen Registern auch digitale Register Coils geschrieben werden Daf r wird genau wie bei den analogen Registern das ModBus Protokoll verwendet Der einzige Unterschied beim Erstellen der Anweisungen ist dass zum Schreiben von digitalen Registern im Feld ModBus Funktion 0x05 Write Single Coil ausgew hlt wird Beim Lesen von Coils wird im Feld ModBus Funktion 0x01 Read Output Coil Status gew hlt und unter Werte Konfiguration ein Konfigurationswert vom Typ ONE_BIT erstellt Alle relevanten Register sind in den Tabellen 5 amp 6 aufgef hrt jedoch ist die Art des Registers analog oder digital zu beachten Fraunhofer ISE 05 07 2011 Anhang Seite XLVII Modellbasierte Methoden fur Fehlererkennung und Optimierung J 1 4 Minimale und Maximale Vorlauftemperatur Zu Energiesparzwecken kann eine Begrenzung der maximalen Vorlauftemperatur eines jeweiligen Heizkreises erfolgen Hier sind Kenntnisse ber die Auslegungsdaten der Heizungsanlage erforderlich Parametrierung des Reglers mittels Smartbox Anhang Tabelle 7 Grenzen f r Vorlauftemperatur
29. 200 2 160 120 a 40 100 90 80 70 50 40 30 20 10 Pkuehl kW 300 270 240 210 gt 180 1505 120 Assentemp C H N Seite 134 Modellbasierte Methoden fur Fehlererkennung und Optimierung Mam workdays 1200 mm weekends 1000 ep Ww z P el kW Pkuehl kW 10 5 0 5 10 15 20 25 3C Aussentemp C Abbildung 55 Signaturen des Energie und Wasserverbrauchs Tagesmittelwerte gruppiert nach Werktagen und Wochenenden von unten nach oben Fernwarme Fernkalte Gesamtstromverbrauch Kaltwasserverbrauch Aus den Visualisierungen sind folgende Dinge zu erkennen e Strom und Wasserverbrauch zeigen ein deutliches Wochenprofil der Nutzung des Geb udes mit Kernzeiten an Werktagen von ca 8 00 19 00 Uhr Sa So und Feiertage keine Nutzung s Abbildung 54 Dieses Profil weist auf eine gleichbleibende Nutzung hin Allerdings ist beim Stromverbrauch eine deutliche Erh hung des Verbrauchs ab Mitte Dezember zu erkennen die mit der Inbetriebnahme von neuen Ger ten zu begr nden ist Beim Wasserverbrauch sind einzelne Ausrei er erkennbar mit ganzt gig hohem Wasserverbrauch d h auch nachts Als wahrscheinlichste Fehlerursache wurden blockierte Toilettensp lungen ausgemacht e Heiz und K hllast zeigen kein Wochenprofil und werden offensichtlich durchg ngig betrieben Fraunhofer ISE 05 07 2011 Seite 135 8 6 Modellbasierte Methoden fur Fehlererkennung und Optimierun
30. 91 wird das Verfahren mit dem von ennovatis verglichen Man sieht beide Algorithmen konnen den Energieverbrauch mit hoher Zuverl ssigkeit identifizieren und Fehler Punkte 1 bis 3 erkennen 7 measured time series weekends holidays 8 fitted time series O outliers in regression working days O _ a e ni ne WwW _ je N o l f a If E 1 Fad f 1 Q i 1 i w B 23 ee Q i i a e oO i a j ee N i E fy eis iN A fe R s a if f i R 2 f B 6 z D 2 j hi es g a 2 1 Se fF we TS g t f f Be bi amp a f 5 9 Gf f cc oO i a i 7 A 4 t zi Q i j i t 1 5 j ka j Ve i i r 2 j s o E 4 f g o 4 ss ia ka WP ET EI T TS UELI LI ETRT OT BI Rl vrata vl lee al EN ay Weal ter Ee ale ae RI ed 17 12 22 12 27 12 01 01 06 01 11 01 16 01 21 01 26 01 31 01 05 02 1002 15 02 Time Abbildung 90 Vergleich Verbrauch und Berechnung Statistik Fraunhofer ISE 05 07 2011 Seite 183 Modellbasierte Methoden fur Fehlererkennung und Optimierung vergleich Gas erbrauch imJanuar 2005 40000 1200 350 00 10 00 00 OO 3 00 I 250 00 600 a 200 g om 40000 ae sopo 000 000 IR al 20 0 4 6 6 10 12 14 1616 20 245 520 berechneter Vvarrrebedart Sure 5 571 13 EVA Wee S56 32 EA Mitte 17971 KW geressener W rrewerbrauch Sure 6 425 57 AAR whx 404 09 AAR Peittel 207 25 Bf
31. All Information Electricity Meter Resding Oil Meter Reading Actions 09 02 2010 Steering Group Monthly Meeting Actions Energy Audit Report 12 02 2010 temperature limit 22 C for ch 10 02 2010 Schiller Gymnsaium Monthly Rev Meetings General Energy Information 19 02 2010 temperature limit 23 C for ch 12 02 2010 Gesamtschule monthly review me Eng ee 19 02 2010 temperature limit 25 C for ch 10 02 2010 Schulzentrum Seeblick monthly a rig eas 19 02 2010 temperature limit 23 C for ch 10 02 2010 Waldorfschule nz calles 25 02 2010 temperature limit 23 C for ch Click here E t t iyo energy saving ides Documents Enter Keyword GO 31 12 2009 31 12 2009 10 02 2010 14 02 2010 Copyright 2009 Enerit Ltd All rights reserved Privacy Policy Terms Annual Energy Usage Report Schiller Gymnasium Energy Usag Modern trends in Energy Measur Ennovatis Report 53 for Schil Support po FAQ s Forum Tech Support Useful Links Power of One Sustainable Energy Ireland Combat Climate Change amp enerit a Internet Abbildung 96 M gliche Oberfl che f r den Event Manager Fraunhofer ISE 05 07 2011 11 3 Der neue Smartbox Manager R 100 Seite 201 Modellbasierte Methoden fur Fehlererkennung und Optimierung Um die Verwertung der Projektergebnisse vorzubereiten haben wir eine Reihe von Verbesser
32. B in einer Anlage zur Fraunhofer ISE 05 07 2011 Seite 108 Plots Strom Uber AT Modellbasierte Methoden fur Fehlererkennung und Optimierung Hinweise zur Interpretation Typisches Erscheinungsbild vereinfacht Kraft W rme Kopplung eingesetzt kann die Signatur deutlich von den obengezeigten Mustern abweichen In diesem Fall ist zur Interpretation eine genaue Betrachtung des Systems notwendig Typisches Erscheinungsbild Falls Strom berwiegend zu Heiz oder K hlzecken A eingesetzt wird z B f r W rmepumpen oder K ltemaschinen kann die Signatur den oben gezeigten f r Fernw rme bzw Fernk lte sehr hnlich sein In den meisten Geb uden wird Strom f r eine Vielzahl von Zwecken verwendet wie z B B Beleuchtung L ftung und Klimatisierung Computer und andere Arbeitshilfen Daher zeigen viele Geb ude eine konstante Signatur A falls Strom nicht oder nur marginal zu Heiz und K hlzwecken eingesetzt wird Falls Strom zu K hlzwecken eingesetzt wird kann C die K hlleistung eine positive Steigung aufweisen Falls die K hlung nicht den Haupt Stromverbraucher darstellt ist blicherweise kein Changepoint zu erkennen B Falls die Signatur eine negative Steigung aufweist C kann das h ufig auf den erh hten Strombedarf f r Beleuchtung im Winter zur ckgef hrt werden sofern Strom nicht auch zu Heizzwecken eingesetzt wird Unterschied zwischen Werktagen und Wochenenden Viele Nich
33. B taucht eine klemmende Toilettensp lung als senkrechte Linie im Plot auf Saisonale nderungen Der Wasserverbrauch Ist in den meisten F llen lediglich nur abh ngig von der Belegung des Geb udes Daher tauchen Ferienzeiten als Unterbrechungen des Musters auf Saisonale Effekte k nnen z B durch Bew sserung von G rten oder Gr nd chern oder auch durch den Betrieb von nassen K hlt rmen im Sommer entstehen Aus einer vergleichenden Betrachtung der einzelnen Plots k nnen folgende Informationen generiert werden Angepasste Betriebszeiten Ein Vergleich der Muster kann offenbaren ob Heizung oder K hlung unn tig betrieben Fraunhofer ISE 05 07 2011 Seite 114 Modellbasierte Methoden fur Fehlererkennung und Optimierung Plots Hinweise zur Interpretation Typisches Erscheinungsbild vereinfacht werden H ufig ist dies in Ferienperioden zu beobachten Wasser und Stromverbrauch zeigen zu diesen Zeiten eine Unterbrechung des regelm igen Musters Falls Heizung oder K hlung nicht dieselbe Unterbrechung aufweisen stellt dies ein Einsparpotenzial dar 8 5 4 Visualisierung Heiz K hlkreise Der Mindestdatensatz umfasst die Vor und R cklauftemperatur der Heiz und K hlkreise sowie die Betriebsr ckmeldung der entsprechenden Pumpen falls diese verf gbar ist F r die Analyse der Daten muss die hydraulische Schaltung der Kreise bekannt sein z B Leistungsanpassung mit Vorlauftemperaturregelung ber ein
34. CC dTsup ret K dTsupa exha K dTsupa auta K T_EXHA CT T_SUPA ZT 5 10 15 20 25 30 35 Outdoor Air Temp C Abbildung 52 Beispiel eines Scatterplot f r L ftungsanlagen Die L ftungsanlage ist mit einem Heiz und einem K hlregister ausgestattet Die Differenz zwischen Zu und Ablufttemperatur dT supa exha zeigt ob die versorgte Zone ber die Zuluft beheizt oder gek hlt wird Wenn die differenz gr er als O ist wird die Zone beheizt um umgekehrt Die Signaturen der Zu und Abluft zeigen ein entsprechendes Verhalten Die Spreizung auf der Wasserseite der Register CC dTsup ret and HC dTsup ret zeigt wann die Register zur Konditionierung der Zuluft eingesetzt werden W hrend das Heizregister bei Au entemperaturen unter 15 C zum Einsatz kommt wird das K hlregister erst ab Au entemperaturen ber 22 C eingesetzt Fraunhofer ISE 05 07 2011 Seite 125 Modellbasierte Methoden fur Fehlererkennung und Optimierung Tabelle 26 gibt einen Uberblick Uber den generellen Aufbau der Scatterplots fur raumlufttechnische Anlagen Tabelle 26 Genereller Aufbau von Scatterplots f r raumlufttechnische Anlagen AT Au entemperatur Plots Hinweise zur Interpretation Zulufttemp o Typisches Erscheinungsbild ber AT Das Erscheinungsbild der Zulufttemperatur T_SUPA ist abh ngig vom Aufbau der L ftungsanlage Wenn die Zuluft weder geheizt noch gek hlt wird folgt sie der Au entemperatur A Falls eine Wa
35. DE VEN N VD DS Speicher Ti Wii d E r alpen in an m In a A ur EI Er u TE ER BE ERBE ee E Pee E E eS eae eg t f _f_ ff tt C Aele E a ae A ee a BE ER BE a a a Pa DE EEE keiten race ee doe Ee ir FI RW 20 Vers See aoe Ube ile late 1 eng Unrgithavian i abun Lufitsfauch ing Pues Deere F Hira Dore 16 Pana Cee 11 Hire Scorer 3 Pere An Farm Maa Fee tise A Dt I kras i ei gung et b ed igi m H Anhang Seite XXXIII ir FI RW 20 Modellbasierte Methoden f r Fehlererkennung und Optimierung Fam my T meee pele i Angs T seifarepluen g Fim paip nmp apa BLEN AR BAI en a a i WET H T By oy DELID em Pt EA Pare ei Do EEE TEE Bure piji LT ee EER a es lg eo SR ol Brio tf armed 11 111 anmann 11 JB SP oe py ii j plih pir Bre Leper Gwe epee pg Fand i Er chi irn Bue Ry a Pre peg BEWERTE aon A meee a mea darana mannari I EN N Fin pared Pare el ge a EE Ee SE HEPA Iep bie ir ai O nh areo a a al audi Pam pay OF i a Bari pe q omafi re PAINI h pi Eri SM Se TE TTS f Lard ka PS Ug Fey Be Se LET oF E FAILE ALIE Lo U EL ET u FFT m A T NEEEM T z g 4 T Z i iz pe sihis ee ee anpebecsyre te T 5 I H R y l y wi
36. Dabei ist neben der Frage wie niedrig der optimale Energieverbrauch ist auch die Frage wie man diesen erreichen kann entscheidend Da bei der Optimierung somit nicht nur eine Abweichung vom optimalen Betrieb festgestellt werden soll sondern auch die Parameter wie das reale System diesen Zustand erreichen kann ist es im Gegensatz zur Fehlererkennung blich mit Modellen zu arbeiten die auf physikalischen Grundprinzipien beruhen Nur so lassen sich Optimierungspotenziale in vollem Umfang erkennen 13 Die Optimierung selbst ist die Suche nach den Parametern des Modells die eine gegebene Zielfunktion z B die Minimierung des Energiebedarfs oder der Energiekosten am besten erf llen blicherweise sind dabei vorgegebene Randbedingungen zu beachten wie etwa die Bereitstellung einer bestimmten Raumsolltemperatur oder die erforderlichen Betriebszeiten Bei Optimierungsproblemen wird zwischen lokalen und globalen unterschieden Bei einer globalen Optimierungsaufgabe soll das absolute Minimum im gesamten zul ssigen Parameterraum gefunden werden Globale Optimierungen sind wesentlich schwieriger Dabei h ngt die L sbarkeit in Abh ngigkeit von der verf gbaren Rechenkapazit t sehr stark von der Topologie der Zielfunktion ab In vielen F llen gibt es zus tzliche Rand bzw Nebenbedingungen die bei der Optimierung eingehalten werden sollen Nebenbedingungen k nnen als Gleichungen oder Ungleichungen formuliert sein oder die zul ssigen Para
37. Die hohe Strom Grundlast erklart auch die ganzjahrig hohe Kuhllast von 70 80 kW ca 10 W m 2 Entsprechend zeigt die K hllast auch keine erkennbare Klimaabh ngigkeit da sie berwiegend von internen Lasten bestimmt wird e Strom und Wasserverbrauch zeigen ein deutliches Wochenprofil der Nutzung des Geb udes mit Kernzeiten an Werktagen von ca 8 00 19 00 Uhr Sa So und Feiertage keine Nutzung Beim Wasserverbrauch sind einzelne Ausrei er erkennbar mit ganzt gig hohem Wasserverbrauch d h auch nachts Als m gliche Ursache wurden klemmende Toilettensp lungen ausgemacht e Die Heizlast zeigt kein Wochenprofil obwohl eine Nachtabsenkung bzw Abschaltung mit morgendlichem Aufheizbetrieb m glich w re e Der Wasserverbrauch liegt f r ein B rogeb ude ohne Kantine vergleichsweise hoch Tagesmittel an Werktagen ca 200 l h bzw mittlerer Tagesverbrauch 4 8 m3 Eine genaue Ursache hierf r konnte nicht ermittelt werden 9 4 2 Heizkreise e Die Heizkreise sind durchg ngig in Betrieb Auch in den Sommermonaten gehen die Kreise h ufig in Betrieb vor allem in den Morgen und Abendstunden Eine Nacht und Wochenendabsenkung oder Abschaltung sollte eingef hrt werden Weiterhin ist das Einschaltkriterium des Kreises zu pr fen um den Heizbetrieb im Sommer m glichst zu vermeiden e Insgesamt ist die Temperaturspreizung der Heizkreise relativ gering maximal bei ca 8 K bei 10 C Au entemperatur Dies deutet darauf hin dass der
38. El berechneter Varrrebedarf WR gerressener Varrrev erbrauch Abbildung 91 Vergleich VEC Basis DIN 18599 Wie bei allen statistischen Verfahren ben tigt auch das FhG ISE Verfahren Stichproben bei denen alle relevanten Einflussparameter gen gend genau erfasst werden k nnen F r die berwachung von Geb uden bedeutet das konkret o Zum Training sind mindestens 2 3 Monate mit Daten ohne deutliche nutzerbedingte nderungen erforderlich o Bei signifikantem Wechsel des Betriebs muss Training neu erfolgen Dadurch wird der Einsatz des Verfahrens sehr zeitautwendig e Schritt 2 Kontinuierliche Betriebsanalyse mit intelligent metering In der Literatur firmieren die expertenbasierte graphische Auswertung unter dem Begriff intelligent metering Wir zeigen ihre Anwendung am Beispiel einer Analyse des Heizsystems in Gro p sna Zum Ausklang der Heizperiode 2008 09 Anfang April wurde die Heizanlage ganz ausgestellt weil sie trotz milder Witterung zu oft lief da die einfache Regelung den Anforderungen nicht gerecht wurde An einigen Tagen im April bis Anfang Mai mit sehr verhaltenen Au entemperaturen wurde daher per Hand die Heizanlage jeweils kurz in Betrieb genommen Fraunhofer ISE 05 07 2011 Seite 184 Modellbasierte Methoden fur Fehlererkennung und Optimierung gemessene Verbrauche Monatsansicht bersicht Strom Wasser Heizenerge Temperatur Wetter Vergleich Sa erbrauch im April 2009 z 4000 30 00 ep0 g 2000 40
39. F r den ersten Einsatz mit einigen Datenquellen bzw Messkan len lt 100 reicht bereits ein handels blicher PC ohne besondere Extras Fraunhofer ISE 05 07 2011 Seite 181 Modellbasierte Methoden fur Fehlererkennung und Optimierung Unterstutzte Betriebssysteme Windows XP Professional SP3 32 Bit Windows Vista Ultimate 32 Bit Windows 7 Home Premium 32 Bit Windows 7 Professional 32 Bit Windows 7 Enterprise 32 Bit Windows 7 Ultimate 32 Bit Windows Server 2003 e Hardwareanforderungen o Ab Pentium Dual Core 2 GHz 2 GB Arbeitsspeicher o 19 LCD Monitor oder gleichwertig o Internet Explorer 8 oder h her mit Skriptunterst tzung o Administratorrechte sowie mindestens o 1 GByte freier Plattenplatz f r anfallende Messdaten e Softwareanforderungen o Internetexplorer ab Version 8 0 o Deutsches Language Pack o Sicherheitseinstellung ohne Einschr nkungen von Popups ActiveX Steuerelementen VBSkripthosts dynamisches Nachladen von VB Skripthosts und weiteren HTML Dateien e Betriebssystemeinstellungen o Lokale Administratorrechte o Deutsches Betriebssystem o Bei Domaincontrollern sind gesonderte Domainrichtlinien erforderlich die keine Einschr nkungen in den hier aufgef hrten Voraussetzungen enthalten o Keine Einschr nkungen im Virenscanner f r die lokale Ausf hrung von Dateien der ennovatis Systemebene und wie unter den Voraussetzungen f r IE JAVA und den lokalen Diensten aufgef hrt o Bei Vista Windows 7
40. Fehlererkennung und Optimierung zur Fehlererkennung eingesetzt werden jedoch sind sie selten fur die Fehlerdiagnose d h die Suche nach den Ursachen z B bei erhohtem Verbrauch geeignet Meist sind die Erfassungsintervalle des Energieverbrauchs im Bereich Wochen oder Monate Dies erlaubt keine detaillierte Analyse des Betriebs und der Einsparpotenziale Ein Benchmarking mit statistisch aufbereiteten Verbrauchsdaten aus dem Gebaudebestand ist aufgrund der sehr unterschiedlichen Nutzung und Ausstattung von Nichtwohngebauden allenfalls f r eine erste Grobanalyse statistisch gut repr sentierter Geb udetypen geeignet Dar ber hinaus machen die oft zahlreichen und verschiedenen Nutzungszonen und u U eine h ufige Umnutzungen oder auch Umbauten eine vollst ndige Erfassung des Energieverbrauchs aufgeteilt auf Nutzungsbereiche und Anlagen sehr teuer und in den meisten F llen praktisch unm glich Das Energiemonitoring hat h ufig keinerlei Verbindung weder technisch noch organisatorisch zur Geb udeautomation GA Das macht eine Verbesserung des energetischen Geb udebetriebs ber Eingriffe in die GA schwierig Das Energiemanagement l sst den Raumkomfort bzw die thermische Behaglichkeit meist v llig au er Betracht obwohl dieser die entscheidende Gr e f r den Energiebedarf eines Geb udes ist Zus tzlich treten in der Praxis bei der Einf hrung eines professionellen technischen Anlagenbetriebs bzw eines Energiem
41. Geb ude anwesend sind Daf r wurde eine sogenannte Bestrafungsfunktion penalty function definiert Diese Funktion erh ht die ben tigte Heizleistung um einen bestimmten Wert wenn die Solltemperatur nicht eingehalten werden kann Der Wert dieser Funktion wird nach folgender Gleichung berechnet 4000 AO f r AO gt 20 Ont set gt 20 C enalty j r 0 sonst mit AO O int set H Orn intsetH Raumtemperatursollwert O int Lufttemperatur in der Zone Fraunhofer ISE 05 07 2011 Seite 163 Modellbasierte Methoden fur Fehlererkennung und Optimierung Penalty in W int intsetH Temperatur in C Abbildung 74 Grafische Darstellung der Bestrafungsfunktion Ohne eine solche Bestratungstunktion findet der Optimierungsalgorithmus das Optimum wenn die Pumpe stets ausgeschaltet ist Als ver nderliche Parameter wurde die Zeit f r den Beginn und das Ende des Betriebszeitraums verwendet oO 2 amp 8 10 12 14 16 16 20 22 24 Tmeh Abbildung 75 Darstellung des Objektes Schedule Pump mit einer exemplarischen Laufzeit von 06 00 Uhr bis 18 00 Uhr Bildschirmausschnitt DA CE e Simulation und Optimierung mit IDA ICE Modell Abbildung 76 zeigt den Vergleich der simulierten Heizleistung mit den Messdaten Der gew hlte Vergleichszeitraum ist auch in diesem Fall der Dezember 2007 Es kann eine gute bereinstimmung des Modells mit der Realit t gezeigt werden Die gemessene Nutzenergiemenge betr
42. Industrie 17 23 25 Automatisierte Fehlererkennung und Diagnose im Geb udebetrieb ist eine relativ junge Disziplin Erst seit etwas mehr als 10 Jahren werden haupts chlich im wissenschaftlichen Bereich verschiedene Ans tze erprobt Einen guten berblick liefert 1 2 Hierbei ist zu beachten dass Fehlererkennung und Diagnose zwei voneinander getrennte Prozesse darstellen siehe auch Abbildung 3 W hrend Fehlererkennung auf die Detektion von Abweichungen vom normalen Verhalten des Systems abzielt wird bei der Fehlerdiagnose nach den Ursachen der festgestellten Abweichung gefragt Um von den beobachteten Symptomen auf die zu Grunde liegenden Fehler schlie en zu k nnen muss allerdings bekannt sein wie sich bestimmte Fehler im Betrieb auf die beobachteten bzw gemessenen Signale auswirken Die Fehlerdiagnose erfordert daher mehr Informationen als allein durch ein Modell bereitgestellt werden k nnen Auch wenn das Modell in der Lage ist fehlerhaftes Verhalten abzubilden ein Modell des Fehlers zu erstellen muss im einfachsten Fall eine Zuordnung von Symptom und Fehler erfolgen Modelle werden daher vor allem im Bereich der Fehlererkennung eingesetzt FED in Geb ude kann auf verschiedenen Ebenen ansetzen Zum einen k nnen der korrekte Betrieb und die Effizienz von einzelnen Komponenten wie K ltemaschinen oder Lufterhitzern berwacht werden Zum anderen kann FED auf der Ebene von Systemen z B Heizungssystem mit alle
43. Massenstrom im Kreis zu gro ist bzw die Pumpen auf einer niedrigeren Stufe betrieben werden k nnen Allerdings handelt es sich beim System um eine Einrohrheizung so dass die geringen Spreizungen auch systembedingt sein k nnen 9 4 3 M gliche Realisierte Verbesserungs und Einsparpotenziale J3 Das Haupteinsparpotenzial beim Geb ude EADS 88 ist der bedarfsgef hrte Betrieb der Heizkreise D h die Einf hrung einer Nacht und Wochenendabsenkung oder Abschaltung mit entsprechendem Wiederaufheizbetrieb v a nach den Wochenenden Dieses Potenzial wurde bereits relativ fr h erkannt aber aufgrund der der Priorit tensetzung des Geb udeeigent mers erst im Sommer 2010 umgesetzt Laut Eigent mer wurde eine selbstlernende Regelung nachger stet die optimale Absenkzeiten f r das Geb ude selbstst ndig ermittelt Prinzipiell sollte mit dieser MaBnahme eine Energieeinsparung von 10 bis 20 m glich sein Allerdings zeigte sich zum Beginn der Heizsaison kein ver nderter Heizbetrieb Eine genauere Pr fung konnte im Projektzeitraum nicht mehr erfolgen Kraft Foods M nchen 9 5 1 Energie und Wasserverbrauch e Die Heizlast wird zu ca 90 von den Gasheizkessel und Schnelldampferzeuger ber Prozessabw rme gedeckt Die lheizkessel dienen nur zum Spitzenlastabdeckung ab ca 10 C Au enlufttemperatur Fraunhofer ISE 05 07 2011 Seite 193 Modellbasierte Methoden fur Fehlererkennung und Optimierung Der Wasserverbrauch
44. Matlab Dymola IDA ICE TRNSYS ESP R EnergPlus Simulink Modelica Heizung Kuhlung ae Ganzjahressimulationen x x x x x amp Ganzes Gebaude x x x x x a Modelle Fehler sollten modellierbar sein x x x x 2 T noch keine nicht bei 2 T noch keine Modelle Standard Bib Modelle Druckverluste und Massefl sse x x x x modellierbar Flussrichtung reversibel x x x noch keine Modelle x vorhanden gut m glich x teilweise vorhanden ohne programmieren erganzbar nur durch programmieren erganzbar nicht gesicherte Aussage Die Tabelle zeigt dass kein Simulationstool alle Anforderungen ohne zus tzlichen Aufwand erf llen kann Im Projektkontext wurde entschieden IDA ICE und einfache Berechnungen zu verwenden 8 6 2 Beschreibung Es handelt sich um ein nicht lineares Problem u a wegen des exponentiellen Zusammenhangs zwischen Systemtemperatur und Leistung eines Heizk rpers Die Randbedingungen sind in der Praxis nicht exakt messbar dazu m sste man die Heizlast f r jeden einzelnen Heizk rper in einem Heizkreis genau ermitteln Dar ber hinaus besteht ein starker Nutzereinfluss ber e Luftwechsel e W rmequellen interne solare e Thermostateinstellungen Fraunhofer ISE 05 07 2011 Seite 137 Modellbasierte Methoden fur Fehlererkennung und Optimierung und zus tzlich bestehen folgende u U bedeutende Einfl sse e Klima e Dynamik Vergangenheit spielt eine Rolle An
45. Mischventil oder mittels Anpassung des Massenstroms ber ein Zweiwegeventil Weiterhin muss bekannt sein ob sich die Messpunkte auf der Prim r oder Sekundarseite des Kreises befinden An dieser Stelle werden die Datenvisualisierungen der Schaltungen dargestellt die bei den Demonstrationsgeb uden am h ufigsten anzutreffen waren F r Heizkreise ist dies eine Mischerschaltung mit einem Drei Wege Verteilventil und einer Pumpe auf der Sekund rseite BU_ZOME WC H__ _H _SUPSEC_ MEA T O BLR_ZONE_WC H_ _ _HW_RET SEC_ MEAT p SUL ZONE WCH_PUL_ _HiW_ SUP SEC SEV GLISTA CTRL T4 Abbildung 47 Schema eines typischen Heizkreises mit den Datenpunkten des Mindestdatensatzes in der Notation der einheitlichen Datenpunktbezeichnung siehe H Fraunhofer ISE 05 07 2011 Seite 115 Modellbasierte Methoden fur Fehlererkennung und Optimierung Bei K hlkreisen werden die Messpunkte oft auf der Prim rseite platziert Daher wird sich dieser Abschnitt auf diese Art der Messdatenerfassung konzentrieren BLR_ZOME WCC _ _CHW_RET SEC_MEA_T Cooling Col see visualizations for AHUs Abbildung 48 Schema eines typischen Kuhlkreises mit den Datenpunkten des Mindestdatensatzes In der Notation der einheitlichen Datenpunktbezeichnung siehe H Die rote Markierung zeigt die Messpunkte die in diesem Kapitel betrachtet werden Fraunhofer ISE 05 07 2011 Seite 116 dT K dT K Pump OFF Modellbasierte Methoden fur Fehlererkennung un
46. Modellstruktur wird h ufig auf Reihenentwicklungen zur ckgegriffen die auf einer nichtlinearen Basistunktion basieren Somit kann die allgemeine Modellstruktur von nichtlinearen Black Box Modellen wie folgt beschrieben werden 15 SCIO Y ag lo mit y Pradiktor f r die Ausgangsgr e des Systems als Funktion der Zeit und der Modellparameter 0 Model parameter O a on Br Bry Y Yal B y see text below p Vector with regressors current and seasonally pre set measuring values for the input and output and functions thereof Q QM Pal d number of regressors dimension of regressor space Ok Parameter gt Im Prinzip k nnen beliebige Funktionen fur die Variablen gew hlt werden solange das Modell linear in den Parametern ist Dies wird h ufig verwendet um so genannte semi physikalische Modelle zu erstellen Bei diesen werden die Funktionen der Variablen die gemessenen Daten anhand von prinzipiellen physikalischen technischen Zusammenh ngen gew hlt Diese Modelle k nnen jedoch nicht mehr als reine Black Box Modelle bezeichnet werden Fraunhofer ISE 05 07 2011 Seite 32 Modellbasierte Methoden fur Fehlererkennung und Optimierung Zy Transfer function function for depicting the range of regressors on the output size n Number of parameters length of the series expansion F r die Basistunktion der Reihenentwicklung werden folgende Annahmen getroffen e Alle gx werden von einer Mut
47. Punkt 1024 R cklauftemperatur 1 Punkt Temp 10 d h 200 20 C 650 65 C 1025 R cklauftemperatur 2 Punkt Temp 10 d h 200 20 C 650 65 C 1026 R cklauftemperatur 3 Punkt Temp 10 d h 200 20 C 650 65 C 1027 R cklauftemperatur 4 Punkt Temp 10 d h 200 20 C 650 65 C Anhang Seite XLVI Modellbasierte Methoden fur Fehlererkennung und Optimierung Anhang Tabelle 6 Alle relevanten Register fur 4 Punkt Kennlinie Regelkreis 2 1234 Berechnung der Heizkennlinie 0 INAKTIV 1 AKTIV 0 anhand der 4 Punktkennlinie 1231 Adaption 0 INAKTIV 1 AKTIV 0 1212 Au entemperatur 1 Punkt Temp 10 d h 200 20 C 150 15 C 1213 Au entemperatur 2 Punkt Temp 10 d h 200 20 C 50 5 C 1214 Au entemperatur 3 Punkt Temp 10 d h 200 20 C 50 5 C 1215 Au entemperatur 4 Punkt Temp 10 d h 200 20 C 150 15 C 1216 Vorlauftemperatur Tagbetrieb Temp 10 d h 200 20 C 700 70 C 1217 Vorlauftemperatur Tagbetrieb Temp 10 d h 200 20 C 550 55 C 1218 Vorlauftemperatur Tagbetrieb 400 40 C 3 Punkt 1219 Vorlauftemperatur Tagbetrieb Temp 10 d h 200 20 C 250 25 C 4 Punkt 1220 Vorlauftemperatur Nachtbetrieb Temp 10 d h 200 20 C 600 60 C 1 Punkt 1221 Vorlauftemperatur Nachtbetrieb Temp 10 d h 200 20 C 400 40 C 2 Punkt 1222 Vorlauftemperatur Nachtbetrieb Temp 10 d h 200 20 C 200 20 C 3 Punkt 1223 Vorlauftemperatur Nachtbetrieb Temp 10 d h 200
48. Regeln ist z B die Spiegelung des schlechtesten Eckpunktes am Mittelpunkt des Simplex eventuell mit zus tzlichen Faktoren f r die Lage des neuen Punktes auf der Geraden durch den Mittelpunkt und den alten Punkt Eine andere ist Kontraktion des Simplex um den besten Eckpunkt um einen bestimmten Faktor Der Downhill Simplex Algorithmus zeigt ein ca lineares Konvergenzverhalten bei einer sehr guten Stabilit t bei nicht differenzierbaren und nicht stetigen Funktionen Das Ergebnis bei Funktionen mit ausgepr gten lokalen Minima h ngt von den Startwerten ab 6 1 5 Newton Verfahren Das Newton Verfahren ist ein numerisch iteratives Verfahren zur Bestimmung von Nullstellen einer stetig differenzierbaren Funktion F r nicht differenzierbare oder nicht stetige Funktionen ist das Verfahren nicht oder nur beschr nkt geeignet Daher ist die Anwendbarkeit im Geb udebereich eingeschr nkt Bei der Anwendung des Newton Verfahrens f r Optimierungsaufgaben wird genutzt dass die erste Ableitung einer zweimal stetig differenzierbaren Funktion im Optimum verschwindet diese Vorraussetzung schr nkt die Anwendbarkeit im Geb udebereich noch weiter ein Zum Auffinden der Nullstelle der Ableitung wird die Ableitung der Ableitung 2 Ableitung bzw Hesse Matrix genutzt Das Verfahren wird wie die anderen Verfahren an einem frei w hlbaren Punkt gestartet An diesem Punkt wird eine Taylorentwicklung der Ableitung erstellt Die Taylorentwicklung wird ledigli
49. Regelung konnen unterschiedliche Muster auftauchen Falls der Betrieb lediglich Uber einen festen Zeitplan gesteuert wird treten meist sehr regelm ige t gliche und w chentliche Muster B auf A die den Absenkbetrieb in der Nacht und am Wochenende anzeigen In manchen Geb uden ist nach der Wochenendabsenkung eine spezielle Aufheizphase mit verl ngerten Betriebszeiten vorgesehen um die verst rkte Ausk hlung zu kompensieren B In anderen Geb uden wird in Abh ngigkeit der AT bzw bei niedriger AT die Betriebszeit der Heizung verl ngert C Falls der Zeitplan an Werktagen und D Wochenenden gleich ist ergibt sich Muster D bei durchgehendem Betrieb ergibt sich E o Saisonale nderungen Typischerweise verschwindet das Muster f r Fernw rme in den Sommermonaten sofern die 3 Grundlast gering ist In der bergangszeit kann n es vorkommen dass das Muster nur in den Morgenstunden nach dem Absenkbetrieb in der Nacht deutlich zu erkennen ISt Falls an diesen Tagen an den Nachmittagen K hlenergiebedarf auftritt k nnte dies ein Einsparpotenzial darstellen Falls die Ferienzeiten im Zeitplan f r den Betrieb ber cksichtigt sind sollten diese aus dem Muster ablesbar sein WHEE Fernkalte o Typisches Erscheinungsbild analog zu Fernwarme o Saisonale nderungen analogo zu Fernwarme das Muster verschwindet jedoch im Winter Brennstoffe o Typisches Erscheinungsbild Fraunhofer ISE 05 07 2011 S
50. Regressionsmodellen Neuronalen Netzen oder ARX Modellen Detaillierte White Box Modelle kommen kaum zum Einsatz Zur Diagnose kommen meist Klassifizierungsmethoden zum Einsatz die den Charakter der Residuen Differenz der Ausgangssignale des Modells und des realen Systems Die Verfahren werden eingesetzt um Fehler deren Charakteristika aus Experimenten oder Simulationen bekannt sind zu erkennen Obwohl fast alle Autoren unabh ngig vom gew hlten Verfahren berichten dass das von Ihnen verwendete Verfahren in der Lage ist die gesuchten Fehler zu identifizieren gibt Fraunhofer ISE 05 07 2011 Seite 46 Modellbasierte Methoden fur Fehlererkennung und Optimierung Katipamula zu bedenken dass die meisten Untersuchungen lediglich im Labor und nicht als Feldtest durchgef hrt wurden Katipamula kommt dar ber hinaus zu folgenden Ergebnissen Auf dem Markt existieren nur sehr wenige Produkte f r die FED die jedoch in der Regel sehr auf einzelne Komponenten spezialisiert und nicht automatisiert sind Die automatische Generierung von Fehler Schwellwerten f r die Fehlerdetektion wurde noch nicht eingehend untersucht stellt aber einen wichtigen Aspekt bei der Automatisierung dar Die Kalibrierung von Modellen erfordert Trainingsdaten des korrekten Betriebs F r die Anwendung der Modelle auf breiter Basis ist daher die Entwicklung der Modelle entweder w hrend der Herstellung der betreffenden Komponente im Werk oder aber automatisi
51. September 2007 Eignung der Berechnungsmethodik DIN V 18599 zur Abbildung des Energieverbrauchs von realen Nicht Wohngeb uden Sebastian Zehnle Diplomarbeit Fraunhofer ISE Hochschule Offenburg September 2008 Anhang Seite VIII Modellbasierte Methoden fur Fehlererkennung und Optimierung o Model Based Approach for Performance Monitoring of Commercial Buildings Susanne Komhard Masterarbeit Franhofer ISE Fachhochschule fur Technik und Wirtschaft Berlin Soetember 2008 o Simulationsmodelle zur Energieoptimierung des Gebaudebetriebs Sebastian Burhenne Masterarbeit Fraunhofer ISE Fachhochschule Erfurt Oktober 2008 o Black box models for fault detection and performance monitoring of buildings Dirk Jacob Sebastian Dietz Susanne Komhard Christian Neumann and Sebastian Herkel Journal of Building Performance Simulation First published on 04 January 2010 iFirst e Konferenzen Workshops o Workshop im Rahmen der ICEBO 2008 in Berlin mit ca 55 Teilnehmern o ICEBO Oktober 2008 Berlin 3 Paper im Tagungsband ver ffentlicht Simulation Models to Optimize the Energy Consumtion of Buildings Sebastian Burhenne Dirk Jacob Fraunhofer ISE Oktober 2008 Black Box Models for Performance Monitoring of Commercial Buildings Susanne Komhard Christian Neumann Fraunhofer ISE Oktober 2008 Improved Building Energy Performance Modelling Through Comparison of Measured Data with Simulated Results
52. Sie sind f r Optimierungsaufgaben mit nicht differenzierbaren und nicht stetigen Zielfunktion geeignet Der genetische Algorithmus ist sehr beliebt weil er auf Grund der bin ren Darstellung gut implementierbar ist Evolution re Algorithmen werden eingesetzt wenn traditionelle Optimierungsmethoden wegen z B nicht stetigen nicht kontinulerlichen und nicht differenzierbaren Zielfunktionen nicht zum Ziel f hren GAs haben sich als besonders effektiv erwiesen wenn die Lage der lokalen Minima eine regelm ige Struktur im Parameterraum aufweist GAs sind robuste Optimierungsmethoden da sie mir einer Menge von zul ssigen L sungen arbeiten und weil bei der Suche nach dem Optimum dadurch verschiedene Wege ausprobiert werden und sogar Informationen ber die verschiedenen Wege ber die gesamte Population verbreitet wird Fraunhofer ISE 05 07 2011 Seite 60 Modellbasierte Methoden fur Fehlererkennung und Optimierung Bei genetischen Algorithmen wird oft von Individuen geredet Folgender Ablauf wird typischerweise durchlaufen 1 Erzeugen engl generate einer Population unterschiedlicher Individuen im Definitionsbereich der Zielfunktion Parameterraum 2 Evaluation Fur jedes Individuum wird Zielfunktion Fitness bestimmt Dear Zielfunktion z B x y 3 Selektion Auswahl bestimmter Individuen Eltern anhand ihrer Fitness und zufallsbeeinflusst Elite wird unver ndert in n chste Generation weiter
53. Vorlauftemperatur Steigt die Au entemperatur so sinkt die Vorlauftemperatur und umgekehrt F r die Bewohner bleibt alles gleich sie bemerken keinerlei Unterschied au er dass sie von Nebenkosten entlastet werden Fraunhofer ISE 05 07 2011 Seite 205 Modellbasierte Methoden f r Fehlererkennung und Optimierung BERWACHUNG amp AUSWERTUNG Per wachun Abbildung 99 Schema der adaptiven Heizungsregelung Abmessungen mm Anschlusskabel Anschluss Leistungsaufnahme Schutzart Anschluss an den Regler der Hausanschlussstation Betriebsbedingungen Anschluss f r Temperaturf hler Umgebungstemperatur Zulassung ca 225 B x 210 H x 70T mm Schnittstellen Steckerneizteil 24V 24W 200 cm mit 2 poligem Euro Anschlussstecker 230 V AC 50 Hz Max 27 5 W P20 Kabeltyp JY StiY2x2x amp mm max 5 m 5 50 C nicht kondensierend 3 PT 1000 z B Au en temperatur Vorlauff hler Raumtemperatur 5 50 C CE DIN EN 61000 8 2 DIN EN 81000 8 3 Abbildung 100 Technische Daten der adaptiven Regelung Parametereinstellung SOLL Vorlauf _ temperatur Laufzeit 3 lii SMARTBOX 8 analog 0 1W 0 5 WY 0 10 W 0 20 mA 4 20 mA 5 digital zB Puls Status Tarif Samson Regler digital ber Modbus RS465 R 5 digital RS232 Reichweite 15 m oder R5485 Reichweite 1200 m Weitere Ethernet 10 700 Mbit s Mbus Optional GSM ISDN Analog Modem Mit der Smartb
54. Wahrscheinlichkeit unabh ngig von der Topologie der Zielfunktion ein globales Extremum Minimum auffinden kann F r bestimmte Arten von Zielfunktionen z B lineare oder stetig differenzierbare streng konvex oder konkave ist die globale Konvergenz bestimmter Optimierungsmethoden bewiesen F r den Geb udebereich sind diese Vorraussetzungen f r die Zielfunktionen in der Regel nicht gegeben d h es gibt hier keine Methode mit der mit Sicherheit eine globale Optimierung erreicht werden kann Die meisten globalen Optimierungsmethoden suchen mit einem bestimmten System nach lokalen Extrempunkten Minima Es existieren viele verschiedene Methoden die auch bei nichtlinearen nicht differenzierbaren und sogar nicht stetigen globalen Optimierungsproblemen angewendet werden Auf einige die im Geb udebereich angewendet werden wird im Folgenden n her eingegangen F r Optimierungen im Geb udebereich ist die Ermittlung der Zielfunktion in der Regel aufwendig und es sind keine analytischen Eigenschaften der der Zielfunktion bekannt Aus diesem Grund erscheint es sinnvoll keine zu gro e Anzahl von Parametern gleichzeitig zu optimieren und den Parameterbereich m glichst sinnvoll zu beschr nken um den Rechenaufwand gering zu halten und sinnlose lokale Optimierungspunkte zu vermeiden 6 1 1 General Pattern Search GPS GPS Algorithmen sind Methoden mit denen der Definitionsbereich der Zielfunktion systematisch auf Extrempunkte Minima
55. actions optimiert wurden Programm wird h ufig in Verbindung mit Optimierungsproblemen mit Nebenbedingungen verwendet 24 konvex bedeutet f r eine stetig differenzierbare Funktion f f ist genau dann konvex wenn ihre Ableitung f wachsend ist und genau dann streng konvex wenn f streng monoton wachsend ist konkave analog Eine allgemeinere Formulierung f r nicht differenzierbare Funktionen ist m glich 2 gt Nicht lineare Programme NP Zielfunktion und Nebenbedingungen sind nicht linear in den unabhangigen Variablen 26 d h mehrerer Zielfunktionen Fraunhofer ISE 05 07 2011 Seite 56 Modellbasierte Methoden fur Fehlererkennung und Optimierung Mulitvariablen und Multikriterien Probleme d h mehrdimensionale vektorielle 44 In den meisten F llen ist es jedoch eine R ckf hrung auf skalare Probleme sinnvoll Im Geb udebereich ist in der Regel wenig ber Eigenschaften die Zielfunktion bekannt Nur in Ausnahmef llen handelt es sich hier um ganzzahlige Aufgabenstellungen Auch die analytischen Eigenschaften der Zielfunktionen im Gebaudebereich sind in der Regel nicht bekannt so dass nicht auf die Methoden der linearen oder quadratischen Programmierung zur ckgegriffen werden kann Beschr nkungen f r abh ngige Variablen k nnen durch Bestrafungs oder Begrenzungsfunktionen ber cksichtigt werden Wetter II 2004 Genopt p 5 Es existiert keine Optimierungsmethode die mit Sicherheit oder mit einer bestimmbaren
56. auch eine Optimierung des Anlagenbetriebs Insbesondere die Nutzung passiver Speichermassen des Geb udes zur Reduzierung der Kuhllast kann hier als eigenst ndiges Thema ausgemacht werden Die Modellans tze reichen wieder von vereinfachten physikalischen Modellen bis zu reinen Black Box Modellen In einigen F llen wird nur die Zone abgebildet in anderen wird das Gebaudemodell mit einer Anlage meist L ftung kombiniert bzw erg nzt 29 30 31 32 33 34 e FED mit Modellen zur Identifizierung Vorhersage von Lastprofilen F r die FED auf der Ebene des Gesamtgeb udes werden h ufig Modelle f r die Identifikation st ndlicher oder t glicher Verbrauchsprofile verwendet Es werden meist Black Box Modelle verwendet die mittels Messdaten des Gesamtenergieverbrauchs z B Fernw rme oder Strom kalibriert werden Sie sollen anschlie end dazu verwendet werden ungew hnliche Energieverbr uche zu detektieren indem die Residuen von aktuellem und vorhergesagtem Verbrauch ausgewertet werden 35 36 37 38 39 40 Als weitere Schwerpunkt bei den Ver ffentlichungen kann das Thema Visualisierung genannt werden dass sich allerdings als bergreifendes Thema durch viele Ver ffentlichungen zieht Beispielhatt k nnen genannt werden 41 und 42 5 2 2 IEA ECBCS Annexe 1996 wurde als Ergebnis des IEA ECBCS Annex 25 Real Time Simulation of HVAC Systems for Building Optimisation Fault Detection and Diagnosis 19
57. ber cksichtigt so m ssen die reellwertigen Parameter und Eingangsgr en aus Abbildung 5 durch Wahrscheinlichkeitsdichteverteilungen ersetzt werden Wie in Abbildung 7 angedeutet ist das Ergebnis dieser Modellierung dann auch eine Wahrscheinlichkeitsverteilung Die Berechnungsmethoden der Modelle m ssen daf r entsprechend angepasst werden F r den Geb udebereich ist hier der einfachste und momentan auch der einzige praktikable Weg Monte Carlo Simulationen mit den normalen Geb udemodellen durchzuf hren Ei Parameter 0 5 EiEreehnis 15 15 20 Geb ude und Anlagenmodell 0 5 01 Wahrscheinlichkeitsdichte 1 0 Wahrscheinlichkeitsdichte 0 03 0 05 D 0 5 10 15 20 25 30 0 0 02 04 06 0 8 1 0 Parameter Ergebnis Abbildung 7 Allgemeiner Aufbau eines stochastischen Gebaudemodells Bevor die einzelnen Modellarten naher erlautert werden wird im nachsten Abschnitt die Kalibrierung von Modellen beschrieben 4 2 1 Kalibrierung von Modellen Modelle k nnen prinzipiell geb ude bzw anlagenspezifische Vergleichswerte f r den normalen bzw optimalen Betrieb bereitstellen und sind daher von besonderem Interesse f r die Fehlererkennung und Optimierung Fraunhofer ISE 05 07 2011 Seite 22 Modellbasierte Methoden fur Fehlererkennung und Optimierung In der Regel ist es daf r notwendig dass die Parameter des Modells an das reale System angepasst werden Dieser Vorgang wird Kalibrierung des Mode
58. der Verteilnetze und Luftvolumenstr me der Heizenergiebedarf in vielen F llen im Monatsverfahren der DIN V 18599 offensichtlich systematisch zu hoch berechnet wird brigens auch im Vergleich zu st ndlichen Rechnungen etwa nach der VDI 2067 wie sie in Kap 8 10 beschrieben werden Fraunhofer ISE 05 07 2011 Seite 97 Modellbasierte Methoden fur Fehlererkennung und Optimierung 250 orm E individual 200 Verbrauch 150 kWh a 100 50 Abbildung 39 Vergleich des berechneten Endenergiebedarfs f r Heizung nach Norm und Individualberechnung und des gemessenen Heizenergieverbrauchs f r das Geb ude von ennovatis in Gro p sna Beim Geb ude DVZ Barnim war aufgrund der umfassenden messtechnischen Ausstattung ein detaillierter Vergleich der berechneten und gemessenen Energieverbr uche m glich Auch hier zeigen die Ergebnisse der DIN V 18599 erhebliche Abweichungen bei den einzelnen Bilanzanteilen Dies ist auff llig insbesondere im Vergleich mit den Planwerten die mit Hilfe einer dynamischen Geb udesimulation berechnet wurden Tabelle 21 Vergleich des berechneten Endenergiebedarfs gem EnEV bzw DIN V 18599 mit den entsprechenden Messwerten und den Planwerten f r das Geb ude DVZ Barnim Planwerte Messwerte DIN V 18599 kWh m a kWh m a kWh m a Heizen W rme 28 27 2 57 Kuhlen Kalte 8 7 5 21 K hlen Strom 3 2 3 L fterstrom 5 7 9 8 Kunstlicht 10 13 6 26 Warmwasser 1 6 6 Insgesamt war es im Rahmen von Mo
59. der teilweise starken Nicht Linearit t sind jedoch auch zu lange Mittelungszeitraume zu vermeiden lO e Messdaten einfache Berechnungen ICE Simulation wz lt a ro 4 m O N AN O Q N O 15 10 5 0 5 10 15 20 Au entemperatur C Abbildung 59 Signaturen der gemessenen Spreizung und der berechneten Spreizungen sowohl mit den einfachen Berechnungen als auch mit IDA ICE Geb udesimulationen In Abbildung 59 ist ein Vergleich der Messwerte mit den hier dargestellten einfachen Berechnungen sowie detaillierten IDA ICE Simulationen Geb ude und Anlage gekoppelt dargestellt F r die detaillierten Simulationen war ein wesentlich h herer manueller Aufwand erforderlich sie wurden auch f r andere Aufgabenstellungen im Rahmen von ModBen verwendet und waren sowieso vorhanden Beide Berechnungsmethoden zeigen dass wesentlich h here Spreizungen zu erwarten sind Daraus wird geschlossen dass hier ein Fehler im Heizkreis vorhanden ist Fazit Die einfachen Berechnungen k nnen Fehler bei einem relativ geringem manuellen Modellierungsaufwand erkennen aber es sind stochastische Methoden notwendig Das ist ein interessanter Ansatz bei dem weitere Entwicklungen lohnend erscheinen Erste Umsetzungen in der Praxis sind denkbar Mit detaillierteren IDA ICE Simulationen konnte gezeigt werden dass der Fehler sehr wahrscheinlich von nicht abgeglichenen R cklaufverschraubungen der WC Heizk rper herr
60. die 5 beim Ludwig Erhard Haus sicher als Untergrenze zu betrachten sind da sich hier der g nstige Fall einer ohnehin notwendigen Erneuerung der Geb udeautomation ergab und dar ber hinaus nicht die bertragung des vollst ndigen Mindestdatensatzes realisiert wurde e Bei der Art der Datenerfassung entweder ber Datenlogger smartbox oder Anbindung an die vorhandene GA l sst sich keines der Systeme aus wirtschaftlicher Sicht favorisieren Eine existierende GA kann von Vorteil sein wenn die notwenige Sensorik ebenfalls bereits existiert Falls das nicht der Fall ist ist eine L sung ber einen separaten Datenlogger oft zu bevorzugen Besonders augenf llig wurde dies beim Geb ude EADS 88 bei dem urspr nglich eine Aufschaltung auf eine zentrale GA geplant war deren Kosten jedoch mit rund 100 000 Euro die Kosten der realisierten L sung mit Datenlogger um das 3 fache berstiegen e Die identifizierten Einsparungen liegen im Bereich zwischen 5 und 10 und blieben damit etwas hinter den Erwartungen zur ck Dennoch bleibt festzustellen dass bei allen Geb uden Energieeinsparungen identifiziert und als Nebeneffekt auch hydraulische Probleme oder Komfortprobleme aufgedeckt bzw erkl rt werden konnten e Unter Zugrundelegung der identifizierten Einsparpotenziale liegt die statische Amortisationszeit allein f r die Datenerfassung im Bereich von 1 2 Jahren Die R ckrechnung des m glichen Umfangs an Ingenieurdienstleistungen bei einer
61. die Anwesenheit von Personen und liefert somit wichtige Informationen f r die Nutzung des Geb udes Fraunhofer ISE 05 07 2011 Seite 110 Modellbasierte Methoden fur Fehlererkennung und Optimierung Plots Hinweise zur Interpretation Typisches Erscheinungsbild vereinfacht Gesamtplot Aus einer vergleichenden Betrachtung der einzelnen Plots k nnen folgende Informationen generiert werden o Absenkbetrieb Wenn Wasser und Stromverbrauch einen deutlichen Unterschied zwischen Werktagen und Wochenenden aufweisen dann sollte in der Regel ein Absenkbetrieb f r Heizung und K hlung m glich sein Falls dieser nicht aus den entsprechenden Signaturen ersichtlich ist kann das ein m gliches Einsparpotenzial darstellen o Gleichzeitiges Heizen und K hlen Dieser Effekt kann aus dem Vergleich der Signaturen f r Fernw rme oder Brennstoffe mit den Signaturen von Fernk lte bzw Strom Fraunhofer ISE 05 07 2011 Seite 111 hour of day hour of day hour of day hour of day hour of day Pd o Hm un H Pd oO H un Hm u BJ ao H un fer oO MJ oO un N So un oO Modellbasierte Methoden f r Fehlererkennung und Optimierung Carpetplots Der Carpetplot f r die Verbrauchswerte zeigt die Daten in st ndlicher Aufl sung in Form von Leistungen Energie bzw Durchfluss Wasser Weiterhin werden die Au entemperatur und die Globalstrahlung als Referenz mit angezeigt Die H
62. dieser Stelle werden vor allem die einfachen Berechnungen beschrieben da sie schon heute mit einem im Vergleich zu vollst ndigen Geba udesimulationsprogrammen relativ geringerem Aufwand in die GA oder Energie Management Systeme EMS integriert werden k nnten Um die Berechnungen so einfach wie m glich zu machen wurden die folgenden Gr en als Eingangsgr en zeitliche ver nderlich verwendet e Heizlast gesamt im Mindestdatensatz enthalten Aufteilung auf Heizkreise z B mit Pumpensignalen und Auslegungsdaten m glich e Vorlauftemperatur Alle Gleichungen wurden entsprechend umgestellt und geschachtelt Als Parameter zeitlich konstant werden dann ben tigt e Auslegungsdaten Heizkreis gesamt e Auslegungsleistung e Auslegungsvorlauftemperatur Auslegungsr cklauftemperatur e Auslegungsraumtemperatur e Gesamtheizkorperexponent e die Anzahl der Heizk rper bzw evtl diese Angaben f r alle Heizk rper des Heizkreises individuell Da Leistungsaufteilung der Gesamtleistung auf die einzelnen Heizk rper unbekannt ist muss diese durch eine Monte Carlo Simulation d h mit Annahme ber Leistungsverteilung z B Normalverteilung in einer stochastischen Art und Weise erfolgen Mit der Heizlast bzw Heizleistung und der Vorlauftemperatur an jedem Heizk rper kann dann mit der Heizk rpergleichung die R cklauftemperatur und der Massetluss an jedem Heizk rper ausgerechnet werden Unter diesen Bedingungen ist es allerd
63. eigens unter diesem Aspekt entwickeltes Geb udesimulationsprogramm beschrieben 8 Da jedoch bei der Geb udesteuerung in der Regel auch Ein Aus Schaltelemente verwendet werden ist eine konsistente Beschreibung mit stetig differenzierbaren Funktionen schwierig und unter Umst nden artifiziell Dar ber hinaus k nnen durch die numerische Ermittlung der Zielfunktionen im Geb udebereich Unstetigkeiten entstehen 8 In der Regel sind die Eigenschaften der Zielfunktion im Geb udebereich bzw der Geb udesimulationen jedoch so dass klassische gradientenbasierte Optimierungsmethoden nicht konvergieren Aufgrund dieser Eigenschaften von Zielfunktionen im Geb udebereich werden hier haufig die robusten stochastischen Optimierungsverfahren eingesetzt siehe Tabelle Bzw global f r konvexe konkave Funktionen 37 Newton Verfahren k nnen zus tzlich getestet werden k nnen erfolgreich sein wenn Minimum nicht an der Unstetigkeit angenommen wird 38 Information ob tats chlich globales Optimum gefunden wurde schwer zu erhalten Fraunhofer ISE 05 07 2011 Seite 66 6 2 Modellbasierte Methoden fur Fehlererkennung und Optimierung 8 obwohl dabei die Anzahl der Iterationsschritte bzw der Geb udesimulationen erhoht wird Arten der Anwendung von Optimierung Es k nnen zwei grunds tzlich verschiedene Arten von Betriebsoptimierungen bei Geb uden unterschieden werden Zum einen kann die Optimierung der Regelparameter durch Simulation o
64. einzelne Komponenten sind intelligente Regelungen verf gbar die dann vom Hersteller mitgeliefert werden Folgende berlegungen sollen noch einmal verdeutlichen dass es f r eine effiziente und effektive Fehlererkennung diagnose und Optimierung des Anlagenbetriebs mehr bedarf als eines Energiemonitorings e Der Energieverbrauch von Geb uden wird ma geblich getrieben von den Betriebszeiten der Anlagen der H he der bef rderten Medienstr men z B Luft oder Wasser und den globalen Regelungsstrategien z B Einstellungen der Heiz K hlkurven Fraunhofer ISE 05 07 2011 Seite 10 Modellbasierte Methoden fur Fehlererkennung und Optimierung e Neben dem Endenergieverbrauch evtl dem Verbrauch der gr ten Erzeuger und Geb ude Zonen ist f r die Analyse des Energieverbrauchs daher eine Aufzeichnung und Auswertung dieser EintlussgroBe von entscheidender Bedeutung Die Datenerfassung sollte hierbei mit hoher zeitlicher Aufl sung geschehen da nur so die zeitlichen Profile und Abh ngigkeiten vollst ndig und korrekt erfasst werden k nnen e Beim Vorhandensein einer Geb udeleittechnik sind diese Signale meist schon verf gbar was auch den organisatorischen und finanziellen Aufwand eines solchen Vorgehens gegen ber einer vollst ndigen Erfassung aller Teilenergiestr me deutlich verringert Damit wird auch teilweise der in vielen Geb uden bestehenden Problematik von zahlreichen und h ufigen Umbauten und Umnutzungen Rechnu
65. gegen lokale Minima konvergiert Fraunhofer ISE 05 07 2011 Seite 58 Modellbasierte Methoden fur Fehlererkennung und Optimierung Um das globale Minimum zu finden wird der Hooke Jeeves von vielen verschiedenen Startpunkten aus gestartet Multi Start Vorteile e GPS Algorithmen und damit auch der Hooke Jeeves Algorithmus ben tigen kaum Problemwissen d h sie k nnen auch f r nicht kontinuierliche diskrete und nicht stetige Probleme verwendet werden Nachteile e Die Konvergenz gegen das globale Optimum h ngt vom Startpunkt ab e Bei Multi Start HJ relativ hoher Rechenzeitbedarf 6 1 2 Particle Swarm Algorithmus PSA Algorithmus Der 1995 von Eberhart und Kennedy erstmals erwahnte Particle Swarm Optimization Algorithmus ist eine stochastische Populations basierte heuristische Optimierungsmethode Dabei wird eine festgelegte endliche Anzahl von Individuen bzw Teilchen verfolgt Diese Teilchen bewegen sich im Parameterraum am jeweiligen Standort wird die Zielfunktion ausgewertet Die Bewegungen der Teilchen werden entsprechend dem Sozialverhalten von z B Vogel oder Fischschw rmen modelliert Jedes Teilchen versucht sich in Richtung seiner eigenen besten Position mit niedrigster Zielfunktion kognitives Verhalten und in Richtung einer noch g nstigeren Position anderer Teilchen soziales Verhalten zu bewegen 8 45 kognitiv lokal beste L sung on sozial R global a beste og O L sung A
66. gemessenen Variablen Fraunhofer ISE 05 07 2011 Seite 44 Modellbasierte Methoden fur Fehlererkennung und Optimierung Parameterschatzung Diese kann jedoch ebenso zur Fehlererkennung genutzt werden indem sie kontinuierlich w hrend der Laufzeit des Prozesses ausgef hrt wird und ungewollte nderungen der Parameter detektiert die als Ergebnis eines Fehlers interpretiert werden k nnen Fehlererkennung mit Hilfe der Residuen der Ausgangssignale Das kalibrierte Modell kann im einfachsten Fall dazu verwendet um Vergleichswerte f r die Ausgangsgr e des Prozesses zu erzeugen Weichen die Modellvorhersage und das Ausgangssignal des Prozesses voneinander ab kann das auf einen Fehler hinweisen Fehlererkennung mit Hilfe von Parit tsgleichungen Mit einem bekannten bzw kalibrierten Modell k nnen weiterhin Fehler detektiert werden indem das Verhalten von realem Prozess mit dem des Modells verglichen wird Mit Hilfe des Modells kann der Einfluss verschiedener Fehler multiplikative Prozessfehler oder additive Fehler am Ein und Ausgang in Form von Abweichungen vom idealen Verhalten Residuen berechnet werden Aus den Eigenschaftender Residuen l sst sich somit auf die Art des Fehlers schlie en Fehlererkennung mit Hilfe von Zustandsbeobachtern Sch tzern Fehler in einem Prozess f hren in der Regel auch zur nderung der Zustandsvariablen weshalb diese ebenfalls als Residuen f r die Fehlererkennung eingesetzt werden k nnen Diese Me
67. getestet Im Gegensatz zu Annex 25 finden sich hier FED Methoden die nicht nur auf der Ebene der Komponenten sondern auch auf der Ebene des Gesamtgeb udes angewendet werden k nnen Die Autoren kommen unter anderem zu folgenden Schl ssen e Die Fehlerdiagnose in haustechnischen Systemen auf Grundlage von vorhandenen Messdaten aus dem laufenden Betrieb ist schwierig H ufig ist nur eine Fehlererkennung m glich FED erscheint vor allem f r Einzelkomponenten m glich die in Massenproduktion hergestellt werden und deren normales Verhalten sowie die Charakteristika von typischen Fehlern gut bekannt sind e Die Schwellwerte f r die Fehlererkennung sollten von Nutzer angepasst werden k nnen e FED Tools m ssen verschiedene Betriebszust nde eines Systems ber cksichtigen um Fehlalarme zu vermeiden Dementsprechend m ssen Messdaten f r diese Betriebszust nde vorliegen e Die Integration der Fehlererkennung auf Komponentenebene und einer bergeordneten Analyse auf Ebene des Gesamtgeb udes wird als eine der n chsten Forschungsaufgaben ausgemacht e Der Aufwand zur Installation und Konfiguration eines FED Tools muss bei Kosten Nutzen Analysen ber cksichtigt werden da dieser unter Umst nden erheblich sein kann Als weiteres Folgeprojekt wurde der IEA ECBCS Annex 40 Commissioning of Building HVAC Systems for Improved Energy Performance 2001 2004 initiiert 4 Der Annex ist das Ergebnis der Erkenntnis von vielen Forsch
68. hin Trotzdem ist festzustellen dass in der Mehrzahl der Mieteinheiten keine signifikante Wochenendabsenkung sowohl bei Heiz als auch beim K hlbetrieb stattfindet Auch hier ergibt sich ein Potential zur Einsparung Ein bei tiefen Au entemperaturen signifikant ansteigender Stromverbrauch k nnte ein Hinweis auf Einsparpotentiale bei der Beleuchtung sein 9 3 2 M gliche Realisierte Verbesserungs und Einsparpotenziale Aufgrund der oben beschriebenen Situation war es nicht m glich die aus der Analyse abgeleiteten Hinweise f r Einsparpotenziale weiter zu verfolgen Eine vorsichtige Sch tzung ergab dass eine Einsparung von 5 des Energiebedarfs realistisch sein sollte 9 4 EADS Geb ude 88 Ottobrunn Obwohl das Geb ude EADS 88 eine relativ einfache Struktur hinsichtlich Bauk rper Nutzung und anlagentechnischer Ausstattung besitzt wurde die Analyse durch Umbauarbeiten zu Beginn des Unersuchungszeitraums etwas erschwert Es wurde eine Fernk lteanbindung geschaffen die zur K hlung der Rechnerr ume im UG verwendet wird 9 4 1 Energie und Wasserverbrauch Die Grundlast f r den Stromverbrauch liegt bei ca 120 kW bzw bei rund 15 W m Nettogrundfl che Dies stellt f r B rogeb ude die blicherweise um 5 W m liegen einen au erordentlich hohen Wert dar der mit dem Betrieb der Serverraume im UG zu erkl ren ist Fraunhofer ISE 05 07 2011 Seite 192 Modellbasierte Methoden fur Fehlererkennung und Optimierung e
69. komplexe energetische Prozesse nichtlineare Zusammenh nge und stochastische Elemente beeinflusst die die Diagnose der energetischen Effizienz zu einer hoch komplexen Aufgabe machen Die Forschungsarbeiten in dem Bereich der Bayes schen Inferenz sind relativ neu und entsprechende Messdaten sind oft nur begrenzt verf gbar was die empirische Analyse und Anwendung des Ansatzes bislang unm glich macht Ein genereller und globaler Ansatz zur Fehlererkennung und Diagnose erfordert nicht nur mehr Daten sondern auch a priori Wissen engl prior knowledge A priori Wissen ist definiert als der mathematische Ausdruck festgesetzter Tatsachen und aller Unsicherheit die n tig sind um a priori g ltigen Informationen zu integrieren Zum Beispiel k nnte man wissen dass der Wirkungsgrad eines Kessels genau 85 betr gt oder man k nnte leicht unsicher sein und glauben dass der Wirkungsgrad in einem Bereich von 85 5 liegt Jede Behauptung ber den Grad der pers nlichen berzeugung engl degree of belief f r das betrachtete Problem hilft bei der L sung des Problems Es ist sehr wichtig dass keine falsche oder irref hrende Information ber cksichtigt wird Da der Zweck von ModBen die energetische Diagnose von Geb uden und deren Subsystemen ist besteht die M glichkeit diese Kenntnisse mittels Messungen oder ver ffentlichte Daten zu gewinnen Man kann z B ber den Wert des Kesselwirkungsgrades v llig unsicher sein wei aber dass dieser Wert w
70. tel 1 952 6 h geressener VWarrrev erbraucth Sue 5 5757 25 A vex 17 267 07 AAR Mittel 2 1756 44 Bf F berechneter Varrrebedarf MH gerressener Varrreverbrauch Abbildung 95 Vergleich Warmebedarf und Warmeverbrauch 1 Halbjahr 2009 Um eine kontinuierliche Betriebsanalyse durchf hren zu k nnen muss man neben den aktuellen Wetterdaten auch die aktuelle Nutzung kennen F r einfache Geb ude wie etwa f r das Demogeb ude Gro p sna k nnen der tats chliche Mitarbeiterstand und die tats chliche Anwesenheit etwa mit Hilfe der st ndlichen Wasserverbr uche ermittelt werden Bisher ergaben sich folgende Ergebnisse aus den Arbeiten zum Vergleich Bedarf und Verbrauch e Verbrauchskontrolle ist unabdingbare Voraussetzung f r effektiven Betrieb von Geb uden e Erstmalige Anpassung Verbrauch an Bedarf bringt hohe Einsparungen hier bis zu 40 Dazu sollten Werkzeuge verbessert werden e Zeitnahe Koppelung Bedarf Verbrauch ist m glich dadurch fr hzeitige Vermeidung von Betriebsfehlern und Verschwendungen wegen etwaiger nderungen im Betrieb und oder Bedarf e Vorhersagegenauigkeit von Individualrechnungen auf Basis von Monats und Stundenwerten o Jahresbasis Individualrechnung 5 o Monatswerte Individualrechnung 10 o Tagesrechnung Regressionsverfahren 10 Die in Abbildung 95 festgestellten Abweichungen von Bedarf und Verbrauch deuten auf einen nicht optimalen Betrieb hin Hier erwarten wir ein Einsparpotential von ca
71. um den Prozess besser darstellen zu k nnen Das thermische Netzwerk k nnte umfangreicher dargestellt werden was aber unter Umst nden von der eigentlichen Thematik ablenken w rde Bayes sche Wahrscheinlichkeits Kalibrierung In diesem Abschnitt wird das verwendete Geb udemodell kurz dargestellt Die Modellierung der Geb udeh lle erfolgte mit zusammengefassten Parametern Die dynamische W rme bertragung durch mehrschichtige opake Bauteile wurde deshalb Fraunhofer ISE 05 07 2011 Seite 150 Modellbasierte Methoden fur Fehlererkennung und Optimierung mit folgendem aquivalentem thermischen Widerstands Kapazitatsmodell berechnet Abbildung 62 Or i O C C T T Abbildung 62 quivalentes Ersatzmodell f r opake Bauteile Alle schweren Elemente der Geb udeh lle werden durch zwei thermische Kapazit ten G und Co und drei thermische Widerst nde R Rm und Ro repr sentiert Dieser 3R2C Ansatz zweiter Ordnung hat sich als effektive Modellierungsmethode f r schwere Bauteile erwiesen Mit Optimierungsmethoden konnte gezeigt werden dass folgende Werte typischerweise gute Ergebnisse liefern obwohl das nicht immer gilt R 0 10Rr Rm 0 40 Rr und R 0 50 R7 Cena Seel Dabei sind Rr und Cr Gesamtwiderstand und Gesamtkapazit t berechnet aus den Konstruktionsdaten Der Term g in Abbildung3 ist ein Strahlungsquellterm z B f r solare und langwellige interne Quellen Strahlung Aus der Energiebilanz f r die inneren Temperat
72. und Ablufttemperatur der gr ten L ftungsger te Relative Zu und Abluftfeuchte der gr ten L ftungsger te Betriebsr ckmeldung der gr ten Antriebe Pumpen Ventilatoren Raumklima Raumtemperatur relative Raumluftfeuchte Mindestdatensatz in ModBen der in hoher zeitlicher Aufl sung erfasst wird i d R 5 10 Minutenwerte z B Gas l Biomasse Eigenen Wetterstation oder Daten von Anbieter Eigenen Wetterstation oder Daten von Anbieter Eigenen Wetterstation oder Daten von Anbieter Haupt W rme K lteverteilung Nur wenn Zuluft thermodynamisch behandelt wird Von einer oder mehreren Referenzzonen Von einer oder mehreren Referenzzonen Die Begr ndung f r diesen Mindestdatensatz l sst sich folgenderma en darstellen Fraunhofer ISE 05 07 2011 Seite 75 La Modellbasierte Methoden f r Fehlererkennung und Optimierung e Die Verbrauchsdaten sind notwendige Vorraussetzung um den Energieverbrauch zu kontrollieren und zu minimieren Zus tzlich zu den Energieverbrauchen wird auBerdem der Wasserverbrauch aufgezeichnet da dieser wertvolle R ckschl sse auf die Belegung des Geb udes mit Personen bzw die Nutzungszeiten zul sst Dieser oft unsichere Parameter wird damit greifbar e Die Aufzeichnung von Wetterdaten ist notwendig um klimaabh ngige und unabh ngige Verbrauchsanteile identifizieren zu k nnen Dies ist eine wichtige Voraussetzung f r die weitergehende Analyse des Energieve
73. und Optimierung Als Hauptursache fur diese Situation kann das mangelnde Interesse des Gebaudebesitzers IHK Berlin genannt werden Der Gebaudeeigner konnte nach der Anbindung der Gebaudeautomation die im Zuge einer ohnehin f lligen Erneuerung des Systems durchgef hrt wurde nicht motiviert werden das Betriebspersonal und den Hersteller der Geb udeautomation Siemens zu den notwendigen Restarbeiten zu veranlassen ber die Tageswerte des Energie Verbrauchs der verschiedenen Mieteinheiten war dennoch eine eingeschr nkte Analyse m glich 9 3 1 Energie und Wasserverbrauch F r alle Mieteinheiten wurden die Tageswerte f r W rme K lte und Stromverbrauch aufgenommen Die Summation zeigt dass sowohl bei der Heizung als auch bei der K hlung eine ganzj hrige Grundlast auftritt Bei der Heizung liegt die Grundlast bei ca 25 kW w hrend er bei der K hlung bei ca 20 kW liegt ber einen weiten Bereich der Au entemperatur ca 5 15 C liegt somit gleichzeitiger Heiz und K hlbetrieb vor der deutlich ber der jeweiligen Grundlast liegt Dieses Verhalten ist auch bei einzelnen Mieteinheiten zu beobachten Die Vermeidung dieses gleichzeitigen Heiz und K hlbetriebs stellt ein Einsparpotenzial dar dass aber aus den oben genannten Gr nden nicht genauer Unersucht werden konnte Der Stromverbrauch zeigt ein eindeutiges Wochenprofil und weist auf regelm ige Anwesenheitsprofile und auf geringe Nutzung des Geb udes am Wochenende
74. und Wasserverbrauch mit einbezogen Weiterhin erw hnenswert ist die Einbeziehung der Differenz der Innentemperatur zum Vortag Es konnte gezeigt werden dass diese Variable die Qualit t des Modells f r den W rmeverbrauch entscheidend verbessert da somit Anheizvorg nge nach Absenkphasen z B am Wochenende besser abgebildet werden k nnen Um die Anwendung des Modells zu automatisieren war es notwendig die Identifikation der Typtage und der Changepoints ebenfalls zu automatisieren Weiterhin war eine Vorprozessierung der Messdaten notwendig bei der Ausrei er aus den Daten entfernt werden und die Merkmale der Typtage Tagesmittelwerte sowie Minimal und Maximalwerte des Verbrauchs erzeugt und normalisiert werden Die n chste Abbildung zeigt ein vereinfachtes Schema des Algorithmus Ein vollst ndiges Schema findet sich in Anhang H Merkmale f r Typtag bestimmung erzeugen transformieren standardisieren Ausrei er aus Daten entfernen Merkmale f r Typtage erzeugen transformieren Clusterprozess f r standardisieren Typtagbestimmung Clustering um 2 Typtage zu ermitteln Vergleich Vorhersage Regressionsmodell mit Messwerten Meldung und oder Wiederholung Trainingsphase Erstellung Regressionsmodell f r Energieverbrauch Trainingsphase Validierungsphase Abbildung 81 Schema des Algorithmus zur AusreiBerdetektion bei den Verbrauchswerten Energie Wasser Fraunhofer ISE 05 07 2011 Seite 172
75. und fehlerfreie Dokumentation von Geb uden Fl chen Nutzung Aufbau Geb udeh lle Art und Eigenschaften der haustechnischen Anlagen etc in den allermeisten Fallen nicht vorliegt Und selbst wenn das der Fall ist m ssen die Daten zur Verwendung in einem Modell zun chst manuell aufbereitet werden Damit ist der Aufwand f r die Modellerstellung und die Kalibrierung meist zu hoch um die erw hnten Verfahren fl chendeckend einsetzen zu k nnen Die Hoffnung dass die Vorgaben der EnEV bzw der DIN V 18599 hier zu einer Vereinheitlichung beitragen k nnen hat sich leider nicht oder nur teilweise best tigt Insgesamt ist es aus Sicht des Projektteams notwendig an den Schnittstellen zwischen Geb udeplanung Ausf hrung Geb udeautomation und FED Optimierung weiter an L sungen f r einen m glichst reibungslosen und verlustfreien Datenaustausch zu arbeiten e Behandlung von Unsicherheiten in der Modellierung Bei der Modellierung bzw Simulation von Geb uden sind viele Parameter Unsicherheiten unterworfen Typisches Beispiele ist das Nutzerverhalten z B in Bezug auf Anwesenheitszeiten Belegungsdichte Heiz und L ftungsverhalten Aber auch technische Parameter wie U Werte der Geb udeh lle k nnen aufgrund fehlender Informationen unsicher sein Im Rahmen von ModBen wurden diese Unsicherheiten mit stochastischen 8 6 und probabilistischen 8 7 Methoden behandelt Im Ergebnis erh lt man damit eine Aussage ber die Wahrscheinli
76. unserer Implementierung wurden jedoch n unabh ngige Zufallsvariablen erzeugt die dann mit der Gesamtleistung normiert wurden so dass dadurch eine Abh ngigkeit erzeugt wurde die auf n 1 unabh ngige Variablen hinausl uft aber wesentlich einfacher normierbar ist Histogram of P rand2 3 40 50 Frequency 30 20 10 0 200 400 600 800 1000 1200 P rand2 3 Abbildung 57 Haufigkeitsverteilung der Heizleistung von Heizk rper Nr 3 in der Monte Carlo Stichprobe n 300 Damit ergibt sich dann einen H ufigkeitsverteilung der R cklauftemperatur aus der Monte Carlo Simulation siehe Abbildung 58 Dieses Verfahren kann dann zu verschiednen Mess Zeitpunkten durchgef hrt werden Der Erwartungswert der Verteilung kann mit den Messwerten verglichen werden Histogram of T Ret sum 30 Frequency 20 10 a 30 35 40 45 50 55 60 T Ret sum Abbildung 58 Haufigkeitsverteilung der berechneten R cklauftemperatur aus der Monte Carlo Simulation n 300 zu einem bestimmten Zeitpunkt Fraunhofer ISE 05 07 2011 Seite 140 Modellbasierte Methoden fur Fehlererkennung und Optimierung Um den Einfluss der Dynamik in den Messwerten zu reduzieren sollte ber eine gewisse Zeitspanne im Beispiel eine Stunde gemittelt werden da sie in den Berechnungen vernachl ssigt wurde Dynamische Effekte in diesem Beispiel r hren von den W rmekapazit ten im Heizungssystem und den Wasserlauftzeiten im System her Aufgrund
77. werden z B verschiedene Betriebszust nde Mehrere dieser Plots k nnen zu so genannten Scatterplot Matrizen kombiniert werden die dann die Darstellung der Abh ngigkeiten von mehr als zwei Variablen erm glicht Scatterplots erm glichen die Identifikation globaler Regelstrategien z B die Abh ngigkeit von Systemtemperaturen von der Au entemperatur Diese Plots werden auch als Signatur bezeichnet e Carpetplots Carpetplots sind eine besondere Art der Darstellung des zeitlichen Verlaufs einer Messgr e bei der der Messwert mit Hilfe einer Farbskalierung angezeigt wird Dadurch werden regelm ige zeitliche Muster wie z B Betriebszeiten von Anlagen sehr gut ablesbar Carpetplots eignen sich daher besonders zur Identifikation von Betriebs und Anwesenheitszeiten F r die Analyse werden haupts chlich Scatter und Carpetplots verwendet da sie f r die Bereiche Energieverbrauch Heiz K hlkreise und RLT Anlagen charakteristische Betriebsmuster liefern die eine schnelle Fehlererkennung erlauben Zeitreihendarstellungen werden lediglich als Referenz verwendet z B um den zeitlichen Verlauf einer St rung im Detail zu untersuchen Wichtige Hilfsfunktionen f r die Visualisierung stellen die Filterung und Gruppierung der Daten dar Fraunhofer ISE 05 07 2011 Seite 102 Modellbasierte Methoden fur Fehlererkennung und Optimierung e Filterung Als Filterung wir die Extraktion einer Teilmenge der Messdaten bezeichnet die eine bes
78. 0 Mal I ooo ou ee ae ar NIE res BIER m___ 2 4 6 6 10 12 14 16 16 2 2 245 550 Sure 276 O35 AAR Ps GS 04 BAR Bitte 9 bay Abbildung 92 Gasverbrauch im April 2009 Zwar l sst sich die Anlage nach der Au entemperatur steuern Per Schaltuhr k nnen einige Grundvarianten ausgew hlt werden z B ist ein Tages und Nacht bzw Wochenendbetrieb einstellbar aber die Zuverl ssigkeit der Regelung l sst zu w nschen brig so dass die Effekte letztlich gering sind Warren ca Ele nieee 2006 il al 2 46 E DTEHE BD 2 AS SE anme Oak Mee dal Seb Mid 25 bey OB Ae T irat Fiche E ARS Abbildung 93 Gasverbrauch Dez 2009 Fraunhofer ISE 05 07 2011 Seite 185 Modellbasierte Methoden fur Fehlererkennung und Optimierung Warren fale ime ue ro g A000 12000 100 asiat gog 46 8 TEHE BALSA BA Arme SF KM MB A raa Mile AIO Be E Sie T iaf Rchaf Ale Abbildung 94 Gasverbrauch Jan 2010 Um zumindest w hrend der Weihnachtsruhe zum Jahreswechsel 2009 10 Einsparungen zu erreichen wurde am 23 Dez 09 die Vorlauftemperatur auf 50 C abgesenkt die Zeitschaltung auf Mo Fr 8 18 Uhr gestellt und im WE Betrieb auf 10 18 Uhr Wegen kalter Witterung konnte dieser abgesenkte Betrieb ber den Jahreswechsel aber nicht durchgehalten werden Am 29 12 musste auf Vollbetrieb umgestellt werden mit Vorlauftemperatur 60 C Am Di 5 1 2010 ist zum Feierabend und ber Nacht die Heizung ganz ausgefallen am n chst
79. 3 1 Generelle Hemmnisse e Informations Bewusstseinsdefizit bei Geb udebesitzern und oder Betriebspersonal Die Sinnhaftigkeit einer kontinuierlichen Betriebs berwachung wird zwar prinzipiell anerkannt das Kosten Nutzen Verh ltnis wird jedoch in Frage gestellt Au erdem gibt es kein einheitliches Verst ndnis des Begriffs Betriebs berwachung e Schwierige Datenlage Die Dokumentation und messtechnische Ausstattung von Bestandsgeb uden ist oft nicht ausreichend f r eine Betriebsanalyse Bestandsunterlagen sind oft unvollst ndig bzw nicht aktuell fehlen komplett oder sind schwer zug nglich aufgrund aufgeteilter Zust ndigkeiten Messdaten wiederum sind meist auf ein Minimum reduziert das den Mindestdatensatz gem ModBen noch unterschreitet Zudem ist die Erfassung von Energiedaten und Betriebsdaten oft getrennt e Interoperabilitat Trotz zum Teil fehlender oder nicht aktueller Bestandsunterlagen haben in der Regel zwei Vor Ort Termine ausgereicht um Gebaude und Anlage entsprechend der in 8 3 beschriebenen Checkliste zu erfassen Die konzentrierte und ubersichtliche Darstellung der Charakteristika von Gebaude und Anlage wie sie die Checkliste darstellt hat sich in der Analyse als u erst hilfreich erwiesen Dennoch bleibt festzustellen dass die systematische und einheitliche Dokumentation von Geb uden und anlagentechnischer Ausstattung erst am Fraunhofer ISE 05 07 2011 Seite 213 Modellbasierte Methoden fur Fehlererk
80. 91 1995 5 as Building Optimization and Fault Diagnosis Source Book ver ffentlicht Das Thema FED in Geb uden wird hier als neue bzw zuk nftige Aufgabe beschrieben Das Source Book gibt einen umfassenden berblick ber die h ufigsten Fehler in haustechnischen Systemen und FED Methoden im Allgemeinen Aufgrund der Zielsetzung Fehler mit Hilfe von Prozessmodellen bzw Simulation zu analysieren wurden weiterhin zahlreiche Komponentenmodelle entwickelt bzw zusammengestellt Folgende Systeme wurden betrachtet Ol Kessel K ltemaschinen W rmepumpen L ftungssysteme und Speicher Eine der zahlreichen Empfehlungen hierbei lautet Modelle so einfach wie m glich zu halten Dementsprechend wurde haufig mit statischen Modellen gearbeitet Der Annex gibt einen guten theoretischen berblick wahrscheinlich erstmalig in diesem Umfang jedoch ohne die Methoden in Feldstudien zu evaluieren Dies wird als Folgeprojekt angeregt Dieses Folgeprojekt war der IEA ECBCS Annex 34 Computer Aided Evaluation of HVAC System Performance 1997 2001 6 dessen Ergebnisse 2001 in dem Bericht Demonstrating Automated Fault Detection and Diagnosis Methods in Real Fraunhofer ISE 05 07 2011 Seite 48 Modellbasierte Methoden fur Fehlererkennung und Optimierung Buildings zusammengefasst wurden Dort finden sich zahlreiche Fallstudien von FED im Geb udebereich mit verschiedenen Werkzeugen Insgesamt wurden ber 26 Werkzeuge in mehr als 20 Geb uden
81. Auf eine Berechnung dieser Konstante kann verzichtet werden wenn das Verh ltnis der Modellwahrscheinlichkeiten verwendet wird Dieses Verh ltnis wird Quotenverh ltnis engl odds ratio genannt Das Quotenverh ltnis f r die Bevorzugung des Modells m1 ber das Modell m2 kann mit folgender Gleichung berechnet werden o pon VIS eE malia OW na On YS eG lin WO slg fine Om mm Al Br MIF Wobei der Faktor in Klammern a priori Quote genannt wird und mzmz_als sogenannter Bayes Faktor bezeichent wird der das Verh ltnis der a priori Vorhersagewahrscheinlichkeiten ausdr ckt Gleichung 19 Diese Methode unterscheidet sich von der Parameterbestimmung ist aber n tig wenn man neben der Parameterbestimmung auch eine Bestimmung des Modells welches verwendet wird durchf hren will Bei der Verwendung von sowohl der Parameterbestimmung als auch der Modellbestimmung kann sichergestellt werden dass die richtigen Modelle mit den richtigen Parametern verwendet werden Einzige Voraussetzung ist das Vorhandensein von geeigneten Messdaten Stufe 3b Optimierung mit Simulation des Gesamtgeb udes 8 8 1 Begr ndung f r den Ansatz In der Praxis erfolgt die Energieoptimierung von Geb uden meist auf Grundlage einfacher Absch tzungen und Berechnungen und der Erfahrung des jeweiligen Gutachters Diese Herangehensweise beschr nkt sich oft auf nur weniger Parameter die manuell optimiert werden Im Rahmen dieses Projekts wird die modellb
82. B besitzt CITE AHU etwa 60 Regeln um Fehler in L ftungsanlagen zu erkennen Black Box Modelle kommen meist in Form von Regressionsmodellen z B PACRAT oder Neuronalen Netzen z B WBD zum Einsatz Sie werden verwendet um eine Baseline des Verbrauchs zu identifizieren die anschlie en zur Detektion ungew hnlich hoher oder niedriger Verbr uche herangezogen wird D h die Baseline repr sentiert den normalen soll hei en vorhandenen Energieverbrauch und kann somit nur zur Ausrei ererkennung aber nicht zur Optimierung herangezogen werden e White Box Modelle kommen nur bei einem Tool zum Einsatz ABCAT Dort allerdings sehr speziell f r L ftungssysteme amerikanischen Stils Das Modell bildet eine L ftungsanlage mit dazugeh riger Zone ab statisch Heizung und K hlung der Zone erfolgt ausschlie lich ber die L ftungsanlage all air system Obwohl der Ansatz eines einfachen physikalisch basierten Modells prinzipiell interessant erscheint l sst sich das Modell nicht ohne weiteres auf Europ ische Systeme bertragen die ein gr eres Ma an Varianz in der Konstruktion aufweisen Zusammenfassung Insgesamt ergibt sich f r den Bereich FED in Geb uden das Bild einer in der Entwicklung begriffenen Technik die auf dem Gebiet der Forschung zahlreiche verschiedene Ans tze und wenig Systematisierung zeigt Die Vielzahl der Ans tze die in der Forschung untersucht werden und deren Eignung oft nur im Labor oder in Sim
83. B Gas kWh_witterungsbereinigt_2008 kWh J Gas kVVh_witterungsbereinigt_2009 kWh Gas kWV h_witterungsbereinigt_2010 kWh Abbildung 102 Gasverbrauch in Gro p sna Die adaptive Heizungsregelung wurde in der Anlage in Gro p sna eingebaut Erste Messergebnisse zeigen dass die Tendenz steigender Verbrauche des Fruhjahres gestoppt wurde Einsparungen ca 5 und sich der Verbrauch jetzt besser an den Bedarf anpassen l sst so dass die Unterschiede zwischen Verbrauch und Bedarf wie erwartet weiter zur ck gehen Fraunhofer ISE 05 07 2011 Seite 207 deze 12 1 Modellbasierte Methoden f r Fehlererkennung und Optimierung Fazit Die Ergebnisse von ModBen zeigen dass durch die entwickelte Systematik die an den Prozess des Continuous Commissioning angelehnt ist siehe 2 2 die Energieeffizienz von Geb uden um bis zu 15 verbessert werden kann Grundlage f r die Identifikation dieser Einsparpotenziale ist die kontinuierliche Aufzeichnung und Auswertung des Mindestdatensatzes gem 7 2 in Kombination mit modellbasierten Analysen Bei gr eren Geb uden bzw Geb uden mit Verbrauchskosten im Bereich mehrerer 10 000 Euro liegt die statische Amortisationszeit dieses Verfahrens dabei im Bereich von 1 3 Jahren Die Werkzeuge die im Rahmen von ModBen entwickelt wurden unterst tzen diesen Prozess durch die systematische Erfassung und Auswertung von Messdaten Insbesondere die systematische und standardisierte Visualisierung des Mindestda
84. Betriebs berwachung und Analyse Fraunhofer ISE 05 07 2011 Seite 82 Modellbasierte Methoden fur Fehlererkennung und Optimierung 8 1 1 DVZ Barnim Beim Dienstleistung und Verwaltungszentrum DVZ Barnim handelt es sich um ein Ensemble von mehreren Verwaltungsgeb uden der Kreisverwaltung Barnim in der N he von Berlin if Th j B Abbildung 28 Luftaufnahme des DVZ Barnim Die rote Markierung zeigt Gebaude D dass im Rahmen von ModBen betrachtet wurde Es handelt sich um relativ neue Geb ude Inbetriebnahme 2007 mit einem hochwertigen energetischen Standard spezifischer Prim renergiebedarf unter 100 kWh m a der in etwa dem eines Passivhauses entspricht Die Geb ude wurden im Rahmen des Programms EnOB gef rdert Die B rofl chen gruppieren sich um ein zentrales Atrium so dass eine Au enzone eine Innenzone R ume zum Atrium und eine dazwischen liegende Kombizone bzw Verkehrsfl che entstehen Tabelle 13 Hauptdaten DVZ Barnim Baujahr 2007 Nutzung B rogeb ude Stockwerke 4 Netto Grundfl che ca 8000 m Heizung Erzeugung 2 reversible W rmepumpen Erdsondenanlage und R ckk hlwerk als Quelle bergabe Radiatoren Au enzonen Innenzone und Fu bodenheizung kuhlung Kombizone Heiz K hlregister in der RLT Fraunhofer ISE 05 07 2011 Seite 83 Modellbasierte Methoden fur Fehlererkennung und Optimierung RLT Anlage Be und Entluftung mit WRG Sicherstellung des hygienischen Luftwechsels
85. Detaillierungsgrad von White Box Modellen kann trotz des physikalischen Ansatzes sehr unterschiedlich sein Wenn alle geb udetypischen Ph nomene einzeln modelliert werden sind rasch mehrere hundert Parameter zur Beschreibung notwendig Mit steigender Ortsaufl sung in den Modellen beginnend vom einfachen statischen Ein Zonen Modell zu Modellen die Raumluftstr mungen und Tageslichtverteilungen in einzelnen R umen modellieren beinhalten die Modelle einige wenige bis hin zu mehreren Millionen Gleichungen Entsprechend unterschiedlich sind Modellierungs und L sungsaufwand sowie Nutzung und Nutzbarkeit White Box Modellen k nnen durch die Gleichungen auf denen sie basieren weiter unterschieden werden in Z B e statische dynamische Modelle e lineare nichtlineare Modelle e mehrmals differenzierbare stetige nicht stetige Modelle Bei statischen Modellen h ngt der output nicht vom zeitlichen Verlauf ab Bei dynamischen Modellen ist der output dagegen z B aufgrund der Ber cksichtigung von Speichereffekten vom zeitlichen Verlauf der inputs abh ngig Dynamische Modelle beinhalten in der Regel Differentialgleichungen DGL Je nach Art der DGL kann damit weiter unterschieden werden gew hnliche partielle lineare und nichtlineare DGL Fraunhofer ISE 05 07 2011 Seite 25 Modellbasierte Methoden fur Fehlererkennung und Optimierung Tabelle 3 Beispiele fur verschiedene Modell bzw Gleichungsarten Art Beispiel Anwendung sche
86. Dokumentation von Geb uden in den allermeisten F llen nicht vorliegt Damit ist der Aufwand f r die Modellerstel lung und die Kalibrierung meist zu hoch um die erw hnten Verfahren fla chendeckend einsetzen zu k nnen Die Hoffnung dass die Vorgaben der EnEV bzw der DIN V 18599 hier zu ei ner Vereinheitlichung beitragen k nnen hat sich leider nicht oder nur teil weise best tigt hnliche Probleme bestehen beim Austausch von Messdaten Einheitliche Standards f r Formate von Zeitreihen Datenpunktbezeichnungen und die Art der Datenprozessierung fehlen sind aber f r eine effiziente Betrieb berwa chung notwendig Insgesamt ist es aus Sicht des Projektteams notwendig weiter an L sungen f r einen m glichst reibungslosen und verlustfreien Datenaustausch an den Schnittstellen zwischen Geb udeplanung Ausf hrung Gebaudeautomation und FED Optimierung zu arbeiten Behandlung von Unsicherheiten in der Modellierung Bei der Modellierung bzw Simulation von Geb uden sind viele der notwendi gen Eingaben unsicher Typisches Beispiel ist das Nutzerverhalten z B An wesenheitszeiten Belegungsdichte Heiz und L ftungsverhalten Im Rahmen von ModBen wurden solche Unsicherheiten mit stochastischen und probabilistischen Methoden behandelt Dieses Vorgehen unterscheidet sich grundlegend von klassischen Simulationsrechnungen und hat den Vorteil dass vorhandene Unsicherheiten quantifiziert werden k nnen Solche Simulationsmodelle werden
87. Ereignis eine Untermenge von in Z ist piXY Z p X Z ip Viz Gleichung 2 Alle Beziehungen zwischen den Wahrscheinlichkeiten k nnen aus diesen beiden Gleichungen abgeleitet werden Zum Beispiel die Wahrscheinlichkeit dass ein Ereignis in X oder in Y existiert wenn bekannt ist dass das Ereignis eine Untermenge von in Z ist kann wie folgt berechnet werden KA Y ZI pex Zi pi ZI pyle Gleichung 3 Es sollte nicht vergessen werden dass die Argumente f r ein Wahrscheinlichkeitssymbol Aussagen und keine Zahlen sind Dar ber hinaus sind die Operationen in den Klammern logische Operationen das logische UND ist die Multiplizierung der Wahrscheinlichkeiten und wird mit nebeneinander gestellten Behauptungen dargestellt Das logische ODER ist die Summe der Wahrscheinlichkeiten und wird mit dem Symbol dargestellt Zur Ableitung Bayes Theorem erkennen wir dass XY und YX gleich sind Aus obigen Gleichungen ergibt sich FAXN YZ NER FON Gleichung 4 Das Bayestheorem wird in der Abbildung 60 dargestellt Abbildung 60 Herleitung des Bayestheorems Fraunhofer ISE 05 07 2011 Seite 146 Modellbasierte Methoden fur Fehlererkennung und Optimierung Das Theorem wird verwendet um Hypothesen zu testen Um die Methode zu erkl ren nehmen wir an dass X H Hypothese die getestet werden soll ist Y D und stellt Daten dar die zum Testen der Hypothese herangezogen werden Weiterhin ist Z K
88. Fehlererkennung und Optimierung Zusammentassung Durch eine kontinuierliche Betriebs berwachung von Geb uden k nnen Energieein sparpotentiale im Bereich von 5 bis 20 allein durch die korrekte Einstellung von Steuer und Regelparametern erreicht werden Dabei handelt es sich meist um einfache Ma nahmen wie z B die Anpassung von Zeitprogrammen die korrekte Einstellung von Heiz und K hlkurven oder die Anpassung von Volumenstr men Dennoch bleiben diese Einsparpotenziale oft unerschlossen wenn die notwendigen Messdaten nicht verf gbar oder nicht aufbereitet sind Das Ziel von ModBen war es Verfahren und Werkzeuge zu entwickeln um diese Einsparpotentiale m glichst effektiv und kosteng nstig zu ermitteln und dauerhaft zu erhalten Ausgangspunkt f r die Entwicklungen in ModBen war eine allgemeine Top Down Methodik siehe 7 1 f r die Analyse des Geb udebetriebs Die Methode lehnt sich an die aus dem amerikanischen Sprachraum stammende Methode des continuous commissioning an Inhaltlich kann diese am besten mit kontinuierliche funktionale Qualitatskontrolle bersetzt werden kann Es wurde ein 4 stufiger Ansatz entwickelt der mit einer Grobanalyse beginnt Bench marking an das sich je nach Ergebnis weitere detailliertere Untersuchungen an schlie en siehe Abbildung 1 E Aufwand Messungen Analyse nur wo und wann erforderlich E 4 Schritte E Soweit m glich Automatisierung Benchmarking Bestandsdate
89. Fraunhofer ISE 05 07 2011 Anhang Seite XVII EADS Gebaude 88 Munchen EADS Gebd 88 Stand 19 02 2008 Modellbasierte Methoden f r Fehlererkennung und Optimierung Temperatursensoren PT100 in Tauchh lse a aay ni wu F f f Heizung Heizung Bauseits ee a ui a el eg WIM K lte gene Paare Gebsb Mord Wasser Durchfl Durchfi r uss USS m nat StromZ hler Impuls SO Gebs West m PT 0O0 Anlegef hler Neu ne 2 mens PTIO00 Aussentemperatur Strom anier P1000 Aniegefihler Heizkreis VL x FT 1000 Anktegef hler Heizkreis2 WL mums FT 1 000 Amlegeilihler Heirkreis3 WL wees PT1000 Aniegef hler Heizkreisd VL RS455 Feldbus 2 Draht i 2 fil 0 10 e W op 4 Intern 4x Temperatur TCPNP z BxAnalog 4x Feuchte a Analogwerte g i aus Referenzr umen 0 10 Smartbox Temperaturmessungen 2x Tempera tur Analog 2x Feuchte 0 10 W EEE An werte Intem SSS aus oh lke Windgeschwi Wr nn 8 Signale intem Bx SSS TT von Pumpen Anal Digital EIN ALES 0 1 w Potentalfrei Smartbox Fraunhofer ISE 05 07 2011 I _ Wind richtung Anhang Seite XVIII Ludwig Erhard Haus Berlin Ludwig Erhard Haus Berlin i u 2 u H ur J Fraunhofer ISE 05 07 2011 GLT Rechner mbus Z hler mbus Z hler SaL Datenbank Schnktstelle Energleverbrauch Datenpunkte System PIX Firewall T Ta ak Ir P u ne E T a N i a E Fa i d M
90. G al Ar cocker a hie an a SLES 1 oer Ds HG UF NUH Ri ste mAg ge R HTa Rec E nirane EpPoren bers SS johecits Beroa ax Hcrose 2 NNO Yen GR Hele yt ae er von hd am Abbildung 36 Screenshot des Programms EnEV von ennovatis zur Erstellung von Energiebedarfsausweisen gema EnEV bzw DIN V 18599 Gezeigt ist hier das 3D Modell des Ludwig Erhard Hauses in Berlin RLT Anlagen sten Verteilung W rmeerzeuger Gaskessel nt K lteerzeuger sod En u ine W rmeerzeuger RLT Anlagen pee Et S Abbildung 37 Prinzip der Dokumentation der Anlagenstruktur Die einzelnen Komponenten bzw Subsysteme der Anlagentechnik sind als Kreuztabelle angelegt Die Pfeile markieren physikalische Verkn pfungen zwischen den Systemen im Beispiel w rde der Gaskessel W rme an Speicher 1 SP1 liefern und dieser Wiederum W rme an Verteilkreis 1 VT1 abgeben Siehe auch Anhang G Fraunhofer ISE 05 07 2011 Seite 96 Modellbasierte Methoden fur Fehlererkennung und Optimierung 8 3 4 Beispiel Evaluation in den Demonstrationsgebauden Fur alle Demonstrationsgebaude wurde der Energiebedarfsausweis zun chst ohne individuelle Anpassung d h mit standardisierten Nutzungsprofilen und anlagentechnischer Ausstattung erstellt Ein direkter Vergleich der berechneten Werte mit dem gemessenen Verbrauch ist in der Regel nur f r die Endenergie f r Raumheizung m glich da der Str
91. Kann in keine Richtung mehr eine Reduktion der Zielfunktion erreicht werden wird die Schrittweite reduziert und die Suche entlang aller Koordinatenachsen nach dem beschriebenen System wiederholt siehe Abbildung 19 Abbildung 19 Iterationen des Hooke Jeeves Algorithmus an einem Beispiel Bei dem Programm GenOpt 8 das im Bereich der Geb udeoptimierung schon mehrfach angewendet wurde wurden einige Verbesserungen des Orginal Algorithmus von 1961 ber cksichtigt So kann es z B bei sehr unterschiedlichen Skalen der einzelnen Koordinatenachsen Parameterachsen Gr enordnungen W rmekapazit ten 10 kJ K Temperaturen 10 C vorkommen dass bestimmte Achsen zun chst fast vollkommen von der Suche ausgeschlossen sind Deshalb ist es sinnvoll unterschiedliche Schrittweiten entlang der einzelnen Koordinatenachsen zu definieren Bell und Pike Bell 1966 haben vorgeschlagen immer zun chst in die Richtung entlang einer bestimmten Koordinatenachse zu suchen die bei der letzten Suche entlang dieser Richtung erfolgreich war Dadurch kann die Wahrscheinlichkeit erh ht werden direkt beim ersten Versuch erfolgreich zu sein Im Originalalgorithmus wurde immer zun chst entlang der positiven Richtung gesucht Durch einen Vorschlag von de Vogelaere Vogelaere 1968 wurde erreicht dass er nach einer bestimmbaren Anzahl von Ziel Funktionsaufrufen endet F r einmal differenzierbare stetige Funktionen kann gezeigt werden dass der Algorithmus
92. M MM AB ME ME ME ME MM Mm am mM m Abbildung 15 Verteilung der Aufgaben bei gleichungsbasierten Methoden Bei dem Programm TRNSYS das ab 1973 f r Simulation von Solaranlagen entwickelt wurde wurden einige Elemente von gleichungsbasierten Modellen verwirklicht Die freie Verkn pfung von Untermodellen und die Integration von algebraischen Gleichungen sind damit m glich Wobei hier die Modellierung mit Gleichungen nicht im Vordergrund stand sondern lediglich als erg nzende M glichkeit vorgesehen war Der einziger Vertreter eines speziell f r Geb ude und Anlagensimulation entworfenen gleichungsbasierten Simulationswerkzeug stellt z Zt das Programm IDA ICE dar 0 http sel me wisc edu trnsys 11 IDA ICE 3 0 www equa se 2007 Fraunhofer ISE 05 07 2011 Seite 40 Modellbasierte Methoden fur Fehlererkennung und Optimierung Allgemeine Simulationswerkzeuge Diese Werkzeuge erlauben prinzipiell die Abbildung beliebiger Systeme Typische Vertreter dieser Gruppe stellen Matlab Simulink Dymola Modellica Mathmodelica IDA SE oder auch EES dar Diese Werkzeuge entsprechen prinzipiell dem Typ gleichungsbasiert und werden mit Erfolg im Geb ude und insbesondere im Geb uderegelungsbereich eingesetzt 22 W hrend Matlab Simulink immer noch einen Quasi Industriestandard darstellt insbesondere im Bereich Regelung hat vor allem Dymola Modelica in den letzten Jahren an Bedeutung gewonnen Gleichungsbasierte Werkze
93. Modellbasierte Methoden fur Fehlererkennung und Optimierung 8 9 3 Implementierung Die Implementierung des Algorithmus erfolgte in der Skriptsprache R da diese die notwendigen statistischen Funktionen zur Verf gung stellen konnte Die Anwendung des Algorithmus erfolgt ebenfalls Skriptbasiert Es erfolgte eine Kopplung ber geeignete mit der Software von ennovatis so dass die Funktionalit t dort eingebunden werden konnte 8 9 4 Beispiel Evaluation in den Demonstrationsgeb uden demand of P_gas in W m Der Algorithmus wurde an verschiedenen Demonstrationsgeb uden erfolgreich getestet e Werktage Wochenende DO Eingebaute Ausrei er Messwerte Gesch tzte Werte 17 12 22 12 27 12 01 01 06 01 11 01 16 01 21 01 26 01 31 01 05 02 10 02 15 02 Time Abbildung 82 Beispiel f r die Anwendung der automatischen Ausrei erdetektion f r den W rmeverbrauch Gas beim Demonstrationsgeb ude in Gro p sna Zu Erkennen ist die gute bereinstimmung von Modell und Messwerten und die Erkennung eingebauten Ausrei er Die Tests verliefen insofern erfolgreich dass die Verbrauchsprofile f r W rme und Strom sehr gut identifiziert werden konnten und bekannte sowie eingebaute Ausrei er weitgehend detektiert wurden Eine umfangreiche und detaillierte Beschreibung des Algorithmus der Implementierung und der Validierung findet sich in 63 Allerdings wurde auch offensichtlich dass der zeitliche Umfang der notwendige
94. Optimierung Einheitliche Datenpunktbezeichnung Tabelle 33 zeigt die einheitliche Datenpunktbezeichnung f r den minimalen Datensatz Tabelle 34 listet die Abk rzungen die in Tabelle 33 verwendet wurden Tabelle 33 Einheitliche Datenpunktbezeichnung f r den minimalen Datensatz In runden Klammern stehen m gliche alternative Erweiterungen f r einen Eintrag der zur genaueren Spezifikation verwendet werden kann In eckigen Klammern zeigen Inhalte an die durch den Nutzer spezifiziert werden Als Erweiterung sind diese optional detapointofminimaldataset gt gt 7 gt 1 EEE BEE EEE BEE EEE fen Zone sem Subset e Imedum posten kn pam Tot onsumpton orten dBase Tot eonsumpton orasticodn mn mn ne o e TC fm fee STE T Tr e ZT S BEE 17 EEE 7 GE EEE total consumption of electricity BUI WBD ESUP MTR EL MEA E EL Tot onsumpton oft Sm mo fun ma or er T A S ES Zr PT BE gt BE EEE EEE NEE EEE 77 SEE EEE pomon _ __________jmm um um po ms ir return temperature of water circuit for ahha cooling or both BUI ZONE WC H C HC Name HW CHW RET PRIM SEC MEA MECON pon mso evs erase C T ha rn ftinumn Tann frttmummen Spy ar temperatur of ANU number hatseners zone eu mon aue rSCitt prastar emmener arunum nase tone en one anime om ja Ir supply air rel humidity of AHU number that servers ZONE BUI ZONE AHU number SUPA exhaust air rel humidity of AHU number that servers ZONE BUI ZONE AHU numbe
95. Optimierung 6 2 1 Offline Optimierung 6 2 2 Online Optimierungen Fazit 7 UBERBLICK DER METHODIK IN MODBEN 7 1 7 2 7 3 7 4 Allgemeine Systematik Mindestdatensatz Performance Metrics 7 3 1 Allgemeine Definition 7 3 2 Reterenzwerte Messdatenerfassung 8 ANS TZE UND WERKZEUGE IN MODBEN 8 1 8 2 Demonstrationsgebaude 8 1 1 DVZ Barnim 8 1 2 ennovatis Gro p sna 8 1 3 EADS Ottobrunn 8 1 4 Ludwig Erhard Haus Berlin 8 1 5 Kraft Foods Munchen Stufe 1 Benchmarking 8 2 1 Begr ndung fur den Ansatz 8 2 2 Beschreibung 8 2 3 Implementierung 8 2 4 Beispiel Evaluation in den Demonstrationsgeb uden Fraunhofer ISE 05 07 2011 53 55 55 37 59 60 63 63 65 65 6 68 70 71 73 73 75 76 7 78 79 80 80 83 84 86 8 88 91 91 91 91 92 Seite IV 8 3 8 4 3 8 6 8 7 8 8 8 9 Fraunhofer ISE 05 07 2011 Modellbasierte Methoden f r Fehlererkennung und Optimierung Stufe 2 Datenerhebung Ermittlung Zielwert 8 3 1 Begr ndung f r den Ansatz 8 3 2 Beschreibung 8 3 3 Implementierung 8 3 4 Beispiel Evaluation in den Demonstrationsgeb uden Stufe 3a Das Datenhandling tool datastorage 8 4 1 Begr ndung f r den Ansatz 8 4 2 Beschreibung 8 4 3 Implementierung 8 4 4 Beispiel Evaluation in den Demonstrationsgeb uden Stufe 3a Manuelle FED ber intelligente Visualisierung 8 5 1 Begr ndung f r den Ansatz 8 5 2 Besch
96. Prototyp bzw bis zum Proof of Concept entwickelt wer den und ben tigen weitere Entwicklungsarbeit Einige Ans tze wurden auf Grund der Erfahrungen im Projekt verworfen Am Fraunhofer ISE wurde mit dem Daten und Analysetool datastorage eine mo dulare wissenschaftliche Entwicklungsumgebung geschaffen die f r weitere For schung und Entwicklung genutzt werden kann siehe 8 4 Zur Evaluation der Methoden und Werkzeuge standen 5 Demonstrationsgeb ude zur Verf gung Die wichtigsten Ergebnisse von ModBen werden im Folgenden stichpunktartig be nannt e Durch eine kontinuierliche Betriebs berwachung in den Demonstrationsge bauden wurden Energieeinsparpotentiale im Bereich von 5 bis 10 aufgezeigt Im Bezug auf die Investitionen die zur Einrichtung der Datenerfassung und zur Erstanalyse notwendig waren wurden statische Amortisationszeiten im Bereich von 1 3 Jahren erreicht e Das Verfahren ist f r Geb ude geeignet deren Energiekosten im Bereich 30 000 Euro a oder dar ber liegen e Trotz des geringen Umfangs des Mindestdatensatzes hat sich die Datenerfas sung und bertragung als eines der Haupthindernisse erwiesen und zwar unabh ngig davon ob eine Geb udeautomation GA vorhanden war oder nicht Die kontinuierliche Erfassung und gemeinsame Speicherung von sowohl Energieverbrauchsdaten als auch von Betriebsdaten mit hoher zeitlicher Aufl sung ist noch keineswegs Stand der Technik Fraunhofer ISE 05 07 2011 S
97. Regelkreis 1 Register l Beschreibung Umrechnung Werkseinstellung analog digital 1000 Maximale Vorlauftemperatur Temp 10 d h 200 20 C 900 90 C 1001 Minimale Vorlauftemperatur Temp 10 d h 200 20 C 200 20 C Anhang Tabelle 8 Grenzen fur Vorlauftemperatur Regelkreis 2 Register l Beschreibung u Umrechnung l Werkseinstellung analog digital 1200 Maximale Vorlauftemperatur Temp 10 d h 200 20 C 900 90 C 1201 Minimale Vorlauftemperatur Temp 10 d h 200 20 C 200 20 C J 2 AT Abschaltwert Nennbetrieb und Reduzierbetrieb Der betreffende Heizkreis wird sofort au er Betrieb genommen wenn die Au entemperatur den Grenzwert AT Abschaltwert Nennbetrieb Reduzierbetrieb berschreitet Dazu wird das Ventil geschlossen und die Pumpe nach t 2 x Ventillaufzeit ausgeschaltet Bei Unterschreitung des Grenzwertes wird sofort wieder der Heizbetrieb aufgenommen Bei Werkseinstellung schaltet die Anlage also in der warmen Jahreszeit im Nennbetrieb bei 22 C Au entemperatur und im Reduzierbetrieb bei 15 C Au entemperatur ab Wird der Grenzwert AT Einschaltwert Nennbetrieb unterschritten und der Heizkreis befindet sich im Reduzierbetrieb Betriebsart Automatik wird dieser automatisch in den Nennbetrieb versetzt Der Reduzierbetrieb wird wieder eingeleitet wenn es zur berschreitung des Grenzwertes kommt Diese Funktion wird bei gro er K lte aktiviert um ein zu starkes Ausk hlen des Geb udes w hrend der Nichtnu
98. Seite 12 3 2 3 Modellbasierte Methoden f r Fehlererkennung und Optimierung Arbeitsplan Der Arbeitsplan des Projekts sah folgende Arbeitspakete vor Tabelle 2 bersicht Arbeitspakete und Haupt Verantwortlichkeiten Arbeitspakete Verantwortlicher Partner Fraunhofer Ennovatis HSG ISE Zander 1 Auswahl und detaillierte Datenaufnahme von mind 5 Referenzobjekten 2 Entwicklung einer Analysestruktur in Anlehnung an die DIN 18599 V 3 Entwicklung einer Basisversion des Verfahrens f r verschiedene Modellans tze und Modellierungstiefen 4 Entwicklung von Algorithmen zur Betriebsoptimierung und Betriebs berwachung 5 Implementierung des Verfahrens 6 Kontinuierliche Betriebs berwachung der Referenzobjekte und Validierung des Verfahrens 7 Koordination Zentrale Aufgaben Der Arbeitsplan wurde vollst ndig erf llt Jedoch muss festgestellt werden dass aufgrund der Vielzahl der getesteten Ans tze siehe 8 im Ergebnis kein geschlossenes Verfahren entstanden ist sondern mehrere Werkzeuge die als Basis f r eine weitere u U auch unabh ngige Entwicklung betrachtet werden k nnen Team Das Projektteam bestand aus dem Fraunhofer Institut f r Solare Energiesysteme als Forschungspartner und Koordinator der Firma ennovatis die Soft und Hardware f r das Energiemonitoring anbietet sowie der Firma HSG Zander die mit Ihrer Facility Management Sparte zahlreiche Kunden betreut 3 3 1 Kurzvorstellung Fraunhofer ISE
99. Teillastbetrieb der Kompressoren durch eine freie K hlung ber die R ckk hler vermieden werden kann Kompressionsk ltemaschine 1 KKM 1 l uft im Sommer tags ber auf ihrer h chsten Stufe ca 70 kW Stromaufnahme Bei Volllast der KKM 1 wurde die KKM 2 freigegeben ca 30 kW Stromaufnahme um die K lteerzeugung zu unterst tzen W hrend dieses Spitzenlastbetriebs wird eine K lteleistung von ca 250 kW erzeugt Annahme Leistungszahl 2 5 Bei der K ltemaschine 1 im Bauteil B kann ein Tages und Wochenprofil erkennen Nachts und an kalten Tagen ist ein Wechselbetrieb der Anlage zwischen zwei Betriebsstufen Takten ersichtlich Die maximale Aufnahmeleistung wird nur selten erreicht Dies deutet auf eine berdimensionierung dieser K lteanlage hin Bei den K ltemaschinen im Bauteil A kann eine Erh hung des Stromverbrauchs bei einem Tagesmittelwert der Au enlufttemperatur von ca 13 C festgestellt werden Ab diesem Wert steigt der Bedarf an K lte f r die Versorgung der L ftungsanlagen und K lteverbraucher Die elektrische Leistungsaufnahme der K ltemaschine 1 Bauteil B zeigt keinen klimaabh ngigen Anteil Dies w rde darauf hindeuten dass die versorgten RLT Anlagen haupts chlich Umluftbetrieb gefahren werden Da dies unwahrscheinlich ist sollte der Betrieb sowohl der K ltemaschine als auch der verbundenen RLT Anlagen berpr ft werden 9 5 4 RLT Anlagen Ein Tag und Nachtbetrieb ist erkennbar Die Zu und Abluftanl
100. VZ Barnim und Gro p sna zeigen deutlich unterschiedliche Ergebnisse im Vergleich z den andere 3 Geb uden Die spezifischen Kosten f r die Datenerfassung im Bezug auf die j hrlichen Energiekosten liegen deutlich h her als bei den anderen Geb uden so dass sich trotz prognostizierter Einsparungen von 8 10 kein wirtschaftlicher Betrieb unter den oben genannten Randbedingungen ergeben kann Bei Gro p na ist dies auf die Gr e des Geb udes zur ckzuf hren Die Einrichtung einer Datenerfassung verursacht Mindestkosten die sich auch bei kleinen Geb uden nicht unter 3 000 Euro absenken lassen Geht man von einem Betrag von 3 000 Euro als Untergrenze zur Einrichtung einer Datenerfassung aus ist das Verfahren erst f r Geb ude wirtschaftlich interessant deren j hrliche Energiekosten ber 30 000 Euro liegen Beim DVZ Barnim ist der Grund f r die hohen Kosten f r die Datenerfassung im Umfang der Messtechnik zu suchen Das DVZ Barnim wurde im Rahmen des Programms EnBau einem intensiven 2 jahrigen Monitoring unterzogen Daher wurden deutlich mehr Datenpunkte erfasst als es der Mindestdatensatz von ModBen vorsieht Die Kosten f r den Mindestdatensatz konnten so nicht getrennt ermittelt werden Fraunhofer ISE 05 07 2011 Seite 197 Modellbasierte Methoden fur Fehlererkennung und Optimierung e Bei den anderen Geb uden liegen die spezifischen Kosten f r die Datenerfassung im Bereich von 5 bis 20 der j hrlichen Energiekosten Wobei
101. Visual Data Analyser VDA 8 10 9 Beispiel Evaluation in den Demonstrationsgebauden 9 ERGEBNISSE DER ANALYSE 9 1 92 93 9 4 92 ennovatis Gro p sna 9 1 1 Energie und Wasserverbrauch 9 1 2 Heizkreise 173 173 174 174 174 174 176 178 178 181 183 189 189 189 189 9 1 3 M gliche Realisierte Verbesserungs und Einsparpotenziale 190 DVZ Barnim 9 2 1 Energie und Wasserverbrauch 9 2 2 Heizkreise 9 2 3 RLT Anlagen 190 190 190 191 9 2 4 M gliche Realisierte Verbesserungs und Einsparpotenziale 191 Ludwig Erhard Haus Berlin 9 3 1 Energie und Wasserverbrauch 191 192 9 3 2 M gliche Realisierte Verbesserungs und Einsparpotenziale 192 EADS Geb ude 88 Ottobrunn 9 4 1 Energie und Wasserverbrauch 9 4 2 Heizkreise 192 192 193 9 4 3 M gliche Realisierte Verbesserungs und Einsparpotenziale 193 Kraft Foods M nchen 9 5 1 Energie und Wasserverbrauch 9 5 2 Heizkreise 9 5 3 K lteerzeugung 9 5 4 RLT Anlagen Fraunhofer ISE 05 07 2011 193 193 194 194 195 Seite VI Modellbasierte Methoden fur Fehlererkennung und Optimierung 9 5 5 Drucklufterzeugung 196 9 5 6 M gliche Realisierte Verbesserungs und Einsparpotenziale 196 10 KOSTEN NUTZEN BETRACHTUNGEN 197 11 VERWERTUNG DER ERGEBNISSE 200 11 1 Grundideen der Websuite 200 11 2 Grundideen des Event Management Systems 201 11 3 Der neue Smartbox Manager 201 11 4 Adaptive H
102. Weiterhin werden verschiedene Arten von Modellen und der Prozess der Kalibrierung erl utert e Die verschiedenen Methoden der Fehlererkennung und diagnose werden in Kapitel 5 beschrieben Au erdem werden die Anwendung der Methoden im Bereich von Geb uden und marktverf gbare Werkzeuge betrachtet e Kapitel 6 beschreibt verschiedenen Optimierungsmethoden und deren Eignung f r die Anwendung im Geb udebetrieb e Kapitel 7 gibt einen berblick ber die Methodik die in ModBen entwickelt und angewandt wurde Neben der Vorstellung der vier Schritte des Verfahrens werden auch der in ModBen verwendete Mindestdatensatz und das Konzept der Performance Metrics dargestellt Fraunhofer ISE 05 07 2011 Seite 5 Modellbasierte Methoden fur Fehlererkennung und Optimierung e In Kapitel 8 schlie lich werden alle entwickelten Ans tze und Werkzeuge detailliert beschrieben Die Unterkapitel liefern jeweils eine Begr ndung f r den gew hlten Ansatz eine Beschreibung wie der Ansatz in ModBen angewandt wurde die Art der Implementierung und ein Beispiel f r die Anwendung Au erdem werden in diesem Kapitel die Demogeb ude vorgestellt e Kapitel 9 fasst die erzielten Ergebnisse der Analyse f r die 5 Demonstrationsgeb ude zusammen e Eine Kosten Nutzen Betrachtung des entwickelten Verfahrens wird in Kapitel 10 vorgestellt e Kapitel 11 beschreibt die Verwertung der Ergebnisse aus Sicht des Projektpartners ennovatis Insbesondere wird vorgestellt
103. Wissensdatenbank zur Verf gung stehen Auf dem in ModBen beschrittenen Weg wird diese Wissensdatenbank praktisch mit einer Vielzahl von Simulationen erzeugt Dies geschieht mit Hilfe einer Markow Ketten Monte Carlo Simulation Es konnte gezeigt werden dass der Ansatz auf Probleme im Geb udebereich sinnvoll angewendet werden kann Aufgrund seiner Neuartigkeit und des hohen numerischen Aufwands konnte im Rahmen von ModBen lediglich ein Proof of concept erfolgen Das Fraunhofer ISE verfolgt diesen Ansatz in Folgeprojekten weiter 12 2 4 Stufe 3b Optimierung F r die numerische Optimierung des Geb udebetriebs im Sinne von Kapitel O m ssen notwendigerweise White Box Modelle verwendet werden Ein kritischer Punkt hierbei ist der Aufwand f r die Modellerstellung und die notwendige Rechenzeit bzw die notwendigen Iterationen Daher wurden im Rahmen von ModBen gezielt nach L sungen im Bereich der Modellbildung und der Optimierungsalgorithmen gesucht die den Einsatz der simulationsgest tzten Optimierung in der Praxis erm glichen Im Rahmen des Projekts wurde die Simple Hourly Method SHM nach der ISO 13790 Energy performance of buildings Calculation of energy use for space heating and cooling implementiert Das SHM Modell erwies sich sowohl bez glich der Rechenzeit als auch bei der Erhebung der Simulationsparameter als gut einsetzbar Dieses Modell hat eine um den Faktor 100 schnellere Rechenzeit als detaillierte Modelle Die Er
104. Zuluft in die Buros Abluft aus den Kombizonen Kalte Erzeugung 2 W rmepumpen reversibel Erdsonden als W rmesenke und zur direkten K hlung R ckk hlwerke zur Regeneration der Erdsonden und zur direkten K hlung bergabe Fu bodenk hlung Kombizone Zulufk hlung Sonstiges Umfassende GA Steuerung Sonnenschutz und Beleuchtung ber EIB nutzer und wetterabhangig Detaillierte Erfassung des Energieverbrauchs und des Anlagenbetriebs 8 1 2 ennovatis Gro p sna Beim Geb ude der ennovatis GmbH in Gro p sna in der N he von Leipzig handelt es sich um das kleinste Demonstrationsgeb ude das sich ebenfalls durch eine wenig komplexe anlagentechnische Ausstattung auszeichnet Abbildung 29 Das Firmengebaude von ennovatis in Gro p sna Aufgrund der einfachen Struktur des Geb udes und den direkten Zugriff ber den Projektpartner ennovatis wurde dieses Geb ude f r viele Tests im Rahmen von ModBen verwendet Fraunhofer ISE 05 07 2011 Seite 84 Modellbasierte Methoden fur Fehlererkennung und Optimierung Tabelle 14 Hauptdaten ennovatis Gro p sna Baujahr 1996 Nutzung Burogebaude Stockwerke 2 Netto Grundfl ache 436 m Heizung Erzeugung Niedertemperaturheizkessel Erdgas Erw rmung des Kesselwassers ber zweistufig schaltbaren Brenner installierte Zeitschaltuhr zur Schaltung der Nacht und Wochenendabsenkung der Vorlauftemperatur der Heizungsanlage bergabe Plattenheizk rper RLT Anlage nicht vorh
105. a 5 0 a at 5 5 0 10 gt 26 20 25 _ Oo 240 O 45 u 10 20 oO 5 19H Ss 17 S z gt 800 ao 700 15 600 z lt 500 S gt 10 400 amp 300 5 oO 5 200 100 0 0s 30 2 20 25 a Oo 20 15 15 O 10 5 35 0 3 lt 52 0 10 2 Aug 08 Sep 08 Oct 08 Nov 08 Dec 08 Jan 09 Figure 1 Beispiel eines Carpetplot f r eine L ftungsanlage Dargestellt sind die Wetterdaten AT und Globalstrahlung als Referenz Die Zulufttemperatur T_SUPA Die Temperaturdifferenz zwischen Zuluft und Au enluft dTsupa out Die Temperaturdifferenz zwischen Zuluft und Abluft dTsupa exha Die Stellsignale der Ventilatoren und die Spreizung der wasserseitigen Temperaturen im Heiz und K hlregister Das Stellsignal der Ventilatoren zeigt ein regelm iges Wochenmuster Die luftseitigen Temperaturen zeigen den bergang vom K hlbetrieb im Sommer zum Heizbetrieb im Winter Die wasserseitige Temperaturspreizung der Register gibt einen Hinweis auf deren Betriebszeiten Fraunhofer ISE 05 07 2011 Seite 129 Modellbasierte Methoden fur Fehlererkennung und Optimierung Tabelle 27 gibt einen berblick ber den generellen Aufbau der Carpetplots f r raumlufttechnische Anlagen Tabelle 27 Genereller Aufbau von Carpetplots f r raumlufttechnische Anlagen RLT Anlagen AT Au entemperatur Plots Hinweise zur Interpretation Typisches Wetterdaten O AT und Globalstrahlung Zuluft O temperatur T_SUPA Temperatur O
106. abellenblatt werden Angaben zu Aufbau und Qualitat der Bautede der Geb ude bzw 2onenhulle eingetragen Werterhin k nne zus tzliche Angaben zur Zonenzuordnung erfolgen Das Tabellenblait teilt sich in die Abschnitte Bauteile gegen Erdreich D cher Bauteile gegen unbeheizfe Zonen Au enfenster Innenw nde Geschossdecken Cee Berechnung der U Werte der opaken Bauteile erfolgt we schon erw hnt im ennovatis Sysiem Tabellenblatt Nutzungen DIN V 13593 10 Eine Tabelle mit den Namen der Normnutzung aus der DIN Modben_checkliste stufe 2 xls Ubersicht Seite 2 von 3 22 12 2010 Fraunhofer ISE 05 07 2011 Anhang Seite XXX Modellbasierte Methoden fur Fehlererkennung und Optimierung Pause IGE Building EQ Faki matil an Datenarfzeeung fbufs 2 fad ao bo ei Sebawds und 4Aniegentsoahnlk bergabe T k 127 12 ke E ni veil in Mutkiungetyp ectaprectend Div tase no fT TT RE REN RE EEG KEN EEE REN EG ee FERN Se eC EN FO HE FE EEE SE a EEE a ee a RE DZ SEE FERN ae FE Te ET SS SHE SEE GS Cr Ce ey ce ET nhl dee Merh eA bar baste kad CS EEE Cr Ce Mc cs cE O5 me BEE eS a a RER Pure en il Bar ok ee Date ea Ai EEE nf WER BEE anj ER ant ee Wa o o er npe Wer iii E TE EEE FRE To bed fc i c o ums EB ev Ed SEE I Terme ooo O L uai Karasana Zanin ges Peek Leta Tr pea hres Fendi bal deren Sere es
107. ach Steigung eine wichtige Rolle da anhand der Differenz zwischen Tag Sollwert und Nacht Sollwert die Heizkennlinie f r die Nachtabsenkung automatisch angepasst wird Parametrierung des Reglers mittels Smartbox Anhang Tabelle 3 Raumsollwerte Regelkreis 1 Register Beschreibung Umrechnung Werkseinstellung analog digital 1002 Raumsollwert Tag Temp 10 d h 200 20 C 200 20 C 1003 Raumsollwert Nacht Temp 10 d h 200 20 C 150 15 C Anhang Tabelle 4 Raumsollwerte Regelkreis 2 Register Beschreibung Umrechnung Werkseinstellung analog digital 1202 _ Raumsollwert Tag Temp 10 d h 200 20 C 200 20 C 1203 Lo Raumsollwert Nacht Temp 10 d h 200 20 C 150 15 C Fraunhofer ISE 05 07 2011 Anhang Seite XLIV Modellbasierte Methoden fur Fehlererkennung und Optimierung J 1 3 _ 4 Punkte Heizkennlinie definieren Es kann eine eigene Heizkennlinie definiert werden bei der ber 4 Punkte die entsprechenden Grenzwerte festgelegt werden k nnen siehe Abbildung 3 Pl bis P4 Punkte 1 bis 4 fy Vorlauftemperatur ta Au lenternpe on min minimale ty max maximale br 4 Punkte Kennlinia reduzierte 4 Punkte Kennlinie 20 15 10 5 0 5 10 15 20 pa Anhang Abbildung 3 4 Punkt Kennlinie Hierzu muss f r jeden Punkt die Au entemperatur Vorlauftemperatur im Tagbetrieb Vorlauftemperatur im Nachtbetrieb und optional die R cklauftemperatur eingetragen werden Die Aktivier
108. ack Box Modellen auf Basis des Mindestdatensatzes zu berwachen Fraunhofer ISE 05 07 2011 Seite 170 Modellbasierte Methoden fur Fehlererkennung und Optimierung Als zeitliche Aufl sung der berwachung wurde ein Tag gew hlt da es weder notwendig noch sinnvoll erschien den Energiebedarf eines relativ tr gen Systems wie eines Geb udes z B st ndlich zu berwachen Da somit dynamische und nichtlineare Effekte weitgehend ausgeblendet werden k nnen wurde als Modellstruktur eine einfache lineare Funktion gew hlt Mathematisch und numerisch aufwendigere Modelle wie Transferfunktionsmodelle und Neuronale Netze wurden daher verworfen Weiterhin wurde aus hnlich pragmatischen Gr nden darauf verzichtet mit Vorhersagen zu arbeiten Mit dem Modell soll also nicht der Energiebedarf des aktuellen oder gar n chsten Tages gepr ft werden sondern der des vorangegangenen Tages Dies erscheint bei relativ unkritischen Systemen wir Geb uden und angesichts der aktuellen Praxis des Geb udebetriebs sinnvoll und angemessen und erspart die Notwendigkeit Vorhersagen f r die unabh ngigen Variablen zu erstellen Im Prinzip kann n somit die Aufgabe gleichgesetzt werden mit der Identifikation einer Energiesignatur auf Basis von Tageswerten des Energieverbrauchs f r W rme und Strom 63 e Werktage e Wochenende Durchschnittliche Tageswerte P in W m 0 5 10 15 20 25 30 Au entemperatur in C Abbildung 80 Beispiel f r eine Energ
109. after Absenkbetrieb Ursache hierf r Changepoint Der Changepoint bzw die Heizgrenze liegt in den meisten F llen zwischen 12 C und 18 C Wenn sie deutlich h her liegt k nnte unn tiger Heizbetrieb vorliegen Bei starkem Absenkbetrieb k nnen Werktage und Wochenenden unterschiedliche Changepoints aufweisen Steigung Die Steigung der Signatur korrespondiert mit der energetischen Qualit t der Geb udeh lle und der Bel ftung und stellt ein Ma f r den spezifischen W rmeverluste Je geringer die Steigung desto besser ist die Qualit t bzw je geringer sind die Verluste Nennleistung Aus dem Plot kann die Nennleistung abgesch tzt werden indem die Heizleistung linear bis zur AT am Auslegungspunkt extrapoliert wird Anhand der abgesch tzten Leistung kann die Dimensionierung der W rmeerzeuger gepr ft werden Fraunhofer ISE 05 07 2011 Genereller Aufbau Scatterplots f r Energie und Wasserverbrauch AT Au entemperatur Typisches Erscheinungsbild vereinfacht A changepoint N N K Seite 107 Plots Fernkalte ber AT Brennstoffe Uber AT Modellbasierte Methoden fur Fehlererkennung und Optimierung Hinweise zur Interpretation Typisches O O O Erscheinungsbild vereinfacht Grundlast im Sommer In vielen F llen korrespondiert die Grundlast im Sommer mit der klimaunabh ngigen W rmelast zur Warmwasserbereitung Bei Nicht Wohngeb uden liegt die Grundlast oft in einem Bereich deutlic
110. agen werden vor und nach der Arbeitszeit auf einer niedrigeren Stufe gefahren Am Wochenende wird ebenfalls ein Absenkbetrieb gefahren Die zus tzlich zum Minimaldatensatz gemessenen Drucksignale liegen sehr niedrig Vermutlich muss ein Faktor 10 zur Umrechnung in Pascal ber cksichtigt werden Dies ist zu kl ren In der Analyse wurde der Faktor 10 bereits angenommen Beide Zu und Abluftanlagen werden auf einem konstanten Druck f r den Tag und Nachtbetrieb geregelt Die Druckniveaus der Ab und Zuluftanlagen zeigen aber unterschiedliche Werte wobei die Druckdifferenz bei der Zuluftanlage kleiner als die der Abluftanlage ist Diese unterschiedlichen Werte sind aufgrund des Aufbaus der L ftungsanlage schwierig nachzuvollziehen In der Regel haben Zuluftkanalnetze einen h heren Widerstand als Abluftnetze Seit April 2009 l uft die Zuluftanlage im Tagesbetrieb auf einer h heren Stufe Die Gr nde daf r sollen untersucht werden nderung im Kanalnetz verschmutzte Filter Erh hung der Luftmenge Weiterhin ist zu fragen ob nachts im K hlfall ein h heres Temperaturniveau f r die Zuluft zul ssig ist bzw ein niedrigeres im Heizfall Die Zulufttemperatur wird seit Januar 2009 konstant auf 18 C geregelt Aus der Temperaturdifferenz zwischen Zu und Abluft kann man feststellen dass die versorgten R ume immer gek hlt werden Aus der Analyse der Heizkreise Fraunhofer ISE 05 07 2011 Seite 195 Modellbasierte Methoden fur Fehlererk
111. agnose vernachl ssigen w rde Der naheliegendere und klarere Weg f r eine Geb udeenergiediagnose erfolgt mittels eines Geb udeenergiemodells welches alle vorhandenen Kenntnisse ber cksichtigt Das Model wird in Simulationen benutzt um den energetischen Gebaudebetrieb vorauszusagen Messungen k nnen mit Ergebnissen aus dem Geb udemodel Fraunhofer ISE 05 07 2011 Seite 143 Modellbasierte Methoden fur Fehlererkennung und Optimierung verglichen werden um zu untersuchen ob das Gebaude wie geplant und erwartet betrieben wird oder ob es Fehler enthalt Dieser Ansatz ist dadurch begrenzt dass er nicht systematisch implementiert werden kann und es keine direkte Herangehensweise gibt um die Unsicherheiten die mit jeder Annahme verbunden sind zu quantifizieren In diesem Absatz wird eine Strategie untersucht bei der beide modell und messwertbasierte Betrachtungsweisen in einer systematischen Art und Weise mit einer expliziten Quantifizierung von Unsicherheiten kombiniert werden Somit kann die Abweichung zwischen Messwerten und modelbasierter Vorhersage beobachtet werden In der Tat sind fast alle physikalische Effekte des Modells richtig beschrieben sodass angenommen werden kann dass die energetischen Vorg nge genau dargestellt werden Dennoch sollten einige Annahmen als unsicher betrachtet werden Zum Beispiel ist bekannt dass der gemessene Wirkungsgrad eines neu installierten Kessels 85 betr gt Folgende Fragen k nnen dann gestel
112. amanian R Rengaswamy K Yin and S N Kavuri A review of process fault detection and diagnosis Part I Quantitative model based methods Computers amp Chemical Engineering vol 27 2003 p 293 311 S Wang and Z Jiang Valve fault detection and diagnosis based on CMAC neural networks Energy and buildings vol 36 2004 p 599 610 T Salsbury and R Diamond Fault detection in HVAC systems using model based feedforward control Energy and buildings vol 33 2001 p 403 415 P Sreedharan and P Haves Comparison of chiller models for use in model based fault detection International Conference for Enhanced Building Operations ICEBO organized by Texas A amp M University Austin TX Citeseer 2001 S Wang and X Xu Simplified building model for transient thermal performance estimation using GA based parameter identification International Journal of Thermal Sciences vol 45 2006 p 419 432 Fraunhofer ISE 05 07 2011 Anhang Seite IV 30 31 32 33 34 35 36 37 38 39 40 41 42 Modellbasierte Methoden f r Fehlererkennung und Optimierung J Wen and T F Smith Development and validation of online models with parameter estimation for a building zone with VAV system Energy and buildings vol 39 2007 p 13 22 P Andre C Hannay J Hannay J Lebrun V Lemort and I V Teodorese A contribution to the audit of an air cond
113. amm Sequential Qadratic Programing SQP Sintflutalgorithmus great deluge algorithm Metropolisalgorithmus Schwellenakzeptanz threshold accepting Stochastisches Tunneln Stochastic tunneling Dabei gibt es jeweils f r spezifische Anwendungen noch eine Vielzahl von Untervarianten und Abwandlungen der Algorithmen Dar ber hinaus existieren zahlreiche Kombinationen verschiedener Optimierungsalgorithmen z B PSA kombiniert mit Hooke Jeeves 8 6 1 7 Zusammenfassung Tabelle 8 Beispiele f r verschiedene Modell bzw Gleichungsarten Optimierungs Losungsalgorithmen Bemerkungen problem Im Geb udebereich u erst selten Bsp Sequenzsteuerung Energie Simplex Algorithmus Innere Punkte lineares Programm ganzzahliges Programm Quadratisches Programm Nicht lineare Optimierung F r eine Variable Verfahren Heuristiken lokale Suche Tabu Suche GA Simulated Annealing Exakte Verfahren Schnittebenen Branch and Bound Branch and Cut Newton Typ z B Quasi Newton CG Goldener Schnitt erzeuger Im Geb udebereich u erst selten Bsp Sequenzsteuerung Energie erzeuger mit Ein Ausschalt m glichkeit u U sehr aufwendig Im Geb udebereich u erst selten da i d R die analytischen Eigenschaften der Zielfunktion unbekannt Fortsetzung n chste Seite 3 gt Nicht zu verwechseln mit dem Downhill Simplex Algorithmus Fraunhofer ISE 05 07 2011 Seite 65 Fortsetzung Optimierun
114. ampferzeuger Olkessel Ubergabe Heizkorper Heizregister der RLT Anlagen RLT Anlage L ftungsanlagen f r Labors B ros Lager K lte Erzeugung Kompressionsk ltemaschinen bergabe Split Kleink lteanlagen f r K hlr ume K hltregister der RLT Sonstiges GA vorhanden Eiswasserspeicher Druckluft Strom WasserGas l VERSORGUNGSSCHEMA KRAFT FOODS Ss HEIHE Hz LI lt T ao BAUTEIL B BAUTEIL BC C Fraunhofer ISE 05 07 2011 Seite 89 Modellbasierte Methoden fur Fehlererkennung und Optimierung Abbildung 32 Schema Energie und Wasserversorgung des Kraft Foods Geb udes in Munchen Fraunhofer ISE 05 07 2011 Seite 90 8 2 Modellbasierte Methoden fur Fehlererkennung und Optimierung Stufe 1 Benchmarking 8 2 1 Begr ndung f r den Ansatz Ziel des Benchmarking ist eine erste Einordnung des Energieverbrauchs des Geb udes um etwaigen weiteren Untersuchungsbedart zu identifizieren In Stufe 1 werden die Hauptdaten des Geb udes und der Energieverbrauch erhoben Dabei werden nur Daten erhoben die der Geb udebesitzer ohne gr eren Aufwand bereitstellen k nnen sollte 8 2 2 Beschreibung Prinzipiell werden folgende Daten bzw Informationen erhoben Tabelle 20 Stufe 1 ben tigte Daten Informationen Informationen Daten Erl uterung Allgemeine Daten Standort Baujahr Ansprechpartner etc Fl chen Bezugsgr en Bezugsgr e f r die Berechnung des spezifischen Energieverbr
115. anagements regelm ig folgende Probleme auf Informationsl cken Insbesondere bei Bestandsgeb uden ist die Dokumentation der Geb udeh lle der Nutzung und der haustechnischen Anlagen oft unvollst ndig fehlerhaft bzw nicht aktuell oder schlicht nicht vorhanden Weiterhin ist die messtechnische Ausstattung von Geb uden h ufig sehr gering Meist beschr nkt sich die Anzahl der Energiez hler auf das aus abrechnungstechnischer Sicht notwendige Ma Die Qualit t von Z hlwerten aus internen Unterz hlern wiederum die keiner regelm igen Eichung unterzogen werden ist oft mangelhaft Kosten Aus technischer Sicht ist es m glich den Anlagenbetrieb sehr genau zu berwachen und z B sehr detaillierte Geb udemodelle zu erstellen und diese anhand umfangreicher Messdaten zu validieren um somit Optimierungspotenziale und etwaige Fehler im Anlagenbetrieb zu untersuchen Allerdings sind die Kosten eines solchen Vorgehens deutlich zu hoch um marktg ngig zu sein In der Praxis kommen daher meist einfache Bewertungsmethoden wie Benchmarking oder Zeitreihenanalysen zum Einsatz Kosten sind ein stark begrenzender Faktor sowohl bez glich der Datenakquise als auch bez glich der verwendeten Analysewerkzeuge Fraunhofer ISE 05 07 2011 Seite 8 2 2 Modellbasierte Methoden fur Fehlererkennung und Optimierung e Organisation Energiemanagement technischer Anlagenbetrieb inkl GA und kaufm nnisches Geb udemanagement sind h ufig getrenn
116. anden K lte Splitger t zur K hlung des Serverraums Sonstiges Erw rmung des Warmwassers in K che und WCs dezentral ber Elektro Boiler Tabelle 15 Modell mit Grundriss des Firmengeb udes von ennovatis in Gro p sna Fraunhofer ISE 05 07 2011 Seite 85 Modellbasierte Methoden fur Fehlererkennung und Optimierung 8 1 3 EADS Ottobrunn Das Gebaude 88 der EADS in Ottobrunn wurde 1976 errichtet 1996 wurden die Fenster erneuert und die Fassade wurde mit Dammung versehen Das Gebaude wird berwiegend als B rogeb ude genutzt Im Untergeschoss sind gro e Serverraume bzw Computerarbeitspl tze untergebracht die fast vollst ndig gek hlt werden iiid II ll 1 I li lil m l i h JH Ln 71 al mo i a Ty Lg Er 5i G 15 BEEEZEEEEEEEEREEE L un um in EA Al Bl Aal Tals iada Pala Pla 39 PETE YUP pbb ya 19 rie s io og w 4 mi k a i i E g eo me t le E lt PECL P pees fe 7 Pi Mil Polar dad ne re eae E a Siz ee A Se aa En ale BEE Eee ae ar Set Ia l ai l dm ei baradi ty Tabelle 16 links Ansicht Geb ude EADS 88 rechts Regelgrundriss 1 0G Obwohl es sich um ein Bestandsgeb ude handelt lagen keine historischen Verbrauchsdaten vor da die Abrechnung auf dem Gel nde der EADS bis Projektbeginn von ModBen nicht auf Basis von Z hlerwerten stattfand Tabelle 17 Hauptdaten EADS 88 Ottobrunn Baujahr 1976 R
117. angenommenen statischen Amortisation von 3 Jahren ergibt Betr ge von 5 000 Euro bis 62 000 Euro Damit ist selbst bei eher geringen Einsparpotenzialen ein wirtschaftlich interessanter Einsatz des Verfahrens m glich Im Rahmen von ModBen wurden auch m gliche Anwender und Geb udebesitzer nach Ihrer Einsch tzung zur Wirtschaftlichkeit eines entsprechenden Verfahrens befragt Dabei wurde folgendes ge u ert e Prinzipiell wir die kontinuierliche Betriebsanalyse auf Basis des Mindestdatensatzes als sinnvoll und zielf hrend erachtet e Der finanzielle Aufwand zur Einrichtung der Datenerfassung sollte m glicht unter 20 der j hrlichen Energiekosten vor Optimierung liegen e Der finanzielle Aufwand der j hrlich f r die Betreuung des Systems bzw die Dienstleistung der Betriebsanalyse anf llt sollte m glichst im Bereich von 2 3 der j hrlichen Energiekosten vor Optimierung liegen Damit werden dem Verfahren vor allem im Bereich der Betreuung enge finanzielle Grenzen vorgegeben Die Ergebnisse von ModBen zeigen dass diese prinzipiell erreicht werden k nnen Fraunhofer ISE 05 07 2011 Seite 198 Tabelle 30 DVZ Barnim Allgemeine Daten Bild Ort Barnim Baujahr 2007 Nutzung Buros Nutzfl che m 8 000 Verbrauch Bedarf Heizenergieverbrauch kWh m 2a 27 Stromverbrauch kWh m a 74 Fernkalte kWh m a Datenerfassung Datenerfassung GA SQL DB Anzahl Datenpunkte 300 Kosten Wirtschaftlichkeit Energiekost
118. ant Gradient Newton Algorithmus PCG nicht immer m glich Wenn diese gradientenbasierten Methoden keine L sung finden k nnen dann haben sich stochastische Optimierungsmethoden wie General Pattern Search GPS Particle Swarm Algorithm PSA oder Genetic Algorithm GA f r Geb udeoptimierungs probleme bew hrt Mit Kombinationen verschiedener Algorithmen konnten Verbesserungen erzielt werden Allerdings k nnen keine allgemeinen Auswahl Kriterien f r den am besten geeigneten Optimierungsalgorithmus angegeben werden Geb ude sind sehr unterschiedlich bestehen aber zum Gro teil gr enangepassten Komponenten in verschiedenen Kombinationen Da die Geb uderegelung an jedes Geb ude individuell angepasst wird ist zuk nftig eine automatisierte Optimierungsgenerierung aus der Regelung denkbar Damit kann der Aufwand gesenkt werden Damit w rden Optimierungen in der Zukunft als Model Predictive Control MPC Regelungen im Geb udebereich implementiert Solche Ans tze werden im Geb udebereich bis jetzt jedoch nur selten in Teilregelungen eingesetzt Andere adaptive lernende RLC Regelungen haben sich im Geb udebereich bisher als ungeeignet erwiesen Heute wird der Geb udebetrieb berwiegend offline optimiert D h es werden mit kalibrierten Modellen des realen Geb udes optimale Regelparameter f r verschiedene Betriebszust nde ermittelt Dies erfolgt ohne Kopplung und unabh ngig vom aktuellen Geb udebetrieb Diese optimalen Regel
119. armedurchgangs durch Ebene W nde Fraunhofer ISE 05 07 2011 Seite 31 Modellbasierte Methoden fur Fehlererkennung und Optimierung In gewissem Umtang lassen sich Zeitvarianz z B mit Rekursiven Modellen oder Gewichtstunktionen f r altere Eingangsgr en oder Nichtlinearit ten z B Einbeziehung von statischen Nichtlinearitaten der Ein oder Ausgangsgr en bei ansonsten linearen Modellen Wiener bzw Hammerstein Modelle so behandeln dass das Problem auf ein lineares Modell zur ckgef hrt werden kann 15 Dynamisch nicht lineare Modelle Nichtlineare Modelle bieten deutlich mehr Freiheiten bez glich der Modellstruktur was sie einerseits interessant f r die Abbildung von realen Systemen macht andererseits sind sie aber auch numerisch aufwendiger Neben der Auswahl der Variablen Messdaten bzw Regressoren f r das Modell ist der wichtigste Schritt die Auswahl einer Modellstruktur die jede beliebige nichtlineare Abbildung des Variablenraums auf die Ausgangsgr e beinhalten kann Klassische Methoden zur Identifikation von nichtlinearen dynamischen Systemen basieren weitgehend auf polynomischen Modellen Diese haben den Vorteil in ihren Parametern linear zu sein womit die Parametersch tzung einfach mit Hilfe von linearer Regression erfolgen kann Allerdings werden andere Formen von nichtlinearen Modellen wie z B neuronale Netze derzeit intensiver diskutiert die nachfolgend kurz beschrieben werden Bei der Wahl der
120. asen Dabei m ssen ggf bestimmte Randbedingungen wie z B Raumsolltemperaturen und Mindestluftwechsel eingehalten werden Bei der Auswahl der Optimierungsalgorithmen m ssen die Eigenschaften der Zielfunktion beachtet werden Die wichtigsten Eigenschaften sind die Dimension und die Differenzierbarkeit Im Geb udebereich handelt es sich in der Regel um nicht stetig differenzierbare und mehrdimensionale Zielfunktionen Aus diesem Grund wurden im Rahmen des Projekts nur Algorithmen betrachtet die f r das Suchen von Minima solcher Funktionen geeignet sind Wie in Kapitel 4 2 beschrieben sind zur Optimierung physikalisch basierte Modelle White Box oder Gray Box Modelle notwendige Voraussetzung Ein zu hoher Detaillierungsgrad der Modelle ist allerdings nicht sinnvoll da gro e Unsicherheiten bez glich der Nutzereinfl sse in den Geb uden vorliegen Diese Unsicherheiten k nnen nicht durch eine hohe Detaillierung der Modelle ausgeglichen werden vgl 62 Vereinfachte Modelle bedeuten gleichzeitig eine erhebliche Zeitersparnis bei der Modellierung des Geb udes und eine Verk rzung der Simulationszeiten Aus diesem Grund lag der Fokus des Projekts auf vereinfachten Simulationsmodellen die dennoch die realen und in der Praxis ver nderbaren Parameter als Grundlage besitzen Solche Parameter sind beispielsweise der Luftwechsel die Belegung des Geb udes die Verschattungssteuerung die au entemperaturabh ngige Vorlauftemperaturregelung und Pum
121. asierte Energieoptimierung betrachtet Diese Methode hat den Vorteil dass eine automatisierte numerische Optimierung ausgew hlter Parameter erfolgt bei der zahlreiche Einflussfaktoren ber cksichtigt werden k nnen Weiterhin k nnen Parameter ge ndert werden ohne dass es zu Beeintr chtigungen der Nutzer z B aufgrund von Komfortm ngeln kommt Die Anzahl der Szenarien die betrachtet werden k nnen ist gr er als bei der manuellen Ver nderung des Betriebs im realen Geb ude Ein kritischer Punkt bei der numerischen Optimierung ist allerdings der Aufwand f r die Modellerstellung und die notwendige Rechenzeit bzw die notwendigen Iterationen Daher wurden im Rahmen von ModBen gezielt nach L sungen im Bereich der Modellbildung und der Optimierungsalgorithmen gesucht die den Einsatz der simulationsgest tzten Optimierung in der Praxis erm glichen 8 8 2 Beschreibung Bei der numerischen Optimierung werden ausgew hlte Modellparameter automatisiert ber einen entsprechenden Optimierungsalgorithmus ver ndert bis sich ein optimierter Betrieb einstellt Daf r muss zun chst eine geeignete Zielfunktion Fraunhofer ISE 05 07 2011 Seite 159 Modellbasierte Methoden fur Fehlererkennung und Optimierung ausgewahlt werden die von dem Optimierungsalgorithmus minimiert u U auch maximiert wird M gliche Zielfunktionen sind die Betriebskosten der Prim r oder der Endenergiebedarf Lebenszykluskosten oder die Emission von Treibhausg
122. asst werden Anhang Abbildung 2 Fraunhofer ISE 05 07 2011 Anhang Seite XL Modellbasierte Methoden fur Fehlererkennung und Optimierung Sinkt die Raumtemperatur in der kalten Jahreszeit ist eine Erhohung der Steigung erforderlich Steigt die Raumtemperatur in der kalten Jahreszeit ist eine Verringerung der Steigung erforderlich Sinkt die Raumtemperatur in der Ubergangsjahreszeit ist eine Erhohung des Niveaus und gleichzeitige Verringerung der Steigung erforderlich Steigt die Raumtemperatur in der Ubergangsjahreszeit ist eine Verringerung des Niveaus und gleichzeitige Erhohung der Steigung erforderlich Anhang Abbildung 2 Heizkennlinienanpassung Beispiele fur Kennlinieneinstellung e Altbau Heizk rperauslegung 90 70 Steigung ca 1 8 e Neubau Heizk rperauslegung 70 55 Steigung ca 1 4 e Neubau Heizk rperauslegung 55 45 Steigung ca 1 0 e Fu bodenheizung je nach Verlegung Steigung kleiner 0 5 Fraunhofer ISE 05 07 2011 Anhang Seite XLI Modellbasierte Methoden fur Fehlererkennung und Optimierung Parametrierung des Reglers mittels Smartbox Anhang Tabelle 1 Ben tigte Register fur Kennlinie nach Steigung Regelkreis 1 Register Beschreibung Umrechnung Werkseinstellung analog digital 1005 Steigung Vorlauf Heizkennlinie Steig 10 d h 16 1 6 18 1 8 1006 Niveau Vorlauf Heizkennlinie Niv 10 d h 100 10 Anhang Tabelle 2 Benotigte Register fur Kennlinie nach Steigung Regelkreis 2
123. ate Benchmarking durchf hren Vergleichswert gt 2 Monate Nein Benchmarking Monat Jahr durchf hren J ahr Aktueller Verbrauch geringer als Aktueller Verbrauch geringer als Vergleichs wert Nein Energiesigna turen erstellen Monat Charakteristik Signatur normal Nein 1 4 5 Schritt 4 1 4 4 gt Schritt 2 1 4 3 Schritt 4 1 4 2 Schritt 2 Benchmarking Monat Jahr durchf hren Aktueller Verbrauch geringer als Vergleichswert Energiesigna turen erstellen Monat Tag Charakteristik Signatur normal Nein 1 4 8 Schritt 4 1 4 6 gt Schritt 2 1 4 7 Schritt 3a Anhang Seite XI gt 1 4 4 monatliche Baseline verf gbar 1 Start gt 1 4 2 j hrliche Baseline verf gbar 2 Analyse Zertifizierung entspr DIN V 18599 Alle Randbedingunge n und Parameter verf gbar Nein Bei Start 1 4 6 4 N chster Schritt Schritt 3a 2 4 2 Schritt 3b Schritt 2 Zertifizierung Fraunhofer ISE 05 07 2011 gt 1 4 6 monatliche Baseline st ndliche Daten _ Zielwert berpr fen Aktueller Verbrauch geringer als Zielwert Nein 2 4 3 Schritt 4 Modellbasierte Methoden f r Fehlererkennung und Optimierung Anhang Seite XII 1 Start 2 Analyse 3 MaBnahme 4 Nachster Schritt gt 1 4 1 keine Daten gt 1 4 7 2 4 1 verf gbar st ndli
124. ative lineare Korrelation zur Au entemperatur aber die Absenkung der Vorlauftemperatur an Wochenenden ist nicht ausgepr gt Weiterhin hat des Mischventil offensichtolich eine Leckage da die Spreizung eine deutlich negative Steigung beim Betriebszustand Pumpe aus zeigt Fraunhofer ISE 05 07 2011 Seite 117 Modellbasierte Methoden fur Fehlererkennung und Optimierung Tabelle 24 gibt einen berblick ber den generellen Aufbau der Scatterplots f r Heiz und K hlkreise Tabelle 24 Plots Vorlauftemp ber AT Genereller Aufbau der Scatterplots f r Heiz und K hlkreise AT Au entemperatur Hinweis Die vereinfachten Plots zeigen das typische Erscheinungsbild von Heizkreisen Die Plots f r K hlkreise entsprechen diesen Darstellungen mit dem Unterschied dass die Korrelation zur Au entemperatur positiv ist Hinweise zur Interpretation Typisches O Erscheinungsbild vereinfacht Typisches Erscheinungsbild A Die Vorlauftemperatur T_SUP von Heizkreisen zeigt eine negative Korrelation zu AT A N In einigen F llen wird eine maximale Vorlauftemperatur deutlich oberhalb der Auslegungstemperatur erreicht B In diesen Fallen k nnen Komfortprobleme auftreten Falls dies nicht der Fall ist kann die Steilheit von T_SUP reduziert N werden Bei K hlkreisen ist die Temperatur auf der Primarseite haufig konstant C Cooling circuits primary side Unterschied zwischen Werktagen und Wochentagen C Bei vielen Nic
125. auchs z B beheizte Nutzfl che etc Energieverbrauch J hrlicher Endenergieverbrauch je Energietr ger Wasserverbrauch J hrlicher Wasserverbrauch Hauptnutzungen Hauptnutzung des Geb udes bzw Der relevanten Geb udezonen z B B ro Kantine Serverraum etc Tarife optional Tarife je Energietr ger und f r Wasser Anhand der erhobenen Daten k nnen spezifische Kennwerte Level 1 Performance Metrics f r den Energieverbrauch berechnet werden Bei klimaabh ngigen Verbrauchsanteilen muss eine Witterungsbereinigung erfolgen Diese k nnen mit geeigneten Referenzwerten aus Statistiken des Geb udebestands verglichen werden 8 2 3 Implementierung Das Benchmarking z B gem VDI 3807 ist ein bliches Bewertungsverfahren und beinhaltet keine komplexen Rechenoperationen so dass die Berechnung mit einem Tabellenkalkulationsprogramm erfolgen kann Im Rahmen von ModBen wurde fur die Datenaufnahme jedoch eine einheitliche Checkliste entwickelt die eine bersichtliche Erfassung und Dokumentation der ben tigten Daten erlaubt Die Checkliste findet sich in Anhang F Fraunhofer ISE 05 07 2011 Seite 91 Modellbasierte Methoden fur Fehlererkennung und Optimierung 8 2 4 Beispiel Evaluation in den Demonstrationsgebauden Die Aussagef higkeit des Benchmarkings h ngt ma geblich von der Verf gbarkeit geeigneter Referenzwerte ab In Deutschland sind verschiedene Quellen f r Referenzwerte des Energie und Wasserverbrauchs von G
126. auf Daten des ennovatis Controlling durch jeden herk mmlichen Internetbrowser Mit dieser Software kann man Energiedaten online erfassen auswerten und Berichte erstellen Es stehen verschiedene Module zur Verf gung e individuelle Datenanalyse e manuelle Datenerfassung e Berichtswesen e Administration Durch die Benutzerkontensteuerung ist es m glich den Anwendern sowohl Rechte auf Daten als auch die Module zu vergeben Die individuelle Datenanalyse erm glicht dem Nutzer die Daten f r die er Analyserechte hat mittels graphischen und tabellarischen Auswertungen zu vergleichen um daraus R ckschl sse zu ziehen Die manuelle Datenerfassung erlaubt es wenn keine automatische Datenerfassung m glich ist Datenerfassern an verteilten Standorten Z hlerdaten einzugeben Diese werden bei der Eingabe auf Plausibilitat gepr ft Das Berichtswesen erm glicht es die im ennovatis Controlling vorhandenen Berichte online zu starten und abzurufen Hierzu geh ren beispielsweise die Standardenergieberichte Fraunhofer ISE 05 07 2011 Seite 200 Modellbasierte Methoden fur Fehlererkennung und Optimierung 11 2 Grundideen des Event Management Systems Das primare Ziel ist die Implementierung eines EMS welches Notrufmeldungen entgegennimmt und zeitnah an verantwortliche Personen weiterleitet Weitere Faktoren sind e Protokollierung von Ma nahmen die getroffen werden um Probleme zu losen e Verwaltung und Anzeige von Meldungen e Die Er
127. auf der Wasserseite des Wasserseite Heizregisters zeigt eine negative Steigung bei niedrigen Heizregister AT ber AT o Changepoint Steigung Typischerweise liegt der Changepoint zwischen 10 and 15 C AT Wenn die Spreizung im Berech niedriger AT gering ist lt 5K kann das ein Hinweis auf einen Uberhohten Massenstrom im Register sein Gesamtplot Aus einer vergleichenden Betrachtung der einzelnen Plots k nnen folgende Informationen generiert werden Abh ngigkeiten der Sensoren Da die Abh ngigkeit der verschiedenen Variablen im physikalischen Sinn hoch ist liefert eine Vergleichende Betrachtung gute Hinweise f r die Betriebsanalyse z B ob das Betriebsmuster des Kuhlregisters mit dem Verhalten der Zulufttemperatur bereinstimmt Fraunhofer ISE 05 07 2011 Seite 128 Modellbasierte Methoden fur Fehlererkennung und Optimierung Carpetplots Neben den Systemtemperaturen auf der Luft und Wasserseite zeigt der Carpetplot f r L ftungsanlagen die Betriebr ckmeldungen bzw Stellsignale der Antriebe 20 42 Oo 15 12 10 6 3 3 5 O 5 0o c 0 3B I 2 20 08 X 5 0 4 a rey _ 10 0 8 2 8 5 1 2 2 1 69 0 2 0 gt 20 568 15 1 40 2 5 1 39 5 L 10 1 00 w 5 0 75 5 HE o 0 00 gt f u 15 l S io 188 5 0 752 2 5 38 3 9 0 00 75 _ 20 6 0 Z 5 45 7 w 15 30 oO 15 10 00 3 158 oO 5 3 0 4 o 4 5 20 30 Z 2 a 15 20 2 15 2 _ 10 10 gt 5
128. ault Tolerance Springer 2006 J E Braun and P D An Inverse Gray Box Model for Transient Building Load Prediction Building 2002 pp 73 100 R B Vilim H E Garcia and F W Chen An Identification Scheme Combining First Principle Knowledge Neural Networks and the Likelihood Function IEEE Transactins on Control System Technology vol 9 2001 pp 186 199 P Sahlin The Methods of 2020 for Building Envelope and HVAC Systems Simulation Will the Present Tools Survive 2000 P Sahlin L Eriksson P Grozman H Johnsson A Shapovalov and M Vuolle Whole building simulation with symbolic DAE equations and general purpose solvers Building and Environment vol 39 2004 pp 949 958 P Andre C Hannay J Hannay J Lebrun V Lemort and I V Teodorese A contribution to the audit of an air conditioning system modeling simulation and benchmarking Building Service Engineering Research and Technology vol 29 2008 pp 85 98 V Venkatasubramanian R Rengaswamy and S N Kavuri A review of process fault detection and diagnosis Part II Qualitative models and search strategies Computers amp Chemical Engineering vol 27 2003 p 313 326 V Venkatasubramanian R Rengaswamy S N Kavuri and K Yin A review of process fault detection and diagnosis Part III Process history based methods Computers amp Chemical Engineering vol 27 2003 p 327 346 V Venkatasubr
129. auptanwendung von Carpetplots ist die Identifizierung von Betriebs und Anwesenheitszeiten und ihrer gegenseitigen Abh ngigkeiten Consumption hourly data 1050 3 150 3 solar radiation W m 1350 _ 1200 2 fey 1050 4900 I 4750 600 450 dB 300 5 150 8 0 Outdoor Air Temp C Sep 08 Oct 08 Nov 08 Dec 08 Jan 09 Abbildung 46 Beispiel eines Carpetplots f r die Verbrauchswerte eines Nicht Wohngeb udes Strom und Wasserverbrauch zeigen typische Wochenmuster w hrend die Heizlast im Winter ein eher verschwommenes Muster aufweist Grund daf r ist eine AT abhangige Steuerung der Betriebszeiten f r die Heizung Weiterhin kann beim Wasserverbrauch ein ungew hnlicher Mehrverbrauch im September ausgemacht werden der auf eine unkontrollierte Grundach Bewasserung zur ckgef hrt werden kann Die Weihnachtsferien k nnen ebenfalls deutlich abgelesen werden Fraunhofer ISE 05 07 2011 Seite 112 Modellbasierte Methoden fur Fehlererkennung und Optimierung Tabelle 23 gibt einen berblick ber den generellen Aufbau der Carpetplots f r die Verbrauchswerte Tabelle 23 Genereller Aufbau der Carpetplots f r Energie und Wasserverbrauch AT Au entemperatur Plots Hinweise zur Interpretation Typisches Erscheinungsbild vereinfacht Wetterdaten o Diese Daten werden nur als Referenz dargestellt AT und Solarstrahlung Fernw rme o Typisches Erscheinungsbild A In Abhangigkeit der Betriebszeiten und der
130. bbildung 20 Schematische Darstellung PSA Vorteile e PSAs ben tigen kaum Problemwissen z B Gradienten d h sie k nnen auch f r nicht kontinuierliche diskrete und nicht stetige Probleme verwendet werden e PSAs geh ren zur Klasse der stochastischen Verfahren und k nnen damit auch f r Probleme eingesetzt werden bei denen die traditionellen Optimierungsverfahren versagen Nachteile e Die Konvergenz gegen das globale Optimum in einer akzeptablen Zeit ist bei PSAs nicht immer gegeben Fraunhofer ISE 05 07 2011 Seite 59 Modellbasierte Methoden fur Fehlererkennung und Optimierung e Der entscheidende Nachteil der PSAs ist der relativ hohe Rechenzeitbedarf bei Problemen bei denen auch traditionellere Methoden eingesetzt werden konnen Methoden die die Gradienten bei der Suche nach dem Optimum verwenden sind um ein vielfaches schneller Es konnte bereits gezeigt werden dass bei einer Kombination solcher heuristischer Suchverfahren mit traditionellen Verfahren das Konvergenzverhalten verbessert werden kann ohne die F higkeit das globale Optimum zu finden zu erniedrigen 46 PSA Algorithmen wurden bereits erfolgreich im Geb udebereich eingesetzt Die Leistungsf higkeit war dabei mit GPS und GA siehe unten vergleichbar 6 1 3 Evolutionary Algorithmus GA Genetic Algorithm Bei den evolution ren Algorithmen handelt es sich ebenfall um ein heuristisches Verfahren das auf den Prinzipien der biologischen Evolution beruht
131. bellenblatt Daten Anlagen In diesem Tabellentlatt werden die Eigenschaften der Anlagentechnik zusammengestellt Neben den Daten der Erzeuger Speicher Verteilkreise und L ftungsanlagen werden auch die jeweiligen Verkn pfungen der Anlagen untereinander aufgenommen Dies geschieht in der Art dass f r die gew hlte Anlage in der selben Zeile markiert wird welche anderen Anlagen oder ggfls Gebaudezonen ber sie versorgt werden Abschnitt Anlagen zur Ruckkohlung Erschlie ung Erdreich Grundwasser Hier werden Anlagen wie R ckk hlwerke Erdsonden oder Grundwasserbrunnen eingetragen Neben den allgemeinen Angaben sol die Systemenbindung z B Raumheizung oder K alteerzeugung angegeben werden Diese wird mit einem x beim jeweiligen System markiert Weiterhin soll unter versorgte Anlage angegeben werden welche anderen Anlagen Energie von der jeweiligen Komponente erhalten Diese wird mit einem x beim jeweiligen System markiert Cie Anlagen sind folgenderma en abgek rzt REW EWS R ckk hlwerke Erdsonden WE Narmeerzeuger KE K lteerzeuger SP Speicher YE Werteilkreise Die Spezifikation dieser refenzierten Anlagen befindet sich dann weiter unten auf dem Tabellenbiatft Abschnitt W rmeerzeuger KWEK Anlagen Hier werden W rmeerzeuger wie Gaskessel oder KWE Anlagen wie Gas BHKWs eingetragen Ansonsten folgt die Systematik der des ersten Abschnitts Abschnitt K lteerzeuger Hier werden Kaltee
132. betrieb identifiziert und bewertet werden 8 3 2 Beschreibung Die EnEV 2009 Verordnung ber energiesparenden W rmeschutz und energiesparende Anlagentechnik bei Geb uden die in der aktuellen Fassung seit dem 01 10 2009 g ltig ist 58 ist die nationale Umsetzung der Europ ischen Geb uderichtlinie EPBD Energy Performance of Building Directive 59 Als Grundlage f r die Berechnung des Prim renergiebedarfs von Nichtwohngeb uden wird in der EnEV 2009 die DIN V 18599 festgelegt 60 Die DIN V 18599 beschreibt eine Berechnungsmethode entsprechend der Europ ischen Gesetzgebung f r den Nutz End und Prim renergiebedarf f r Heizung K hlung L ftung Trinkwarmwasser und Beleuchtung von Geb uden Die Norm besteht aus 10 Teilen und einem zus tzlichen Korrekturteil Teil 100 In der EnEV werden Mindestanforderungen f r die energetische Qualit t von Geb uden formuliert Der Nachweis erfolgt anhand des so genannten Referenzgeb udeverfahrens Dabei muss nachgewiesen werden dass der Prim renergiebedarf des zu errichtenden Geb udes den entsprechenden Wert eines Referenzgeb udes gleicher Geometrie Nettogrundfl che Orientierung und Nutzung sowie einer vorgegebenen technischen Referenzausf hrung nicht berschreitet Weiterhin werden Anforderungen an den Mindestw rmeschutz der Au enbauteile und an den sommerlichen W rmeschutz von neu zu errichtenden Geb uden formuliert Die DIN V 18599 legt in Teil 10 Norm Nutzun
133. bildung 69 0 5 0 07 0 48 0 06 0 46 0 44 0 05 Oo A aa ae eo HE PER ER EEE EEE a o O4 0 04 0 38 0 03 0 36 0 34 0 02 0 32 0 3 i 2 2 05 2 1 2 15 22 2 25 is Abbildung 69 A posteriori Niveauliniendarstellung Fraunhofer ISE 05 07 2011 Seite 157 Modellbasierte Methoden fur Fehlererkennung und Optimierung Anhand der A posteriori Niveauliniendarstellung wird die Korrelation der Parameter ersichtlich Mit einer hohen Warmeleittahigkeit und dicken AuBenwanden erh lt man fast die gleichen Ergebnisse wie mit geringen W rmeleitf higkeit und d nnen Au enw nden Generell k nnen verschiedenartige Parameteridentifikationen mit der vorgestellten Methode durchgef hrt werden Eine solche Parameteridentifikation kann zur Kalibrierung Vorhersage und Bestimmung des Wertes der Information engl value of information verwendet werden Auch eine Fehlererkennung und Diagnose kann mit der Methode durchgef hrt werden Dazu m ssen die Bereiche im Parameterraum identifiziert werden in denen man von einem fehlerhaften Betrieb ausgehen kann Mit der Methode k nnen die wahrscheinlichsten Parameterwerte ermittelt werden Danach muss entschieden werden ob dieser Wert einen fehlerhaften Betrieb darstellt Je nach dem Einfluss des Fehlers auf den Geb udebetrieb z B Energieverbrauch kann dann entschieden werden ob es wirtschaftlich ist den Fehler zu beheben oder ob der Fehler einen zu vernachl ssigenden Einfluss hat Bayes sche Modellver
134. ce Indikator z B auf kritisch bei einer Abweichung von mehr als 30 auf fehlerhaft gesetzt werden Weitere Analysen k nnten im Bedarfsfall dann z B mit Level 2 Metrics durchgef hrt werden Allgemein k nnen folgende Daten als Referenzwerte dienen e Planwerte Zielwerte f r den Energieverbrauch des Gesamtgeb udes oder einzelner Zonen oder Anlagen aus der Planungsphase die z B anhand von Simulationen oder Bedarfsberechnungen ermittelt wurden e Historische Daten Falls keine Planwerte vorliegen k nnen historische Daten als Referenz verwendet werden D h in diesem Fall wird das Geb ude bzw die Anlage mit sich selbst verglichen Zeigen die aktuellen Daten gro e Abweichungen zu den historischen Daten weist das u U auf einen Fehler hin Voraussetzung ist hier dass zum einen gen gend Messwerte vorliegen zum anderen muss jedoch auch gesichert sein dass die Vergleichsdaten aus einer Betriebsperiode stammen die fehlerfrei war e Messdaten anderer hnlicher Geb ude Falls Kennwerte f r hnliche Geb ude z B aus statistischen Auswertungen des Geb udebestands vorliegen k nnen diese als Referenzwert verwendet werden Oft scheitert diese Methode daran dass die Nutzung und anlagentechnische Ausstattung der Geb ude so individuell ist dass keine brauchbaren Vergleichsdaten verf gbar sind e Modellberechnungen In Ermangelung von Planwerten k nnen auch w hrend der Betriebsphase Modellberechnungen durchgef hrt werden u
135. ch bis zu dem linearen Term betrachtet und daraus wird die Nullstelle bestimmt Diese Nullstelle ist der neue Iterationspunkt des Verfahrens ex an f a f r das eigentliche Newton Verfahren zum Auffinden von Nullstellen bzw F r die Optimierung lautet die Iterationsgleichung eax LD a Fae 32 Anschauliche Beispiele f r Simplexe 1 dim Strecke 2 dim Dreieck 3 dim Tetraeder Fraunhofer ISE 05 07 2011 Seite 63 Modellbasierte Methoden fur Fehlererkennung und Optimierung Abbildung 21 Iterationen eines Newtonverfahrens f r die Ableitung an einem Beispiel aus R F r die Anwendung des Verfahrens m ssen die Ableitung nicht analytische bekannt sein sie k nnen auch numerisch ermittelt werden z B finite Differenzen Fur f R gt R kann auf die Berechnung der Inversen der Hessematrix zweite Ableitung im Nenner durch implizite Verfahren verzichtet werden Diese Verfahren sind schneller und u U stabiler als das normale Newton Verfahren Sie werden Quasi Newton Verfahren genannt Als Beispiel f r ein solches Verfahren kann das von Davidon Fletcher und Powell DFP Verfahren genannt werden Bei der Minimierung von Fehlerquadraten kann das so genannte Gau Newton Verfahren angewendet werden Hierbei handelt es sich um eine Bezeichnung f r die Anwendung eines impliziten Newton Verfahrens f r eine bestimmte Anwendung bzw Zielftunktionenart Fehlerquadratsumme Besonders gutes Konvergenzverhalten zeigen die so ge
136. che Daten Visualisierung Statistik ungew hn liches Verhalten detektiert ber Regel oder mind 2 Monate Daten verf gbar 34 4 1 Schritt 4 Schritt 3a Standardanalyse Fraunhofer ISE 05 07 2011 Modellbasierte Methoden f r Fehlererkennung und Optimierung Pr fen auf Einsparpotenzia l Konnte P otenzial Ma na hme identifiziert werden Nein E vtl Weitergehende Analyse zus tzliche Messungen Simulationen Durch Fachmann zu entscheiden 34 4 2 Schritt 4 Einsparung messen berechnen Baseline anpassen 3a 4 2 Schritt 4 Anhang Seite XIII 1 Start gt 2 4 2 mind j hrliche Daten Mess technik installiert 2 Analyse Erstellung Modell auf Grundlage Zertifizierung Schritt 2 Kalibrierung des Modells mit mind 4 Monaten Daten Kalibrierung erfolgreich 3 Ma nahme Nein Evtl Weitergehende Analyse zus tzliche Messungen Simulationen Durch Fachmann zu entscheiden 4 N chster Schritt Parameterstudie Optimierung durchf hren Konnte Potenzial Ma nahme identifiziert werden Nein Einsparung messen berechnen Baseline anpassen 3b 4 1 3b 4 2 Schritt 4 Schritt 4 Schritt 3b Systems pezifische Analyse Optimierung Fraunhofer ISE 05 07 2011 Modellbasierte Methoden fur Fehlererkennung und Optimierung Anhang Seite XIV 1 Start gt 1 4 3 2 4 3 J hrliche Da
137. cher nicht signifikant ist wurde somit doch sichergestellt dass die Evaluation der Methoden und Werkzeuge mit unterschiedlichsten Randbedingungen erfolgen kann Fraunhofer ISE 05 07 2011 Seite 80 Modellbasierte Methoden fur Fehlererkennung und Optimierung Tabelle 12 gibt einen Uberblick Uber die Demonstrationsgebaude die im Rahmen von ModBen untersucht werden Fraunhofer ISE 05 07 2011 Seite 81 Tabelle 12 Geb ude DVZ Barnim Barnim ennovatis Gro p sna Modellbasierte Methoden f r Fehlererkennung und Optimierung bersicht Demonstrationsgeb ude Baujahr 2007 1995 8 000 1 000 Nutzung B ro B ro Heizung L ftung K hlung GA Heizung M W Zander Stuttgart 1998 15 000 Buro Gastro Konferenz Heizung L ftung K hlung Klima GA EADS Ottobrunn Ludwig Erhard Haus Berlin Kraft Foods Munchen 1976 1998 1986 6 000 37 000 11 000 Buro Buro Gastro Konferenz Buro Labor Gastro Konferenz Heizung Klima Heizung L ftung Klima GA Heizung L ftung Klima GA Insgesamt wurden sogar 6 Geb ude ausgew hlt Allerdings ist zu vermerken dass nach wiederholten technischen und organisatorischen Problemen die Zentrale von M W Zander in Stuttgart nicht als Demonstrationsgeb ude genutzt werden konnte Auch das wirft ein Licht auf den aktuellen Stand bzw die Hindernisse bei der Einf hrung einer systematischen
138. chkeit bestimmter Betriebszust nde Dieses Vorgehen unterscheidet sich grundlegend von klassischen Simulationsrechnungen und hat den Vorteil dass vorhandene Unsicherheiten bewertet werden k nnen und Teil des Modells sind Simulationsmodelle dieser Art werden praktisch au er in der Forschung noch nicht verwendet Weitere Forschung und Entwicklung erscheint sinnvoll e Organisatorische Aspekte Einbindung in der Geb udebetrieb Neben den technischen Aspekten spielen die organisatorischen Aspekte eine wichtige Rolle f r den Erfolg der Betriebsanalyse von Geb uden Zust ndigkeiten m ssen gekl rt sein die notwendigen Prozesse m ssen dokumentiert und nachverfolgt werden Auch hier erscheint es sinnvoll ber Vereinheitlichung nachzudenken du entsprechende Werkzeuge f r die Nachverfolgung der Prozesse zu entwickeln Fraunhofer ISE 05 07 2011 Seite 216 Modellbasierte Methoden fur Fehlererkennung und Optimierung Anhang Fraunhofer ISE 05 07 2011 Anhang Seite Modellbasierte Methoden fur Fehlererkennung und Optimierung A Abk rzungen AT CC EMS EnEV EnOB EPBD FED GA KKM RLT Anlage Fraunhofer ISE 05 07 2011 Au entemperatur Continuous Commissioning Energy Management System Energieeinsparverordnung Verordnung ber energiesparenden W rmeschutz und energiesparende Anlagentechnik bei Geb uden F rderprogramm Energieoptimiertes Bauen des Bundesministeriums f r Wirtschaft und Technologie Europea
139. consumption values of new day Flag outliers in data set Standardise features with NA Day typing Compute dissimilarity coefficients between new day and existing day yipe V2 clusters Apply Duda and Hart stopping rule to see if new day belongs to cluster with smallest dissimilarity coefficient Delete days tram training data sets V3 Assign found day type to new day Delete days trom training datasets 22 Run Regression Run regression model i ta va predict consumption Outlier detection on residuals V5 Update Day typing and V6 Regression model from Training with ith day Validation Run Training until new model and day types can be generated 2 months yes VV 7 no Change of operation Assign the day its original day type g weekday if day 5 a Monday Notify building operator and ask i change of operation occurred Are more than 4 days outliers in a row Notify building operator and delete outlier from dataset Validation Il identical to Validation except for highlighted boxes Start Validation Il 1 day of new data after 365 j 1 Run Training to update Day typing and Regression model with 365 1st day day Anhang Seite XXXV Modellbasierte Methoden fur Fehlererkennung und Optimierung Fraunhofer ISE 05 07 2011 Anhang Seite XXXVI Modellbasierte Methoden fur Fehlererkennung und
140. d Optimierung Scatterplots Signaturen Der Scatterplot der Heiz und Kuhlkreise zeigt die Tagesmittel der Systemtemperaturen Vor und R cklauf und die Spreizung ber dem Tagesmitte der Au entemperatur Falls die Betriebsr ckmeldung bzw das Stellsignal der Pumpe erfasst wird wird die Spreizung jeweils f r den Betriebszustand Pumpe an und Pumpe aus dargestellt Die Daten werden gruppiert nach Werktagen und Wochenenden Weiterhin werden alle Daten mit dem Betriebssignal der Pumpe gefiltert d h die Tagesmittelwerte der Systemtemperaturen werden nur f r den betreffenden Betriebszustand Pumpe an Pumpe aus ermittelt Die folgende Abbildung zeigt zwei Beispiele zum workdays weekends zum weekends workdays CTRL SIG dT K dT K Pump OFF 0 5 10 15 20 25 30 35 10 15 Outdoor Air Temp C Outdoor Air Temp C Abbildung 49 Beispiele von Scatterplots f r Heizkreise Links Beispiel eines Heizkreises ohne gr ere M ngel Vorlauftemperatur T_SUP und Spreizung dT zeigen einen negative lineare Korrelation zur Au entemperatur Eine Absenkung der Vorlauftempertur an Wochenenden ist erkennbar Wenn die Pumpe nicht l uft ist dT im Bereich 5K Rechts Beispiel eines Heizkreises mit M ngeln Vorlauftemperatur T_SUP und Spreizung dT zeigen einen neg
141. dBen nicht m glich mit Hilfe der Berechnungsmethodik der DIN V 18599 geeignete Zielwerte f r den Energieverbrauch abzuleiten Dies hat folgende Gr nde e Der Strombedarf gem EnEV bezieht sich nur auf die Haustechnik und ist somit nicht vergleichbar mit gemessenem Gesamt Stromverbrauch der im Monitoring erhoben wird e Beim Endenergiebedarf f r Heizung wird trotz der Anpassung von Nutzungsprofilen und der Kennwerte der Anlagentechnik der Energiebedarf in den meisten F llen bersch tzt Fraunhofer ISE 05 07 2011 Seite 98 Modellbasierte Methoden fur Fehlererkennung und Optimierung e Obwohl die Norm sehr umfangreich und detailliert erscheint sind einige Technologien insbesondere im Bereich K hlung Klimatisierung nicht abbildbar o Fernk lte o Direktk hlung ber Grundwasser Erdsonden R ckk hlwerke o Reversible W rmepumpen o Sorptiv gest tzte K hlung e Eine Berechnung der Aufteilung der Last auf mehrere Erzeuger oder bergabesysteme ist nicht korrekt m glich e Neben den oben genanten Problemen wurde in der Bearbeitung deutlcih dass sowohl die Norm als auch die verwendete Software in einem relativ fr hen Stadium befinden und daher Fehler enthalten die zwar ber die Zeit korrigiert werden jedoch die Bearbeitung deutlich erschwert haben Weiterhin besteht aus rein praktischen Gesichtspunkten das Problem dass Energiebedarfsausweise in Deutschland nur f r neu zu errichtende Geb ude verpflichtend vorgeschri
142. dT Statische lineare er T _T Berechnungen nach Gleichungen dt i WSchVO da U T T Transmission durch Bauteil Statische nichtlineare Gx Evc f T L Geb udesimulation Gleichungen Infrarotaustausch Strahlungsaustausc h RaumumschlieBungs flachen Dynamische lineare C aT U T _T passive aktive Gleichung Energiespeicher lineare gew hnliche DGL W rmespeicherung dynamischer Dynamische lineare 0 O U x t a U x t Warmefluss in Gleichung t Or Partielle lineare DGL Warmeleitungsgleichung Bauteilen Dynamische nicht lineare O Str mungs u Viu Gleichung P Ot plu ju simulation Partielle nichtlineare DGL _ Vp nAu A 4 n V V u f Navier Stokes Gleichungen Gleichungen Gebaudesimulations programme Je nach Gleichungssystem das dem jeweiligen White Box Modelle zu Grunde liegt werden verschiedene numerische Methoden zu deren L sung bzw zur Generierung der Modellvorhersage verwendet Teilweise werden auch verschiedene numerische bzw analytische Methoden f r verschiedene Untermodelle verwendet um die Leistungsf higkeit der Modelle zu optimieren Die Gleichungssysteme die im Geb udebereich bei dynamischen Betrachtungen entstehen k nnen in der Regel nicht mit analytischen Methoden gel st werden Dabei muss beachtet werden dass die Numerik d h die Wahl des L sungsverfahrens und der numerischen Parameter z B L sungstoleranzen Schrittweiten lterationsmaximum Recheng
143. dellbasierte Methoden f r Fehlererkennung und Optimierung DIRECTIVE 2002 91 EC OF THE EUROPEAN PARLIAMENT AND OF THE COUNCIL on the energy performance of buildings Official Journal of the European Communities 2003 DIN Deutsches Institut f r Normung e V DIN V 18599 Energetische Bewertung von Geb uden Berechnung des Nutz End und Prim renergiebedarfs f r Heizung K hlung L ftung Trinkwarmwasser und Beleuchtung 2007 S Zehnle Eignung der Berechnungsmethodik DIN V 18599 zur Abbildung des Energieverbrauchs von realen Nicht Wohngeb uden Hochschule Offenburg University of Applied Sciences FHO 2008 J Lebrun Simulation of a HVAC System with the Help of an Engineering Equation Solver 7th IBPSA Conference Brazil 2001 pp 1119 1126 S Komhard Model Based Approach for Performance Monitoring of Commercial Buildings University of Applied Science Berlin 2008 Fraunhofer ISE 05 07 2011 Anhang Seite VII Modellbasierte Methoden fur Fehlererkennung und Optimierung C Verottentlichungen und Vortr ge e Website www modben org Vortrage Prasentationen Fraunhofer ISE 05 07 2011 O O O O O O O O O O O O University of Nebraska Omaha April 2007 Uni Karlsruhe Seminar Energiemonitoring von Geb uden Okt 2007 Meeting IEA ECBCS Annex 47 Kyoto Oktober 2007 Asian Pacific Conference on Building Commissioning Kyoto Oktober 2007 Pr sentation bei Fa Equa St
144. den fur Fehlererkennung und Optimierung J 5 Thermische Desinfektion Bei allen Anlagen mit Trinkwassererw rmung wird an dem ausgew hlten Wochentag oder t glich eine thermische Desinfektion des Trinkwassers durchgef hrt Die Haltezeit Desinfektionstemperatur bestimmt wie lange die Desinfektionstemperatur innerhalt des eingestellten Zeitraumes gehalten werden muss damit der Vorgang erfolgreich gewertet wird Parametrierung des Reglers mittels Smartbox Anhang Tabelle 13 Thermische Desinfektion Register Beschreibung Umrechnung Werkseinstellung analog digital Desinfektionstemperatur Temp 10 d h 200 20 C 700 70 C Thermische Desinfektion 1830 Wochentag der thermischen 1 Montag 7 Sonntag 3 Mittwoch Desinfektion 1831 Startzeit der thermischen Zeit 100 d h 2345 23 45 0 00 00 Desinfektion 1832 Stoppzeit der thermischen Zeit 100 d h 2345 23 45 400 04 00 Desinfektion 1838 Haltezeit 0 255 min O min Desinfektionstemperatur J 6 Temperaturabsenkung Die Temperaturabsenkung bestimmt um welche Temperatur pro Stunde der Sollwert f r den Tagbetrieb zur Erreichung des Nachtsollwertes abgesenkt wird Parametrierung des Reglers mittels Smartbox Anhang Tabelle 14 Temperaturabsenkung Register Beschreibung Umrechnung Werkseinstellung analog digital 1061 Temperaturabsenkung Rk1 Absenkung 10 d h 50 0 5 C h 1261 Temperaturabsenkung Rk2 Absenkung
145. diesen Nomogrammen ist der nichtlineare Charakter gut erkennbar und daraus kann noch einmal geschlossen werden dass hier die vereinfachte Heizk rpergleichung d h ohne logarithmische bertemperatur und damit wesentlich einfacher l sbar nicht verwendet werden darf oO N 2 T S ao o O x N 0 oO 5 o 5 Y O g Y O N 0 10000 30000 0 10000 30000 Power W Power W Abbildung 56 Nomogramme der Invertierten Heizk rpergleichung f r den Gesamtheizkreis am Demonstrationsgeb ude Gro p na 8 6 4 Beispiel Evaluation in Demonstrationsgeb ude F r das Demonstrationsgeb ude in Gro p sna wurde die komplette Methode angewendet Die gemessene Gesamtleistung wurde gem den Monte Carlo Samples auf alle Heizk rper verteilt In Abbildung 57 ist f r einen bestimmten Heizk rper die Verteilung der Heizleistung dargestellt Damit die Gesamtheizleistung in der Monte Carlo Simulation mit der gemessenen Gesamtheizleistung bereinstimmt verliert man einen Freiheitsgrad d h es k nnen nur n 1 Zufallsvariablen mit der Monte Carlo Simulation festgelegt werden wenn n die 4 R Development Core Team 2008 R A language and environment for statistical computing R Foundation for Statistical Computing Vienna Austria ISBN 3 900051 07 0 URL http www R project org Fraunhofer ISE 05 07 2011 Seite 139 Modellbasierte Methoden fur Fehlererkennung und Optimierung Anzahl der Heizk rper ist Bei
146. e Modell f r g v l sst sich mit den besprochenen Gr en wie folgt beschreiben 80D Y arl B r Die Reihenentwicklung wird vollst ndig bestimmt durch e Die skalare Funktion der skalaren Variable x e Die Methode wie x angepasst wird um den mehrdimensionalen Vektor als Argument behandeln zu k nnen Je nach Auspr gung dieser beiden Eigenschaften ergeben sich verschiedene Modelle Einige bekannte Modelle sind z B e Neuronale Netze mit sigmoider Basisfunktion Diese Modelle ergeben sich aus einer Skalaren Konstruktion Propagierungsfunktion mit sigmoider Mutter Basisfunktion Aktivit tsfunktion Die einzelnen Summanden der Reihenentwicklung werden hier als Neuronen bezeichnet Die Reihenentwicklung n Neuronen selbst stellt ein so genanntes Layer dar Die Netzstruktur ergibt sich bei diesen Modellen dadurch dass die Ausgabewerte von Neuronen eines Layers in ein weiteres Layer bergeben werden eine weitere Reihentwicklung e Wavelet Netzwerke oder Neuronale Netze mit Radialer Basisfunktion In beiden Typen wird Gauss Funktion als Mutter Basisfunktion mit einer Radialen Konstruktion kombiniert Zur Sch tzung der Parameter werden in diesem Fall ged mpfte Gauss Newton Verfahren oder der so genannte Backpropagation Algorithmus verwendet 17 Aufgrund der vielf ltigen M glichkeiten der Erstellung nichtlinearer Modelle ergeben sich zahlreiche Untergruppe zu den genannten Typen wie neuronalen Netzen und Wavelet Net
147. e Seite kann folgenderma en erweitert werden disjunkt pte 9 IK PO IH OD DIE S IK pte d Gleichung 8 DEE 8 JIE Y pG pOK J Gleichung 7 und Gleichung 8 k nnen folgenderma en zusammengefasst werden DIE Pt IKIPDIE K Gleichung 9 In Gleichung 9 ist p D K in der gew nschten Form dargestellt d h mit prior und likelihood In dem Sch tzproblem Gleichung 6 ist der Nenner nur eine Normalisierungskonstante f r die A posteriori Wahrscheinlichkeit der Parameter Fraunhofer ISE 05 07 2011 Seite 149 Modellbasierte Methoden fur Fehlererkennung und Optimierung p ADK unter der Bedingung der Messdaten und des Basiswissens engl posterior Die Normalisierungskonstante dr ckt alle m glichen Szenarien f r den Parameter aus Die Berechnung dieser Normalisierungskonstante macht die Implementierung der Bayes schen Inferenz in der Praxis so schwierig weil daf r Millionen Geb udesimulationen notwendig sind um sicherzustellen dass die Normalisierungskonstante ausreichend berechnet ist und dass sie konvergiert ist Monte Carlo Methoden sind notwendig um sicherzustellen dass der Parameterraum vollst ndig exploriert wird Das Ergebnis wird zusammengefasst durch die so genannte Marginalisierung ber den Parameter d h ber alle m glichen Werte des Parameters F r kontinuierliche Parameter wird die Summe durch ein Integral ersetzt po pe pwlexys Gisichunig 10 Um die Inferenzen zusammen
148. e der Wahrscheinlichkeitstheorie Die bekannteste Definition der Wahrscheinlichkeitstheorie ist der frequentistische Wahrscheinlichkeitsbegriff Er wird definiert als die langfristige relative H ufigkeit mit welcher ein Ereignis auftritt Das Auftreten eines Ereignisses kann entweder durch eine Sequenz von Identisch wiederholten Versuchen oder als Ausgangsgr e aus identischen Systemen stattfinden Der frequentistische Wahrscheinlichkeitsbegriff wird auch als klassische Sicht bezeichnet Statistische Methoden basierend auf dem frequentistischen Wahrscheinlichkeitsbegriff sind derzeit besonders im Bereich der Geb udeforschung am h ufigsten verbreitet Im Gegensatz dazu ist die Bayes sche Wahrscheinlichkeitstheorie auf eine allgemeinere Definition der Wahrscheinlichkeit gegr ndet und damit allgemein anwendbar Der Grund daf r ist dass es in Geb uden nie eine Folge von identisch wiederholten Versuchen oder identische Geb udetechniksysteme gibt Die Dynamik die mit dem Betrieb eines Geb udes verbunden ist erlaubt die Verwendung von frequentistischen Statistiken nur in einer begrenzten Anzahl von F llen Aus der Sicht der Bayes sche Wahrscheinlichkeitstheorie ist die Wahrscheinlichkeit ein als reelle Zahl bewertets Ma f r die Plausibilit t einer Aussage wenn aufgrund unvollst ndigen Wissens die von Wahrheit oder Falschheit nicht mit Sicherheit festgestellt werden kann Die Skala wird so geteilt das 0 mit einer absoluten Siche
149. e nicht lineare Modelle sind in ihren Parametern linear oder k nnen entsprechend ungeformt werden z B durch Logarithmierung Die Parametersch tzung kann deshalb mit der LS Methode erfolgen Kann das Modell nicht so umgeformt werden dass es in den Parametern linear ist k nnen zur Parametersch tzung Iterative Verfahren wie das Gau Newton Verfahren oder verwandte Verfahren wie das Levenberg Marquart Verfahren eingesetzt werden Diese sind allerdings numerisch aufwendiger und die Konvergenz der Verfahren ist u U nicht gesichert Beispiele f r ein nicht lineares statisches Modell sind Kennlinien Modelle etwa von Pumpen Sollen die Parameter von statischen Modellen mit Hilfe von Messwerten aus realen Systemen gesch tzt werden so muss darauf geachtet werden dass die Messdaten statische Zust nde repr sentieren Aus diesem Grund wird vor der eigentlichen Parametersch tzung h ufig ein so genannter steady state filter verwendet um statische Zust nde aus den Messdaten zu extrahieren Einen einfachen steady state filter stellt z B die Bildung von Mittelwerten ber l ngere Zeitabschnitte dar Fraunhofer ISE 05 07 2011 Seite 29 Modellbasierte Methoden fur Fehlererkennung und Optimierung Dynamische lineare Modelle Charakteristisch f r dynamische Systeme ist dass das Verhalten von Ein und Ausgangsgr en zeitabh ngig sind F r dynamische lineare Systeme existiert eine ganze Familie von Black Box Modellen die als Transfe
150. eb ude und Systeme Zustandsinformation Epergiemomtoring Aggregierte Kennwerte Komponenten und Sub Systeme Charakteristik Betriebsdaten Komplement r hohe zeitliche Aufl sung Betriebs ber wachung Wartungs management Daten GLT Messtechnik Bottom Up Abbildung 26 Schema Betriebsanalyse Links Analyseans tze Rechts Verdichtung von Daten zu Performance Metrics unterschiedlichen Detaillierungsgrades Beim Energiemonitoring wird f r die Analyse ein Top Down Ansatz gew hlt Dieser erg nzt sich im Idealfall mit einem Bottom up Ansatz aus dem Anlagenmonitoring W hrend der erste eher zur Detektion von Fehlern in Betrieb geeignet ist kann der zweite zur weitergehenden Analyse und Diagnose verwendet werden 7 3 1 Allgemeine Definition Entsprechend Abbildung 26 k nnen verschiedene Detaillierungsgrade von Performance Metrics definiert werden e Indikatoren Indikatoren sind Zustandsinformationen auf hohem Level und stellen die am weitest verdichteten Daten dar Es wird lediglich der korrekte inkorrekte oder evtl kritische Betrieb angezeigt Eine typische grafische Repr sentation stellt eine Ampel mit drei Levels dar OK kritisch fehlerhaft e Level 1 Metrics Bei Level 1 Metrics handelt es sich um aggregierte Kennwerte die sich in einer Zahl wiedergeben lassen Typisches Beispiel ist der auf die Nutzfl che bezogene Energieverbrauch eines Geb udes in kWh je Quadratmeter im Jahr oder im Monat D
151. eb uden verf gbar VDI 3807 54 ages GmbH 55 ARGE Benchmark 56 Referenzwerte gem EnEV 57 Mit diesen Quellen ergeben sich die in den nachsten beiden Abbildungen gezeigten Ergebnisse E maximum E minimum Referenzwerte B rogeb ude in kWh m2a W 5 tom 2 Ba gt O Sen 7 D N D T Abbildung 33 Benchmarking Heizenergieverbrauch maximum E minimum Referenzwerte B rogeb ude in kWh m2a Elektrischer Energieverbrauch Abbildung 34 Benchmarking Stromverbrauch Fraunhofer ISE 05 07 2011 Seite 92 Modellbasierte Methoden fur Fehlererkennung und Optimierung E maximum E Minimum Referenzwerte B rogeb ude N W Sen Ke Sen D gt Sen D un un Abbildung 35 Benchmarking Wasserverbrauch Die Vergleichswerte aus den unterschiedlichen Quellen zeigen eine sehr gro e Streuung Eindeutige Aussagen bez glich der Einordnung des Energieverbrauchs der Demogeb ude sind vor allem im Bereich W rme nicht ohne weiteres m glich Weiterhin beziehen die Vergleichswerte f r den Heizenergieverbrauch nicht das Erzeugersystem mit ein In der Regel wird das Benchmarking jedoch auf Basis des Endenergieverbrauchs also der gelieferten Energie gemacht Im Falle von An
152. eb udes EADS 88 in M nchen gezeigt siehe auch 8 1 3 Die folgenden Abbildungen zeigen den Energie und Wasserverbrauch des Geb udes in der Darstellung als Zeitreihenplot als Carpetplot und als Signatur XY Plot Fraunhofer ISE 05 07 2011 Seite 132 Modellbasierte Methoden fur Fehlererkennung und Optimierung Durchfluss I h Frischwasser El Leistung kW Th Leistung kW P_heiz Temperatur C Aussentemperatur Jul 08 Aug 08 Sep 08 Oct 08 Nov 08 Dec 08 Jan 09 Feb 09 Abbildung 53 Zeitreihenplot des Energie und Wasserverbrauchs von unten nach oben Au entemperatur Fernw rme und Fernkalte Gesamtstromverbrauch Kaltwasserverbrauch Fraunhofer ISE 05 07 2011 Seite 133 hour of day hour of day hour of day hour of day hour of day Modellbasierte Methoden fur Fehlererkennung und Optimierung FOR N ou o U O He EF N ou Oo WwW O m mm N o u o U O e N ou o u O e e N u oOo u O Aug 08 Sep 08 Oct 08 Nov 08 Dec 08 Jan 09 Abbildung 54 Carpetplot Energie und Wasserverbrauch von unten nach oben Au entemperatur Fernw rme Fernkalte Gesamtstromverbrauch Kaltwasserverbrauch WeiBe Bereiche in der Grafik stellen fehlende Daten dar Fraunhofer ISE 05 07 2011 1500 1350 1200 oO ul oO h Wasser I h 900 750 600 450 300 150 320 280 240
153. eb vorliegt kann anhand eines Vergleichs der Temperaturspreizungen der Heiz und K hlregister festgestellt werden Wenn beide zur selben Zeit betrieben werden sollte die Regelung berpr ft werden o Heiz oder K hlleistung nicht ausreichend Wenn die Temperaturspreizung am K hlregister dessen Betrieb anzeigt und aber die Temperaturdifferenz zwischen Zuluft und Abluft positiv ist sollte die Regelung und die Kapazit t des K hlregisters berpr ft werden Gleiches gilt sinngem auch f r das Heizregister wenn die L ftung einen signifikanten Anteil der Bereitstellung der Heizleistung f r die versorgte Zone bernimmt 8 5 6 Implementierung Die Datenvisualisierung wurde mit dem Tool datastorage umgesetzt siehe auch 8 4 Die Plots werden dabei persistent in der H5 Datenbank gespeichert Datastorage bietet eine optimale Umgebung f r die Vorprozessierung der Rohdaten Von Bedeutung ist dass die Erstellung der hier vorgestellten Datenvisualisierungen des Energieverbrauchs der Heizkreise und der L ftungsanlagen automatisiert auf Basis der einheitlichen Datenpunktbezeichnung siehe 8 4 geschieht Dadurch wird eine einfache und schnelle Anwendbarkeit sichergestellt 8 5 7 Beispiel Evaluation in den Demonstrationsgeb uden Die manuelle Fehlererkennung und Diagnose anhand der standardisierten Datenvisualisierung wurde f r alle Geb ude durchgef hrt Als Beispiel werden hier die Ergebnisse f r den Energieverbrauch des G
154. eben sind Im Geb udebestand kommt weitgehend der Energieverbrauchsausweis zum Einsatz da dieser deutlich kosteng nstiger angeboten werden kann D h im realen Geb udebetrieb w rde sich selbst bei einer besseren Eignung der DIN V 18599 zur Ableitung von Zielwerten f r den Energieverbrauch eine Synergie nur schwerlich ergeben Fraunhofer ISE 05 07 2011 Seite 99 Modellbasierte Methoden fur Fehlererkennung und Optimierung 8 4 Stufe 3a Das Datenhandling tool datastorage 8 4 1 Begr ndung f r den Ansatz F r die Entwicklung bzw den Test von verschiedenen Analysemethoden sollte ein Werkzeug entwickelt werden dass den komplexen Umgang mit gro en Datenmengen erlaubt und sich flexibel und modular weiterentwickeln l sst Im Rahmen des Projekts wurde das Werkzeug datastorage f r diesen Zweck entwickelt 8 4 2 Beschreibung Im Kern enth lt datastorage eine Verwaltung f r Zeitreihendaten und dazugeh rige Metadaten Modular k nnen beliebige Funktionalit ten erg nzt werden Es wurde bei der Entwicklung insbesondere auf die einheitliche und systematische Behandlung der Daten geachtet Erweiterbares _ Interface Data Access Abbildung 40 Struktur des Datenhandling tools datastorage Neben Standardfunktion f r Zeitreihen wie Interpolation und zeitliche Verdichtung wurden speziell die Filterungen und Gruppierung von Daten anhand beliebiger Bedingungen erm glicht f r die Analyse von verschiedenen Betriebszust nde
155. eder 0 oder 100 betr gt Das ist eine Art des Ausdrucks von dem Grad der pers nlichen berzeugung und man wei dass sich der reale Wirkungsgrad zwischen diesen beiden Grenzwerten bewegt In diesem Abschnitt wird eine Strategie benutzt die empirische Daten verwendet um die wahrscheinlichsten Parameter z B Kesselwirkungsgrad und deren zeitabh ngige Varianz f r den Normalbetrieb zu bestimmen Weiterhin kann dadurch analysiert werden ob es sich um eine fehlerhafte Abweichungen zum Normalbetrieb handelt Eine reine empirische Analyse w rde ausschlie lich auf Messdaten basieren und keine Beziehung zwischen den unterschiedlichen Geb udeenergiesystemen ber cksichtigen Weiterhin w rde sie den Grad der pers nlichen berzeugung unber cksichtigt lassen Diese Methode einer Geb udeenergiediagnose ist m glich w rde aber eine unendliche Kombination von Systemen ben tigen um das Problem zu l sen Um FED in einem Geb ude zu implementieren w re eine Datenbank mit Messdaten f r alle m glichen Anlagenkombinationen und die F higkeit die Messungen aus einem Geb ude dieser Datenbank zu vergleichen notwendig Das Ergebnis gibt an ob in dem untersuchten Geb ude ein fehlerhafter oder ein normaler Betrieb vorliegt Dieser Ansatz ist leider f r Gebaudeenergiediagnosen nicht anwendbar da eine solche Datenbank nicht erstellt werden kann und alle vorhandenen Forschungsarbeiten im Bereich der Geb udeenergiesysteme und der Fehlererkennung und Di
156. ehlererkennung und Optimierung Das Bayestheorem kann nun verwendet werden um die Wahrscheinlichkeiten direkt zu berechnen Wenn D die Aussage reprasentiert dass die Messdaten festgestellt wurden und H die Aussage dass 8 feststellt dass ein m glicher Parameterwert der wahre Wert ist dann k nnen die Wahrscheinlichkeiten berechnet werden K repr sentiert das notwendige Basiswissen mit allen notwendigen Beziehungen z B die Physik Randbedingungen und Vorinformationen Das Bayestheorem kann damit folgenderma en geschrieben werden PEIE Sa Gleichung 6 Um diese Gleichung verwenden zu k nnen m ssen die drei Wahrscheinlichkeiten auf der rechten Seite angegeben werden Die A priori Wahrscheinlichkeit engl prior der Parameter p AK und Wahrscheinlichkeit f r die Messdaten unter der Bedingung der Parameter engl likelihood p D K m ssen vorher festgelegt bzw bekannt sein Die A priori Wahrscheinlichkeit repr sentiert schon bekannte Informationen ber das Problem und kann im Modell als Parameter spezifiziert werden Die Wahrscheinlichkeit f r die Messdaten unter der Bedingung eines gegebenen Parameters wird mit dem Modell berechnet Das Modell muss f r einen Wert seines Parameters oder seiner Parameter wahr bzw richtig sein Deshalb muss eine Annahme f r 6 d h 0 oder 9 amp oder 0 amp usw wahr sein Das kann folgenderma en geschrieben werden DEE Gy NA pOWIKIG 6 1K pO Gleichung 7 Die link
157. eite 113 Plots Strom Wasser Gesamtplot Modellbasierte Methoden fur Fehlererkennung und Optimierung Hinweise zur Interpretation Typisches Erscheinungsbild vereinfacht In Abh ngigkeit der Nutzung des Brennstoffs kann das Muster ahnlich zu dem der Fernw rme oder Fernk lte sein Wird der Brennstoff jedoch z B in einer Anlage zur Kraft W rme Kopplung oder f r andere thermische Prozesse eingesetzt Ist zur Interpretation des Musters eine genaue Betrachtung des Systems notwendig Typisches Erscheinungsbild A Das typische Muster des Stromverbrauchs fur Nichtwohngebaude ist ein klares Wochenmuster A Der Stromverbrauch auBerhalb der Nutzungszeit ist deutlich geringer Daher erlaubt der Carpetplot des Stromverbrauchs einen Ruckschluss auf die Anwesenheit von Personen Abweichungen von diesem Muster konnen ein Hinweis auf Einsparpotenziale sein Saisonale Anderungen Saisonale Anderungen des Stromverbrauchsmusters treten meist auf wenn es einen klimaabhangigen Anteil des Verbrauchs gibt Meist ist das Muster uber das Jahr sehr konstant Ferienzeiten sollten klar ablesbar sein Typisches Erscheinungsbild Der Wasserverbrauch ist noch mehr als der A Stromverbrauch ein Indikator f r Anwesenheit von Personen z B Toiletten Kantine Daher zeigen Nicht Wohngeb ude h ufig ein sehr regelm iges Wasserverbrauchsmuster Abweichungen vom Muster k nnen ein Hinweis auf Einsparpotenziale sein z
158. eite 2 Modellbasierte Methoden fur Fehlererkennung und Optimierung Insbesondere die Erweiterung von GA Systemen hohe zeitliche Aufl sung Daten bertragung hat sich als aufwendig und kostenintensiv erwiesen Ge baudeautomationssysteme sind in der Regel nicht f r die Betriebsanalyse vor bereitet Eine existierende GA kann von Vorteil sein wenn die notwenige Sen sorik bereits existiert Falls das nicht der Fall ist hat sich eine L sung uber einen separaten Datenlogger als g nstiger erwiesen e Die manuelle Fehlererkennung und Diagnose mittels intelligenter Daten visualisierung wurde bei der Erstanalyse der Geb ude intensiv und erfolgreich genutzt Jedoch hat gerade diese Analysetechnik auch deutlich gemacht wie notwendig die Automation der Analyse ist da trotz der automatisierten Er zeugung der Visualisierung der manuelle Aufwand zur Interpretation erheblich ist und nicht f r die Integration in die t glichen Abl ufe bei der Betriebstuh rung geeignet ist e Als aus heutiger Sicht praxistauglich haben sich f r diesen Zweck modell basierte Methoden zur Fehlererkennung auf Basis von Black Box Modellen erwiesen siehe 8 9 Diese erlauben prinzipiell eine einfache und automati sierte Erkennung von ungew hnlichen Betriebszust nden e Bei Verwendung von modellbasierten Methoden zur Fehlererkennung und di agnose sowie Optimierung die mit White Box oder Gray Box Modellen ar beiten wurde deutlich dass diese gro e Potent
159. eizungsregelung 205 12 FAZIT 208 12 1 Generelle Ergebnisse 208 12 2 Erbebisse der einzelnen Stufen der Systematik 209 12 2 1 Stufe 1 Benchmarking 209 12 2 2 Stufe 2 Datenerhebung Ermittlung Zielwert 210 12 2 3 Stufe 3a Fehlererkennung und Diagnose 211 12 2 4 Stufe 3b Optimierung 212 12 2 5 Stufe 4 Betriebs berwachung 212 12 3 Hemmnisse 213 12 3 1 Generelle Hemmnisse 213 12 3 2 Technische Hemmnisse 214 12 4 Weiterer Forschungs und Entwicklungsbedarf 215 ANHANG A ABKURZUNGEN I B LITERATUR II C VEROFFENTLICHUNGEN UND VORTRAGE VIII D FLIEBBILDER PROZESSSCHRITTE X E DATENERFASSUNG UND TRANSFER IN DEN DEMONSTRATIONSGEBAUDEN XVI F CHECKLISTE STUFE 1 xx G CHECKLISTE STUFE 2 XXVII H FLIEBSCHEMA DES ALGORITHMUS ZUR AUTOMATISCHEN FEHLERDETEKTION XXXV EINHEITLICHE DATENPUNKTBEZEICHNUNG XXXVII J OPTIMIERUNG AN HEIZUNGSANLAGEN DURCH FERNZUGRIFF AUF HEIZUNGSREGLER XL J 1 Anpassungen der Heizkennlinie XL Fraunhofer ISE 05 07 2011 Seite VII Modellbasierte Methoden fur Fehlererkennung und Optimierung LTA Steigung und Niveau XL 212 Raumsollwert Tag Nacht anpassen XLIV J 1 3 4 Punkte Heizkennlinie definieren XLV J 1 4 Minimale und Maximale Vorlauftemperatur XLVIII J 2 AT Abschaltwert Nennbetrieb und Reduzierbetrieb XLVIII J Sommerbetrieb L J 4 Trinkwasseraufbereitung L J 5 Thermische Desinfektion LI J 6 Temperaturabsenkung LI Fraunhofer ISE 05 07 2011 Seite VIII Modellbasierte Methoden fur
160. ell damit nicht kalibriert werden kann deutet das darauf hin dass die Modellstruktur hinterfragt werden muss In der Literatur wird darauf hingewiesen dass eine zu hohe Anzahl von Parametern eine erhebliche Fehlerquelle darstellen kann 13 14 4 2 3 Black Box Modelle Black Box Modelle zeichnen sich dadurch aus dass sie keine physikalisch bedeutsamen Parameter besitzen Die Modellstruktur spiegelt in der Regel die Struktur des realen Systems nicht wieder Sie ist genereller Art und stellt lediglich ein Vehikel dar um ein Modell zu erhalten das in der Lage ist die Zusammenh nge zwischen Eingangs und Ausgangsgr en des realen Systems richtig bzw mit gen gender Genauigkeit abzubilden Die Parameter werden zu diesem Zweck meist automatisch angepasst 15 Diese automatische Anpassung der Parameter Kalibrierung stellt den gr ten Vorteil gegen ber White Box Modellen dar Der Erstellungsaufwand und die ben tigte Rechnerleistung ist f r Black Box Modelle im Vergleich als geringer einzustufen Allerdings wird dies dadurch erkauft dass die Modelle wenig bis keine Einsichten in die Innere Struktur des realen Systems erlauben Die Analysef higkeiten von Black Box Modellen sind dadurch eingeschr nkt Fraunhofer ISE 05 07 2011 Seite 27 Modellbasierte Methoden fur Fehlererkennung und Optimierung Daher werden Black Box Modelle hauptsachlich zur Fehlererkennung eingesetzt nicht jedoch zur Optimierung da sie die dazu n
161. elle 25 gibt einen Uberblick Uber den generellen Aufbau der Carpetplots ftir Heiz und Kuhlkreise Tabelle 25 Genereller Aufbau der Carpetplots tur Heiz und Kuhlkreise AT AuBentemperatur Plots Wetterdaten O AT und Globalstrahlung Vorlauftemp O T_SUP O R cklauftemp O T_RET O Spreizung O dT Im Falle einer drehzahlgeregelten Pumpe mit Fraunhofer ISE 05 07 2011 Hinweise zur Interpretation Typisches Erscheinungsbild vereinfacht Diese Daten werden nur als Referenz gezeigt Typisches Erscheinungsbild A Die Vorlauftemperatur zeigt hnliche Muster wie Fernw rme K lte oder Brennstoffe siehe 8 5 3 Typische Muster zeigen z B eine reine Zeitabh ngigkeit A verl ngerte Aufheizphasen nach einer Absenkung am Wochenende B Ausdehnung der Betriebszeiten in kalten B Perioden C keine Absenkung am Wochenende D oder durchgehenden Betrieb E Im Fall von durchgehendem oder sehr ausgedehntem Betrieb sollte auf jeden Fall die Notwendigkeit gepr ft werden Weiterhin kann es vorkommen dass T_SUP im Absenkbetrieb h her Heizkreise bzw niedriger K hlkreise liegt als in normalen Betriebsphasen Undichtigketen an Ventilen k nnen ein Grund hierf r sein Saisonale nderungen Typischerweise ist das Muster w hrend Zeiten mit hoher Anforderung im Winter Heizkreise Im Sommer K hlkreise besser erkennbar NEBE Typisches Erscheinungsbild analog zu T_SUP Saisonale Anderungen analo
162. en EUR a 65 000 Kosten Datenerfassung EUR 30 000 Prozentsatz der j hrlichen 46 Energiekosten M gliche Einsparung EUR a 5 000 Prozentsatz der j hrlichen 8 Energiekosten Statische Amortisationszeit a 6 0 Mogliche Kosten fur die EUR 15 000 Ingenieursdienstleistung bei 3 Jahren statischer Amortisationszeit Wurden Einsparungen teilweise realisiert Anmerkungen Nutzenergie aus Sch tzungen bzw Hochrechnungen siehe auch Kapitel 9 Fraunhofer ISE 05 07 2011 Ennovatis Gro p sna 1995 Buros 436 58 12 Smartbox 20 4 900 3 000 61 500 10 6 0 1 500 teilweise Ubersicht Ergebnisse und Kosten Nutzen bei Demogebauden EADS Ottobrunn 1978 B ros 7 130 73 170 55 Smartbox 42 302 000 30 000 10 22 000 7 1 4 36 000 teilweise Modellbasierte Methoden fur Fehlererkennung und Optimierung Kraft Foods Ludwig Ehrhard Haus Berlin Munchen 1998 1986 Buros Buros Labor Gastro Konferenz 37 000 9 800 88 357 94 316 GA SQL DB Smartbox 480 78 324 000 400 000 16 000 43 000 5 11 18 000 35 000 6 9 0 9 1 2 38 000 62 000 Nein teilweise Seite 199 11 Modellbasierte Methoden f r Fehlererkennung und Optimierung Verwertung der Ergebnisse Ennovatis stuft das Projekt als Industriepartner und Hauptverwerter der Ergebnisse als au erst erfolgreich ein Dies nicht zuletzt deshalb da wir eine Reihe von Anregungen und Best t
163. en Morgen arbeitete sie aber wieder normal Am 7 1 10 wiederholte sich der Ausfall erneut Da sie am 8 1 aber nicht wieder in Funktion ging wurde sie am Vormittag vorl ufig repariert Um die Heizung besser regeln zu k nnen wurde im Laufe des Jahres 2010 die Idee der adaptiven Heizungsregelung umgesetzt siehe Kap 11 4 e Schritt 3 Kontinuierliche Betriebsanalyse Vergleich von Bedarf und Verbrauch In den vorigen Schritten haben wir uns mit graphischen und statistischen Verfahren zur Betriebs berwachung besch ftigt Diese Verfahren erg nzen wir in diesem Schritt um Methoden zur regelbasierten Betriebs berwachung Dazu wurden Bedarfsrechnungen auf Basis st ndlicher Werte mit VEC durchgef hrt Tagesaktuelle Berechnungen des Bedarfs sind jetzt m glich und k nnen ber das Demoportal eingesehen werden Als Beispiel zeigen wir in Abbildung 95 einen Vergleich zwischen W rmebedarf und W rmeverbrauch im 1 Halbjahr 2009 wie er im EM Portal von ennovatis http demoportal ennovatis de grosspoesna gemessene php dargestellt wird Fraunhofer ISE 05 07 2011 Seite 186 Modellbasierte Methoden fur Fehlererkennung und Optimierung gemessene Verbrauche Jahresansicht ye bersicht Strom Wasser Heizenergie Temperatur Wetter Fergleich vergleich Sasverkrauch fur 2009 12000 00 10000 00 S000 00 BOO 00 keh 4000 00 2000 00 O00 Feb Ar Jun ALG rt Dez berechneter W rmrebed rf Summe 25 431 74 EA fx 10 945361 AAR
164. enauigkeit einen Einfluss auf die Ergebnisse hat Z B bei instabilen oder chaotischen Systemen Bei solchen Modellen kann die Abh ngigkeit von der Numerik die Ergebnisse dominieren Durch die numerischen Parameter wird die Genauigkeit und Rechengeschwindigkeit gesteuert Die Berechnungsergebnisse k nnen durch fehlerhafte numerische Parameter verf lscht werden Da die Ermittlung der Zielfunktion bei Optimierungen im Geb udebereich teilweise sehr aufwendig Ist wird in 8 gezeigt dass durch eine variabel angepasste Rechengenauigkeit die Konvergenzgeschwindigkeit der Optimierung gesteigert Fraunhofer ISE 05 07 2011 Seite 26 Modellbasierte Methoden fur Fehlererkennung und Optimierung werden kann Daf r muss die Rechengenauigkeit des gesamten Modells vom Optimierungsalgorithmus gesteuert werden k nnen und es ist sehr wichtig dass die Zielfunktion stetig und differenzierbar ist Dadurch wird ein chaotisches Verhalten ausgeschlossen Diese Anforderungen steuerbare Rechengenauigkeit stetig differenzierbare Zielfunktion werden von vielen Geb udesimulationsprogrammen nicht erf llt deshalb wurde ein Geb udesimulationsprogramm entwickelt dass diesen Anforderungen gen gt Bestimmte Steuerungselemente wie z B Ein Aus Schalter Schaltfunktionen mit Hysterese bewirken dass auch reale Geb ude diese Anforderungen stetig differenzierbare Zielfunktion nicht erf llen Der Modellierungsaufwand f r White Box Modelle muss nicht h her
165. enen die traditionellen Optimierungsverfahren versagen Nachteile e Die Konvergenz gegen das globale Optimum in einer akzeptablen Zeit ist bei GAs nicht immer gegeben e Der entscheidende Nachteil der GAs ist der relativ hohe Rechenzeitbedarf bei Problemen bei denen auch traditionellere Methoden eingesetzt werden k nnen Methoden die die Gradienten bei der Suche nach dem Optimum verwenden sind um ein vielfaches schneller Fraunhofer ISE 05 07 2011 Seite 62 Modellbasierte Methoden fur Fehlererkennung und Optimierung 6 1 4 Simplex Algorithmus von Nelder Mead Ein weiterer Optimierungsalgorithmus der h ufig bei nicht differenzierbaren und nicht stetigen Zielfunktionen und damit auch im Geb udebereich angewendet wird ist der Simplex Algorithmus von Nelder und Mead 47 Dieses Verfahren wird auch als Downhill Simplex Verfahren oder Simplex Algorithmus bezeichnet Der Name des Verfahrens beruht auf dem verwendeten Simplex das ist der einfachste K rper bzw Polytop in einem n dimensionalen Raum Ein Simplex wird von n 1 Punkten aufgespannt Ein Simplex ist eine konvexe H lle im n dimensionalen Raum Die Zielfunktion wird an den Eckpunkten des Simplex berechnet Bei dem Algorithmus wird iterativ der Eckpunkt mit dem h chsten Wert der Zielfunktion bei Minimierungsaufgabe wird durch einen neuen ersetzt F r die Ermittlung des neuen Punktes gibt es bestimmte Regeln die durch Parameter des Verfahrens gesteuert werden Eine dieser
166. ennung und Optimierung Anfang steht und in Bestandsgebauden praktisch nicht zu finden ist Obwohl Ans tze zum einheitlichen Datenaustausch bzw zur digitalen Beschreibung von Gebaudemodellen auch BIM Building Information Model wie etwa IFC44 Green Building XML45 oder auch die VDI 380546 z T schon seit Jahrzehnten in der Entwicklung sind ist der Markt noch weit entfernt diese standardm ig einzusetzen Verf gbares Budget Obwohl es aus technischer Sicht sicher m glich ist mit hoch detaillierten Modellen und umfangreicher Messtechnik sowie einem entsprechenden ingenieurstechnischen Aufwand ein Geb ude optimal zu betreiben sind die Kosten f r ein solches Vorgehen deutlich zu hoch um in der Breite Anwendung zu finden Aus Befragungen die im Rahmen des Projekts gemacht wurden l sst sich erkennen dass Geb udebesitzer bereit sind f r die erstmalige Einrichtung einer kontinuierlichen Betriebs berwachung etwa 10 20 der j hrlichen Energiekosten vor Optimierung aufzuwenden w hrend Sie f r die Betreuung des Systems nur etwa 2 der j hrlichen Energiekosten zahlen w rden Daraus ergibt sich ein relativ enger Spielraum f r die Kosten von Messtechnik und Personal Organisatorische Probleme F r die kontinuierliche Betriebsanalyse ist es sinnvoll ein Team zu bilden klare Zust ndigkeiten zuzuweisen und einen Aktionsplan aufzustellen der beschriebt wie und durch wen identifizierte Einsparpotenziale umgesetzt werden Falls die
167. ennung und Optimierung im Bauteil A ergab sich dass die Heizungspumpe f r den Heizkreis Produktion Luft immer l uft Es sollte berpr ft werden ob die Heizungspumpe dieses Heizkreises im Sommer ausgeschaltet werden kann 9 5 5 Drucklufterzeugung Die Druckluftanlagen sind redundant und werden im Wechsel betrieben Von Januar bis M rz lief die Anlage 1 nachts von 23h bis 3h und von 11h bis 15h Die Anlage 2 bernahm die Drucklufterzeugung f r die restliche Zeit Ab ca Ende April bis ca Anfang Juni wurde die Drucklufterzeugung ausschlie lich von der Anlage 2 gew hrleistet Dies ist eventuell auf ein Defekt oder eine l ngere Wartung der Anlage 1 zur ckzuziehen Ab Anfang Juni wurde Anlage 1 wieder aktiv und die Betriebszeiten beider Anlagen getauscht Die Drucklufterzeugung erreichte einen maximalen Wert von ca 70 m3 h an einigen Stunden in Februar und Mai 2009 Die st ndliche Grundlast betr gt in etwa 20 m3 h Es sollte berpr ft werden ob diese Grundlast durch die Abnehmer gerechtfertigt ist oder durch Leckagen im Druckluftnetz verursacht wird Beide Anlagen laufen die meiste Zeit im Teillastbetrieb was eine hohe spezifische Leistung verursacht Bei der Anlage 1 liegt diese sogar immer ber 200 W m3 h und bis 400 W m3 h In der Literatur werden durchschnittliche Werte der spezifischen Leistungen f r Druckluftanlagen in H he von 150 W m3 h gefunden Um den Betrieb der gesamten Druckluftanlage energetisch zu optimie
168. enovierung 1996 Fenster W rmed mmung Fassade Nutzung B rogeb ude Stockwerke 4 Netto Grundfl che ca 6 000 m Heizung Erzeugung Beheizung ber Nahw rmenetz Energiezentrale Indirekte Ubergabestation mit Plattenwarmetauscher Ubergabe statische Heiztlachen Einrohrheizung Fraunhofer ISE 05 07 2011 Seite 86 RLT Anlage Kalte Sonstiges Modellbasierte Methoden fur Fehlererkennung und Optimierung Nicht vorhanden Erzeugung Nahkalte ber zentrale z T dezentrale Splitgerate bergabe Umluftk hlger te Keine GA vorhanden 8 1 4 Ludwig Erhard Haus Berlin Das Ludwig Erhard Haus in Berlin ist ein gro es B ro und Konferenzgeb ude inklusive Gastronomie mit einer umfangreichen anlagentechnischen Ausstattung Abbildung 30 Ansicht des Ludwig Erhard Hauses in Berlin und Grundri 2 0G Im Erdgeschoss und im 1 UG befinden sich die Mehrzahl der ffentlichen Fl chen Foyer Gastronomie und Konferenz in den dar berliegenden Geschossen sind haupts chlich B ros untergebracht AB dem 1 0G schneiden zwei Atrien den Grundriss ein Tabelle 18 Hauptdaten des Ludwig Erhard Hauses in Berlin Baujahr 1998 Nutzung B ro Konferenzgeb ude Stockwerke Netto Grundfl che Fraunhofer ISE 05 07 2011 2 UG 9 0G gesamt 37350 m2 beheizt ca 22000 m gek hlt ca 19950 m Seite 87 Modellbasierte Methoden fur Fehlererkennung und Optimierung Heizung Erzeugung Fernwarme 105 C 35 C 2x Fernwa
169. ens liegt im Bereich zwischen 1 3 Jahren Als notwendige Voraussetzung f r die Identifikation und die Persistenz von Einsparpotenzialen hat sich die kontinuierliche und zeitlich hoch aufgel ste Erfassung und Auswertung des Mindestdatensatzes gem 7 2 erwiesen Gleichzeitig konnten mit Hilfe des Mindestdatensatzes die typischen Fehler im Geb udebetrieb erkannt werden Trotz der geringen Tiefe des Mindestdatensatzes hat sich die Datenerfassung und bertragung als eines der Haupthindernisse erwiesen und zwar unabh ngig davon ob eine Geb udeautomation vorhanden war oder nicht Gebaudeautomationssysteme in Geb uden sind in der Regel nicht f r die Betriebsanalyse und die effiziente und standardisierte Aufzeichnung und den Fraunhofer ISE 05 07 2011 Seite 208 Modellbasierte Methoden fur Fehlererkennung und Optimierung Austausch von Daten vorbereitet obgleich ihr prinzipieller Funktionsumfang gem Hersteller diese Funktionen dies oft umfassen k nnte Die manuelle Fehlererkennung und Diagnose mittels intelligenter Datenvisualisierung wurde bei der Erstanalyse der Geb ude intensiv und erfolgreich genutzt Jedoch macht gerade diese Analysetechnik auch deutlich gemacht wie notwendig die Automation der Analyse ist da trotz der automatisierten Erzeugung der Visualisierung der manuelle Aufwand zur Interpretation erheblich ist und nicht f r die Integration in die t glichen Abl ufe bei der Betriebsf hrung geeignet ist Als
170. ensollwerte damit kein Komfortverlust auftritt Weiterhin werden z B Verteilverluste in Anlagen Nutzungsgrade von Energieerzeugern oder die Effizienz von Ventilatoren ma geblich von den eingestellten Sollwerten Temperaturen Volumen Massenstr me beeinflusst e Auswahl des besten Erzeugers Bei Anlagen mit mehreren Erzeugereinheiten z B mehrere K lteerzeuger werden Fraunhofer ISE 05 07 2011 Seite 17 Modellbasierte Methoden fur Fehlererkennung und Optimierung diese oft nicht so betrieben dass jeweils der Erzeuger mit dem aktuell h chsten Nutzungsgrad gew hlt wird In Abh ngigkeit der Randbedingungen z B Wetter Komfort Anwesenheit k nnen hier mit einer entsprechenden Regelung hohe Einsparpotenziale erzielt werden Bei der Implementierung von Optimierungen k nnen weiterhin zwei grunds tzlich verschiedene F lle unterschieden werden e Externe oder Offline Optimierung In diesem Fall wird der Geb udebetrieb bzw die Anlage extern optimiert bzw das Geb ude wird hierf r offline simuliert Dabei werden bestimmte Nutzungsprofile und geeignete Wetterdatensatz angenommen Die optimierten Regelparameter werden dann zun chst manuell in die GA bernommen Ziel ist die Ermittlung allgemeiner Regelstrategien f r die Anlagen des Geb udes um z B den j hrlichen Energieverbrauch oder die j hrlichen Energiekosten zu minimieren e Interne oder Online Optimierung Pradiktive oder lernende Regler zielen auf eine Optimie
171. enter Bereitstellung grunds tzlich verhindern Ein einfaches Beispiel hierf r ist ein aufgrund mangelnder Wartung verstopfter Filter der durch seinen erh hten Druckverlust je nach vorhandener Regelung des dazugeh rigen Ventilators entweder zu Versorgungsproblemen zu geringer Volumenstrom bei Konstantdruckregelung oder zu erh htem Energieverbrauch erh hter Druckverlust bei konstantem Volumenstrom f hrt Fehler werden somit als ungewollte Verschlechterungen des planm igen Betriebs definiert Fehler k nnen ihre Ursache sowohl in mangelhafter Planung oder Ausf hrung falscher Bedienung oder fehlender Wartung haben Typische Fehler im Geb udebetrieb sind z B e Betriebszeiten Antriebe wie Pumpen und Ventilatoren werden ganzt gig und am Wochenende betrieben ohne dass eine Anforderung besteht und oftmals auch ohne dass dies dem Bedienpersonal bewusst ist e Gleichzeitiges Heizen und K hlen Heiz und K hlsystem versorgen aufgrund falscher Sollwerte zeitgleich die selbe Zone den selben Raum und erh hen somit den Energieverbrauch e Fehlerhafte Regelung Die Regelung des Systems weist trotz korrekter Spezifikation Fehler in der Programmierung auf oder erreicht aufgrund falsch positionierter oder falsch aufgelegter Sensoren oder Aktoren nicht den angestrebten Komfort oder die geplante Energieeffizienz e Deaktivierte verstellte Regelungen Steuerungen und Regelungen werden beim Auftreten von Problemen h ufig au er B
172. ern auf dem Gebiet der FED im Geb udebereich dass die meisten Geb ude die als Demonstrationsprojekte dienten z B im IEA Annex 34 niemals korrekt bzw effizient betrieben wurden Daher lag es nahe ein Projekt zu starten das sich mit der Inbetriebnahme haustechnischer Anlagen besch ftigt Der Begriff Commissioning l sst sich mit Inbetriebnahme bersetzen Commissioning wird allerdings nicht als einmalige Prozedur sondern als kontinuierlicher bzw sich wiederholender Prozess beschrieben der notwendig ist um ein Geb ude dauerhaft energieeffizient zu betreiben Dementsprechend wurde unter anderem der Begriff Continuous Commissioning eingef hrt der mittlerweile als Wort Marke von der Texas Engineering Experiment Station TEES tees tamu edu gesch tzt ist Im Rahmen dieses Prozesses werden wiederum FED Methoden angewandt Neben dem Einsatz der Konzepte und Modelle die bereits in den Vorg ngerprojekten entwickelt wurden kommt im Annex 40 den praktischen Randbedingungen eine h here Bedeutung zu So werden Fragen wie die der Organisation des Commissioning Prozesses der Verwendung des Gebaudeautomationssystems zur FED und der Datenvisualisierung intensiv behandelt Die Autoren des Endberichts stellen fest dass das Geb udeautomationssystem aufgrund der Vielfalt der Informationen die es bereitstellt ein wichtiger Baustein f r eine kontinuierliche FED ist Gleichzeitig werden Kommunikationsprobleme aufgrund der Vielzahl de
173. ers Eigenschaften Algemein ID 205 m Y t Einheit 170 ee Speicherzykdus LED Position Aah Sekunden Siartzet 23 01 2009 00 00 80 Messzyklue Sekunden m po Gleitender Mitewert Gierzwert bensachung Anweisungen Ar Teleton 10 4159 fein 7 Tyo aining_ ist gkeich ds 1 000 Hike w Skandardformat r Textfeld SLARMMELOUAG Handbettieb Markt 1 3 eingeschaltel EM re Abbildung 97 Konfiguration von Anweisungen ber den Smartbox Manager Etwas ausf hrlicher beschreiben wir die M glichkeiten Zeitreihen zu bearbeiten Grunds tzlich gilt dass die Formeleingabe Elemente die Erstellung einer Formel unterst tzen Mit Referenz kann man Werte von einem Sensor Z hler anderen Ger ten oder einem der Rechner bernehmen Wenn man auf den Button Referenz klickt ffnet sich ein Dialog Fenster aus welchem man das gew nschte Element ausw hlen kann Abbildung 98 Fraunhofer ISE 05 07 2011 Seite 203 Modellbasierte Methoden fur Fehlererkennung und Optimierung Datenpunktauswahl E i Programme 16 Anweisungen 5 i 10_SmartbosEing nge 10 Anweisungen FH I Tempseraturfuhler 2 Anweisungen ES iin B Aussenf hlerPT1000 A D AD Wandler 4 Anweisungen 23 Z hler 2 Anweisungen E Formel Rechner 1 Anweisung age HX Berechnung 1 Anweisung EN Smartmodule 6 Anweisungen Fe NBus M Bus 6 Anweisungen bernehmen Abbrechen Abbildung 98
174. ert w hrend des Betriebs online notwendig Vor allem f r den zweiten Ansatz besteht noch Forschungsbedarf Der Einsatz in Bestandsgeb uden wird als problematisch gesehen da f r die Kalibrierung des Modells Messdaten des korrekten Betriebs ben tigt werden Bei Bestandsgeb uden ist jedoch vielmehr damit zu rechnen dass Anlagen und Komponenten vor einem Energie Audit nicht korrekt betrieben werden Die meisten der zitierten Untersuchungen arbeiten bei der Fehlerdiagnose mit Verfahren mit denen einzeln auftretende signifikante Fehler erkannt werden k nnen Eine Erkennung von mehreren gleichzeitig auftretenden Fehlern ist damit nicht m glich Auch hier besteht Forschungsbedart Im Allgemeinen ist der Umfang an verf gbaren Messdaten in Geb uden gering und dessen Qualit t niedrig Die Entwicklung von kosteng nstigen und verl sslichen Sensoren ist daher ein wichtiger Schritt zur Verbreitung von FED in Geb uden Als gro e Chance wird die allm hliche Einf hrung offener Kommunikationsstandards im Bereich der Geb udetechnik gesehen Informationen zum Kosten Nutzen Verh ltnis des Einsatzes von FED in Geb uden sind nur unzureichend verf gbar Somit ergibt sich auch aus der Sicht von Katipamula ein gro er Forschungsbedarf im Bereich FED in Geb uden der vor allem den praktischen Einsatz und die Automatisierung betrifft Im Zug der der Literaturrecherche zum Thema FED und Optimierung wurden Am Fraunhofer ISE ber 300 Ver ffentlic
175. erte Methoden fur Fehlererkennung und Optimierung schnelle L sung erm glichen Sind Zielfunktionen und Nebenbedingungen in den unabh ngigen Variablen linear so spricht man von einem linearen Programm Bei einem quadratischen Programm ist dagegen die Zielfunktion quadratisch von den unabh ngigen Variablen abh ngig die Nebenbedingungen auch Ungleichungen m glich dagegen linear Sowohl f r lineare als auch quadratische Programme gibt es verl ssliche L sungsalgorithmen In Abh ngigkeit von der Art der Zielfunktion werden daher Optimierungsaufgaben in verschiedene Typen eingeteilt z B skalare und vektorielle Multikriterien Problem lineare lineares Programm ganzzahlige ganzzahliges Programm quadratische quadratisches Programm nichtlineare stochastische konvexe konkave Wobei f r viele Typen spezielle Methoden existieren Nicht lineare Programme NP sind schwieriger zu l sen als lineare und quadratische da hier sowohl die prinzipielle L sbarkeit als auch das Konvergenzverhalten nicht bekannt sind Schwierig ist die Suche nach globalen Minima oder Maxima d h die Optimierung der Zielfunktion bei nicht linearen Problemen wenn die Funktionen nicht stetig differenzierbar und konvex bzw konkav sind Ein Beispiel hierf r im dreidimensionalen Raum w re eine horizontale Fl che die einzelne unterschiedlich tiefe L cher aufweist d h nicht stetig nicht differenzierbar F r diese F lle bleiben nur Methoden m
176. erung Kein Fehler Optimierung Abbildung 3 Prozessstruktur bei Fehlererkennung und Optimierung im Geb udebetrieb Der Prozess startet ausgehend von einer Datenerfassung die im Idealfall Bestandteil der Geb udeautomation ist und Informationen aus dem Geb ude in Form von Messdaten Sollwerten oder Statusinformationen liefert Daran schlie t sich auf der ersten Stufe zun chst die Fehlererkennung und Diagnose an Die Fehlererkennung kann sowohl manuell z B durch das Bedienpersonal oder automatisiert geschehen Bei Detektion eines Fehlers im Betrieb ist zun chst eine Fehlerdiagnose im Sinne einer Ursachenermittlung durchzuf hren Auch dieser Prozess kann sowohl manuell als auch automatisiert geschehen Wird der Fehler als kritisch bewertet erfolgt anschlie end die Fehlerbeseitigung Ob ein Fehler als kritisch einzustufen Ist h ngt von den jeweils gegebenen Randbedingungen bez glich Energie Kosten und Raumklima bzw von deren Gewichtung durch den Gebaudebetreiber oder Besitzer ab Wenn alle kritischen Fehler beseitigt sind kann die Optimierung erfolgen um Vorgaben f r Sollwerte des Anlagenbetriebs zu erzeugen Vor der Einspeisung dieser Sollwerte in die Geb udeautomation sollte eine Plausibilit tspr fung erfolgen um zu berpr fen ob alle Anforderungen ber cksichtigt wurden und um zu hinterfragen ob alle gestellten Anforderungen vern nftig sind Entscheidend f r einen energieeffizienten Betrieb ber die gesamte Lebensda
177. erung der Datenbank 1 x t glich Seite 79 Modellbasierte Methoden fur Fehlererkennung und Optimierung 8 Ansatze und Werkzeuge in ModBen Im Rahmen von ModBen wurden fur das in Abschnitt 7 vorgestellte allgemeine Verfahren eine Reihe von Ans tzen getestet und verschiedene Werkzeuge entwickelt 8 1 Tabelle 11 gibt einen Uberblick Tabelle 11 Ubersicht der in ModBen untersuchten Ansatze Analyseschritte 1 Benchmarking 2 Bestandsdatenerfassung und Ermittlung Zielwert Zertifizierung 3a Fehlererkennung und Diagnose 3b Optimierung 4 _ Betriebs berwachung Werkzeuge Checkliste 1 Checkliste 2 Bestandsaufnahme ennovatis ENEV Zielwert DIN V 18599 Manuelle Fehlererkennung Datenvisualisierung Simulation ausgew hlter Teilsysteme Simulation Gesamtsystem Simulation Gesamtsystem Automatische Ausrei erdetektion Anpassung der Werkzeuge der ennovatis Kapitel 8 2 8 3 8 3 8 4 8 5 8 6 8 8 8 8 9 8 10 In den folgenden Abschnitten werden zunachst die Demonstrationsgebaude kurz vorgestellt um dann ab Kapitel 8 2 die einzelnen Ansatze und Werkzeuge zu erlautern und ihre Eignung f r die Analyse anhand der Ergebnisse in den Demonstrationsgebauden darzustellen Demonstrationsgebaude Die Demonstrationsgebaude decken bezuglich des Baujahrs der GroBe der anlagentechnischen Ausstattung und der Nutzung eine groBe Bandbreite ab Obwohl die Anzahl von 5 Gebauden statistisch betrachtet si
178. essdaten wenige neue k nstliche Variablen erzeugt werden die unkorreliert sind und in die Richtungen der gr ten Varianzen des Datenraums zeigen Somit k nnen nderungen dieser neuen Hauptkomponenten detektiert werden e Prozessmodelle Die Fehlererkennung mit Hilfe von Prozessmodellen bietet vielf ltige Moglichkeiten Prozessmodelle stellen den Schwerpunkt dieses Berichts dar und sollen daher im Folgenden eingehender betrachtet werden Mogliche Fehler C Aktoren Prozess Sensoren Prozess Modell Modellbasierte Fehlererkennung e Parametersch tzung e Parit tsgleichung e Zustandsbeobachter Sch tzer Merkmale abgeleitet aus e Parameter kalibriertem Modell a ee e Residuen Normales Verhalten Analytische Symptome Abbildung 17 Prinzipschema der Fehlererkennung mit Prozessmodellen U Eingangsgr e Y Ausgangsgr e N St rgr e 17 Der generelle Einsatz von Prozessmodellen ist in Abbildung 17 dargestellt Zun chst ist der Prozess selbst mit Aktoren am Eintritt und Sensoren am Ausgang zu erkennen Fehler k nnen in jeder Komponente Auftreten Prozessmodelle k nnen in verschiedener Weise zur Fehlererkennung in Prozessen genutzt werden e Fehlererkennung mit Hilfe von Parameteridentifikation In der Regel m ssen Prozessmodelle kalibriert werden damit sie in der Lage sind den realen Prozess abzubilden d h es erfolgt zun chst eine 21 Durch Linearkombination der
179. etrieb genommen oder grob verstellt um andere M ngel des Systems zu kompensieren e Fehlende Kalibrierung Sensoren die der Steuerung und Regelung von Anlagen dienen liefern aufgrund falscher oder fehlender Kalibrierung ung ltige Werte und beeinflussen damit Raumklima und oder Energieverbrauch negativ Fraunhofer ISE 05 07 2011 Seite 16 Modellbasierte Methoden fur Fehlererkennung und Optimierung e Fehlende Wartung Komponenten sind aufgrund fehlender Wartung in ihrer Funktion und oder Effizienz eingeschr nkt e Fehlender hydraulischer Abgleich Rohrleitungs und Kanalsysteme sind hydraulisch oftmals nicht abgeglichen insbesondere nach Umbauten oder Nutzungs nderungen Dies f hrt in der Regel zu erh htem Energieverbrauch und oder verringertem Komfort e Unter berdimensionierung Viele haustechnische Systeme sind ber manche unterdimensioniert Dies f hrt in der Regel zu einem ineffizienten Betrieb dessen Beseitigung in der Regel jedoch auch investive Ma nahmen erfordert die nicht der Fokus von ModBen waren FED zielt auf eine fr hzeitige systematische und soweit m glich automatisierte Erkennung und Diagnose von Fehlern ab bevor zus tzlicher Schaden oder ein Versagen des Systems auftritt Dies wird erreicht durch eine Kombination von kontinulerlichem Monitoring und Auswertung der Signale im Hinblick auf Fehler Sowohl f r einzelne Komponenten sowie f r Gesamtgeb ude wurden hierf r im wissenschaftlichen Bereic
180. etzung der Verbesserungsma nahmen e Zustimmung des Geb udebetreibers einholen e Umsetzung von Ma nahmen f r die Bereiche Komfort Energie und Anlagenbetrieb e Dokumentation der erreichten Verbesserungen Komfort Anlagenbetrieb Energieeinsparung e Verstetigung des Prozesses e Kontinuierliche Betriebs berwachung e Aufrechterhaltung des optimierten Betriebs Neben der prinzipiellen Prozessstruktur selbst stehen f r einzelne Teilprozesse detaillierte Handlungsanweisungen zur Verf gung So werden in den USA von verschiedenen Organisationen Sammlungen von so genannten Functional Performance Tests f r die messtechnische Pr fung einzelner Anlagen und Systeme bereit gestellt Ein umfassendes Beispiel ist der Functional Testing Guide der Portland Energy Saving Inc www peci org oder www peci org ftguide Diese Sammlungen sind als Referenz hilfreich k nnen jedoch aufgrund ihrer Ausrichtung auf dem US Amerikanischen Markt nicht einfach bernommen werden F r andere Bereiche wie z B die Betriebs berwachung stehen solche detaillierten Beschreibungen nicht zur Verf gung Methoden f r die kontinuierliche Betriebs berwachung befinden sich zurzeit bezogen auf Europa bzw Deutschland erst in der Entwicklung In der Praxis sind systematische und vor allem automatisierte Verfahren die ber eine Kontrolle von Grenzwerten z B Druckdifferenz von Filtern zur berwachung der Verschmutzung hinausgehen kaum zu finden Allenfalls f r
181. ffizienz des Gesamtsystems berwachen kann Die FED insbesondere die Diagnose auf Ebene des Gesamtgeb udes oder auch von gr eren Subsystemen ist deutlich schwieriger als bei einzelnen Komponenten da die Systemkenntnis u U nicht vollst ndig ist Es existieren nur wenige Ans tze die diese Fragestellung untersuchen Probleme bereitet zum anderen die praktische Umsetzung Eines der gr ten Probleme stellt hierbei die Datenakquise und die Datenqualit t dar Obwohl unter Umst nden ein Geb udeautomationssystem GA System vorhanden ist das Daten bereitstellen kann fehlen oft Sensoren zur strukturierten Erfassung der Energiemengen Weiterhin ist die datentechnische Ankopplung an GA Systeme oft mit Kosten im Bereich von 5 000 10 000 verbunden Die Ankopplung oder sogar Integration der FED an in das GA System wird jedoch als wichtiger Schritt f r deren weitere Verbreitung betrachtet Aus Sicht der Autoren sollten zuk nftige Entwicklungen die letztgenannten Fragestellungen Systematisierung Datenakquise Einbindung physikalischer Modelle adressieren Parallel sollten die bereits vorhandenen Funktionalit ten der Visualisierung und statistischen Analyse bzw Black Box Modelle ausgebaut werden Fraunhofer ISE 05 07 2011 Seite 54 Modellbasierte Methoden fur Fehlererkennung und Optimierung 6 Optimierung 6 1 Nachdem ein fehlerfreier Geb udebetrieb erreicht worden ist k nnen Optimierungsma nahmen durchgef hrt werden
182. finierbaren Regeln Messwerte direkt erfassen und archivieren kann Fraunhofer ISE 05 07 2011 Seite 177 Modellbasierte Methoden fur Fehlererkennung und Optimierung 8 10 5 Das Datenmanagement Das Datenmanagement von ennovatis Controlling hat folgende Autgaben Verwalten der gespeicherten Messdaten Archiv Anlegen neuer Archive Schreiben und lesen der Archivdaten Packen Verdichten bzw L schen von Messdaten Selbstst ndige zeitgesteuerte Aktualisierung des Archivs Aktualisierung auf Anforderung bei noch fehlenden Daten konfigurierbar Messwertumformungen Mittelwertbildung Einheiten Umrechnung Formatierungen Mit diesen Aufgaben ist diese Komponente einer der wichtigsten zentralen Bausteine von ennovatis Controlling Abbildung 85 veranschaulicht den internen komponentenbasierten Aufbau ennovatis Energiemanagement Datenmanagement r l l l r Abbildung 85 Komponentenbasierter Aufbau von ennovatis Controlling Die Datenmanagementkomponente wird vom ennovatis Controlling ber benutzerfreundliche Men s konfiguriert und berwacht S mtliche Metadaten die zum Betrieb notwendig sind Messanlagen Kandle Zeitsteuerungsdaten Archivpfade Treiberdaten werden vom Datenmanagement in einer relationalen Datenbank gespeichert w hrend die Messdaten selbst in einem hoch effizienten Plattform unabh ngigen Format in einzelnen Kanaldateien gespeichert werden NetCDF 8 10 6 Datenformat fur Me
183. fische Benutzeroberfl che zumindest keine die den Funktionsumfang voll abbildet Allerdings wurde im Rahmen von Modben ein Webfrontend erstellt das den webbasierte Zugang zu den Daten und zu den Visualisierungen erlaubt siehe modben ise fraunhofer de 8 4 4 Beispiel Evaluation in den Demonstrationsgeb uden 8 D datastorage stellt nur die Basis f r die Entwicklung von Werkzeugen dar Vor allem f r die intelligente Datenvisualisierung kam datastorage verst rkt zum Einsatz siehe 8 5 Stufe 3a Manuelle FED ber intelligente Visualisierung 8 5 1 Begr ndung f r den Ansatz Der Mindestdatensatz enth lt eine F lle von Informationen ber die Qualit t des Geb udebetriebs die sich jedoch nicht unmittelbar aus den Rohdaten ablesen lassen Um die Informationen aus dem Datensatz zu extrahieren m ssen die Daten in der Regel vorprozessiert z B zeitlich verdichtet oder gemittelt werden und der zeitliche Verlauf sowie gegenseitige Abh ngigkeiten der einzelnen Datenpunkte m ssen analysiert werden Ein geeignetes Hilfsmittel hierf r ist die intelligente 4 Siehe https trac riap eu trac DataStorage F r den Zugang ist eine Registrierung notwendig Bitte wenden Sie sich an sebastian herkel ise fraunhofer de Fraunhofer ISE 05 07 2011 Seite 101 Modellbasierte Methoden fur Fehlererkennung und Optimierung Datenvisualisierung die die Charakteristika des Betriebs als visuelle Muster wiedergibt Diese Muster erlauben dem ge
184. g Bei der Heizlast ist der Nachtbetrieb nicht notwendig Die Regelung wurde entsprechend umgestellt Dadurch konnte Heizenergie sowie Antriebsenergie f r die Pumpen eingespart werden e Die Grundlast f r den Stromverbrauch liegt bei ca 120 kW bzw bei rund 15 W m Nettogrundfl che Abbildung 55 Dies stellt f r B rogeb ude die blicherweise um 5 W m liegen einen au erordentlich hohen Wert dar der mit dem Betrieb der Serverr ume zu erl utern ist e Die hohe Grundlast erkl rt auch die ganzj hrig hohe K hllast von 70 80 kW ca 10 W m Abbildung 55 Die fehlende Klimaabh ngigkeit deutet ebenfalls darauf hin dass die K hlleistung vor allem f r die hohen internen Lasten ben tigt wird e Aus der Energiesignatur der Fernw rme ist ebenfalls der fehlende Absenkbetrieb an Wochenenden erkennbar Abbildung 55 Aus den Messwerten kann eine Nennlast von ca 260 kW extrapoliert werden FED mit Simulation bzw Modellierung ausgew hlter Subsysteme 8 6 1 Begr ndung f r den Ansatz Geb ude und deren Systeme sind vor allem im Nicht Wohngeb udebereich sehr individuell Es gibt kaum zwei gleiche Geb ude Daher erfordert die Modellierung des Gesamtsystems heute einen hohen manuellen Aufwand Seit ca 20 Jahren wird versucht diesen manuellen Aufwand durch Automatisierung zu reduzieren wobei keine praxistaugliche L sung gefunden wurde Es gibt einige Ans tze wie BIM Building Information Modelling von engl Geb udeinformation
185. g zu T_SUP Typisches Erscheinungsbild dT zeigt dieselben Muster wir T_SUP jedoch haufig in st rkerer Auspr gung Wenn die Pumpe im Kreis konstantem Massenstrom betrieben wird steht dT in direktem Verh ltnis zur Leistung die bertragen wird Seite 122 Modellbasierte Methoden fur Fehlererkennung und Optimierung Plots Hinweise zur Interpretation Typisches Erscheinungsbild vereinfacht variablem Massenstrom sind die Muster oft weniger deutlich o Saisonale nderungen analog zu T_SUP Betriebsruck o Typisches Erscheinungsbild meldung Pumpe Grundsatzlich kann CTRLSIG dieselben Muster oder Ventil zeigen wie T_SUP CTRLSIG Die Betriebsr ckmeldungen geben direkten Aufschluss ber die Betriebszeiten des betreffenden Kreises Gesamtplot Aus einer vergleichenden Betrachtung der einzelnen Plots k nnen folgende Informationen generiert werden o Angepasste Betriebszeiten Fraunhofer ISE 05 07 2011 Der Carpetplot kann verwendet werden um zu pr fen ob die Betriebszeiten von Pumpen und Ventilen an den Bedarf angepasst sind Dazu ist auch ein Vergleich mit dem Carpetplot der Verbrauchsdaten hilfreich Seite 123 Modellbasierte Methoden fur Fehlererkennung und Optimierung 8 5 5 Visualisierung Luftungsanlagen Der Mindestdatensatz umfasst die Temperaturen an Ein und Ausgang des Gerats luft und wasserseitig sowie die Betriebsr ckmeldungen der Antriebe Um die Daten analysieren zu k nnen muss die Konfig
186. ge die n tig waren bis der Algorithmus zum Minimum konvergierte Fraunhofer ISE 05 07 2011 Seite 165 Modellbasierte Methoden fur Fehlererkennung und Optimierung Tabelle 28 Vergleich der Optimierungsalgorithmen IDA ICE Modell Optimum Zielfunktion Anzahl der Pumpenlaufzeit kWh erforderlichen Simulationen Parametervariation 06 45 16 30 Uhr 25 161 441 Algorithmus Allgemeine Mustersuche 06 53 16 53 Uhr 25 117 94 oe 06 45 16 30 Uhr 25 161 139 Kombination AMS und PSO 06 53 16 53 Uhr 25 117 358 Abbildung 77 zeigt den Temperaturverlauf vor und nach der Optimierung der Pumpenlaufzeiten Die niedrigen Temperaturen am Anfang des Jahres sind mit den Betriebsferien und deren Ber cksichtigung im Modell zu erkl ren Durch die Optimierung sinkt der Jahresnutzenergiebedarf von 22 465 kWh auf 20 128 kWh was einer Einsparung von 10 4 entspricht Die tiefste Raumlufttemperatur im Jahr 2007 wird am 27 12 2007 um 6 00 Uhr erreicht und betr gt 13 8 C 25 T_Luft_IDA ICE 24 T_Luft_IDA ICE_optimiert 23 An nn FAUL 2 y 16 O co Temperatur in C 15 01 01 2007 00 00 08 01 2007 00 00 15 01 2007 00 00 Datum Zeit Abbildung 77 Temperaturverlauf vor und nach der Optimierung des IDA ICE Modells Fraunhofer ISE 05 07 2011 Seite 166 Modellbasierte Methoden fur Fehlererkennung und Optimierung e Simulation und Optimierung mit SHM Modell Die simulierte Heizleist
187. gebnisse demonstrieren dass die Raumlufttemperaturen nur eingeschr nkt simuliert werden k nnen da teilweise kein realit tsgetreues Regelverhalten abgebildet wird Die gute bereinstimmung dieses physikalisch basierten Modells mit den Messdaten l sst erwarten dass das Modell auch gute Extrapolationseigenschaften ber den Bereich der Referenzdaten hinaus aufweist Anhand einfacher Beispiele konnte die Eignung f r Optimierungsaufgaben und die Praxistauglichkeit des Modells aufgezeigt werden Es konnte jedoch kein Optimierungs Algorithmus identifiziert werden der bei allen untersuchten Optimierungsaufgaben das beste Ergebnis lieferte Die Auswahl muss also je nach Optimierungsproblem individuell z B durch Tests mit verschiedenen Algorithmen erfolgen Alle betrachteten Algorithmen sind prinzipiell dazu geeignet bei der Geb udeoptimierung angewendet zu werden da die Unterschiede im Optimum geringer als 0 2 waren Die Definition einer geeigneten Ziel und Bestrafungsfunktion stellte sich als besonders wichtig heraus da die Optimierungsalgorithmen bei einer ung nstigen Wahl nicht erfolgreich waren 12 2 5 Stufe 4 Betriebs berwachung Prinzipiell k nnen nat rlich alle Methoden die zur Fehlererkennung und Diagnose eingesetzt werden auch zur Betriebs berwachung eingesetzt werden Ziel der Arbeiten f r Stufe 4 war es jedoch einen einfachen Ansatz zur Fehlererkennung Ausrei erdetektion zu verfolgen der im Sinne der Praxista
188. gegeben Selektion Elternpopulation 31 Bei Geb udesimulationen Parameterraum Fraunhofer ISE 05 07 2011 Seite 61 Modellbasierte Methoden fur Fehlererkennung und Optimierung 4 Rekombination crossover die Genome Parameter verschiedener Individuen werden gemischt und daraus eine neue Generation erzeugt 5 Mutation Zuf llige Ver nderungen des Genoms Parameter der Individuen der neuen Generation Eine vorteilhafte Mutationsm glichkeit ist die Addition von normalverteilten Zufallszahlen Matlab Optimization Toolbox 1 5 0 5 Neue Generation i 1 Bel 2 12 Iteration ab Schritt 2 bzw ein Abbruchkriterium wird erf llt Je weniger Individuen berleben hoher Selektionsdruck und in die neue Generation aufgenommen werden desto schneller konvergiert das Verfahren zu einem Punkt im Parameterraum Gleichzeitig nimmt damit die Wahrscheinlichkeit zu dass nicht das globale Optimum gefunden wird Es hat sich in vielen F llen als Vorteil erwiesen die Zahlen als so genannte grey encoded binaries zu repr sentieren 46 Dabei unterscheiden sich benachbarte nat rliche Zahlen jeweils nur durch ein Bit Vorteile e GAs ben tigen kaum Problemwissen kann jedoch daf r auch gezielt genutzt werden d h k nnen auch f r nicht kontinuierliche diskrete und nicht stetige Probleme verwendet werden e GAs geh ren zur Klasse der stochastischen Verfahren und k nnen damit auch f r Probleme eingesetzt werden bei d
189. gezogen werden kann Diese These wurde im Rahmen des Projekts berpr ft 8 3 3 Implementierung Die Berechnungsmethodik f r die Erstellung des Energiebedarfsausweises gem EnEV bzw DIN V 18599 wurde vom Projektpartner ennovatis unabh ngig vom Projekt ModBen implementiert Somit stand ein marktverf gbares und professionelles Werkzeug zur Verf gung das unter dem Namen EnEV von ennovatis vertrieben wird Im Zuge des Projekts wurde deutlich dass jedoch die Datenaufnahme und Dokumentation von gr eren und komplexeren Nicht Wohngeb uden vor allem im Bezug auf die Anlagentechnik und deren Struktur bzw Verschaltung nicht trivial ist Zu diesem Zweck wurde eine Checkliste zur Datenaufnahme entwickelt die neben den Daten der Geb udezonen insbesondere die Struktur der Anlagentechnik erfassen und dokumentieren kann Die Dokumentation der Struktur des anlagentechnischen Systems baut dabei auf einer Kreuztabelle auf die neben den Charakteristika der einzelnen Komponenten auch deren Verkn pfung darstellen kann Eine detaillierte Dokumentation der Checkliste die mit dem Tabellenkalkulationsprogramm Excel erstellt wurde befindet sich in Anhang G Fraunhofer ISE 05 07 2011 Seite 95 Modellbasierte Methoden fur Fehlererkennung und Optimierung I O SS aid EP bAa Arc re Beret Abies Birches Berkhte Verwal Free F l Ze Ele See a Fallen Ai TIER IF Akbubkesren der Anacht har Geschoss DO
190. gleiche Bei den Bayes schen Methoden bisher wurde davon ausgegangen dass das zu Grunde liegende Modell richtig war Es kann allerdings der Fall sein dass verschiedenste Modelle dazu geeignet sind das physikalische Verhalten des Systems abzubilden Dann ist es von Interesse zu analysieren welches der Modelle das am Besten geeignete ist Die Auswahl erfolgt nach dem Prinzip von Ockhams Rasiermesser Das einfachste Modell ist zu bevorzugen solange kompliziertere Modelle das System nicht besser beschreiben k nnen Um das Bayestheorem zum Modellvergleich benutzen zu k nnen muss angenommen werden dass eines der betrachteten Modelle das wahre Modell ist F r m Modelle m 1 bis M kann das Bayestheorem benutzt werden um die Wahrscheinlichkeit zu berechnen dass ein Modell das wahre Modell ist AmlA Gleichung 16 Wobei die Wahrscheinlichkeit dass ein Modell das wahre ist als gleichverteilte A priori Verteilung angenommen wird wenn kein Modell bevorzugt wird Um p D mK zu berechnen muss die marginale Wahrscheinlichkeit f r Modell m berechnet werden Die Parameter des Modells m sind zuvor bekannt hr r6 12 16 8 248 Gleichung 17 Um nun p DIK berechnen zu k nnen muss ber die m Modelle marginalisiert werden DIE obnkr OR Gleichung 18 Fraunhofer ISE 05 07 2011 Seite 158 8 8 Modellbasierte Methoden f r Fehlererkennung und Optimierung Wobei p D K die Normalisierungskonstante darstellt
191. glicherweise ist der einzige verf gbare Messwert die Energierechnung f r den Monat Februar Dann stellt sich die Frage ob der Heizw rmeverbrauch h her oder niedriger als ein normaler Wert ist Die Antwort kann sich aus dem Vergleich der relativen Verbr uche der Monate Januar und M rz Daten nicht vorhanden ableiten lassen oder aus Verbrauchsdaten eines hnlichen Geb udes f r den Monat Februar Daten nicht vorhanden Eine Reihe von Vergleichen ist denkbar aber sie scheitert daran dass nur eine Energierechnung f r den Monat Februar vorhanden ist Die zentrale Frage lautet Wie hoch ist die Wahrscheinlichkeit dass der Heizw rmeverbrauch zu hoch oder zu niedrig ist Die Verwendung des modellbasierten Ansatzes alle M glichkeiten erm glicht es verschiedene Szenarien abzubilden und den jeweiligen Einfluss auf den Energieverbrauch zu analysieren Aus den Ergebnissen kann dann geschlossen werden was die wahrscheinlichste Erkl rung f r die gemessenen Daten darstellt Fraunhofer ISE 05 07 2011 Seite 142 Modellbasierte Methoden fur Fehlererkennung und Optimierung Bei der Fehlererkennung und Diagnose geht es darum den Betriebszustand eines betrachteten Geb udes zu jeder Zeit zu bestimmen Mit der Quantifizierung des Betriebszustands kann ausgesagt werden ob dieser v llig unakzeptabel viel besser als erwartet oder irgendeinem Wert zwischen diesen beiden Grenzen annimmt Der energetische Betrieb eines Geb udes wird durch zahlreiche
192. gs problem ohne Neben bedingungen lokal stetig differenzierbare Funktionen ohne Neben bedingungen lokal nicht stetige Funktionen mit Nebenbedingungen lokal stetig ditferenzierbar Modellbasierte Methoden fur Fehlererkennung und Optimierung Losungsalgorithmen Newton Typ z B Quasi Newton CG GPS Down Hill Simplex PSO GA SQP Newton Typ mit Penalty Funktionen Bemerkungen Im Geb udebereich selten da die Anwendung von Nebenbedingungen sinnvoll ist Im Geb udebereich selten da die Anwendung von Nebenbedingungen sinnvoll ist Im Geb udebereich nicht sicher anwendbar da i d R die analytischen Eigenschaften der Zielfunktion unbekannt sollte aber getestet werden weil sehr schnell 38 Im Geb udebereich nicht sicher anwendbar da i d R die analytischen Eigenschaften der Zielfunktion unbekannt sollte aber getestet werden weil sehr schnell 38Ublich im Geb udebereich mit Nebenbedingungen global stetig ditferenzierbar Multistart Newton Typ SQP GPS kombiniert mit Newton Typ PSO GA Multistart GPS Down Hill Simplex u U Multistart Newton Typ mit Nebenbedingungen global nicht stetig Da stetig differenzierbare Zielfunktionen wesentlich besser optimiert werden k nnen ist es erstrebenswert die Geb udesimulationen mathematisch so zu formulieren dass die entsprechenden Zielfunktionen dieser Bedingung gen gen In der Literatur wird ein Beispiel f r ein
193. gsprofile Z B f r B ronutzung Verkehrswege etc fest die bei der Berechnung ber cksichtigt werden m ssen sowie Regeln zur Zonierung des Geb udes Es sind zwei Arten des Energieausweises zu unterscheiden e Energiebedarfsausweis Der Energiebedarfsausweis weist den Prim renergiebedarf eines Geb udes aus der auf Grundlage von theoretischen Berechnungen gem der oben genannten DIN 18599 bestimmt wurde F r neu zu errichtende Geb ude ist der Energiebedarfsausweis verpflichtend F r Bestandsgeb ude kann auch ein Energieverbrauchsausweis ausgestellt werden e Energieverbrauchsausweis Der Energieverbrauchsausweis wird auf Grundlage von Energieverbrauchsabrechungen der letzten 3 Jahre erstellt und bezieht sich damit auf den realen Verbrauch des Geb udes Fraunhofer ISE 05 07 2011 Seite 94 Modellbasierte Methoden fur Fehlererkennung und Optimierung Ausgangspunkt der Untersuchungen im Rahmen von ModBen war die Idee dass eine bei der Erstellung des Energiebedarfsausweises alle relevanten Daten f r eine detaillierte Berechnung des Energiebedarfs erhoben werden und dass die DIN V 18599 auch eine individualisierte Berechnung des Energiebedarfs mit Anpassung z B der Nutzungsprofile prinzipiell erlaubt Somit sollte es m glich sein im Zuge der Erstellung eines Energiebedarfsausweises mit berschaubarem Zusatzaufwand auch einen Zielwert f r den Energieverbrauch zu bestimmen der zur Beurteilung des energetischen Betriebs heran
194. gt im Dezember 5 453 kWh und die simulierte betr gt 5 614 kWh was einer Abweichung von 3 0 entspricht Fraunhofer ISE 05 07 2011 Seite 164 Modellbasierte Methoden fur Fehlererkennung und Optimierung 30000 Q _IDA ICE 25000 Q_gemessen hi ME Ju NN INNEN 10000 Wi M N 5000 Yin I N f Wi In i l AA Heizleistung in W m 0 01 12 2007 08 12 2007 15 12 2007 22 12 2007 29 12 2007 00 00 00 00 00 00 00 00 00 00 Datum Zeit Abbildung 76 Vergleich der Heizleistung des IDA ICE Modells mit Messwerten In Tabelle 28 ist das Optimierungsergebnis der verschiedenen Algorithmen mit dem IDA ICE Modell aufgef hrt Durch die Schrittweite von 15 Minuten die bei den Algorithmen vorgegeben wird finden die Parametervariation und der Partikel Schwarm Optimierungsalgorithmus das Optimum bei einer Betriebszeit von 06 45 16 30 Uhr Sowohl die allgemeine Mustersuche als auch die Kombination aus allgemeiner Mustersuche und Partikel Schwarm Optimierungsalgorithmus finden das Optimum bei einer Betriebszeit von 06 53 16 53 Uhr Das ist damit zu begr nden dass bei der allgemeinen Mustersuche zum Ende des Optimierungsvorgangs die Schrittweite unter das voreingestellte Ma abgesenkt wird um das globale Optimum zu finden Im vorliegenden Beispiel erfolgte die Halbierung der Schrittweite von 15 Minuten auf 7 5 Minuten Der Vorteil der allgemeinen Mustersuche sind zudem die nur 94 Simulationsdurchg n
195. h her K hlkreise T_SUP ist desto geringer wird dT ausfallen Auch der Vergleich von dT wenn die Pumpe An bzw AUS ist kann wertvolle Information f r die Analyse liefern Fraunhofer ISE 05 07 2011 Seite 120 Modellbasierte Methoden fur Fehlererkennung und Optimierung Carpetplots Die Carpetplots fur Heiz und Kuhlkreise zeigen die Systemtemperaturen und die Betriebsr ckmeldung der Pumpen oder Ventile in st ndlicher Aufl sung Weiterhin werden die Au entemperatur und die Globalstrahlung als Referenz mit angezeigt Die Hauptanwendung von Carpetplots ist die Identifizierung von Betriebszeiten Bg un hour of day a hour of day hour of day hour of day hour of day hour of day Sep 08 Oct 06 Nov 08 Dec 08 jan 09 Abbildung 50 Beispiel eines Carpetplots f r einen Hezkreis Dargestellt sind die Wetterdaten AT und Globalstrahlung als Referenz Vor und R cklauftemperatur T_SUP T_RET die Spreizung dT und die Betriebsr ckmeldung der Pumpe CTRL SIG Der Plot zeigt dass der Pumpenbetrieb CTRL SIG sich von Wochenmustern im September Oktober zu Dauerbetrieb im Dezember entwickelt Der Grund daf r ist eine au entemperaturabh ngige Steuerung der Betriebszeiten Gleichzeitig kann an Anheizbetrieb in den Morgenstunden beobachtet werden da T_SUP und dT hier erh hte Werte zeigen Fraunhofer ISE 05 07 2011 Seite 121 Modellbasierte Methoden fur Fehlererkennung und Optimierung Tab
196. h unter 10 der Nennleistung Wenn die Grundlast deutlich h her liegt sollte berpr ft werden ob andere thermische Prozesse im Geb ude betrieben werden oder ob die energetische Qualit t der Geb udeh lle und der anlagentechnischen Ausstattung extrem hochwertig ist Andernfalls liegt evtl ein Einspatpotenzial vor Streuung Wenn die Punkte im Plot eine gro e Streuung aufweisen kann der Grund daf r z B eine stark unterschiedliche Nutzung des Geb udes sein eine fehlerhafte Regelung oder auch eine hohe energetische Qualit t des Geb udes die den Einfluss von internen und solaren Lasten relativ st rker ausfallen l sst Typisches Erscheinungsbild A Das Erscheinungsbild der Signatur von Fernkalte ist changepoint de der Fernwarme sehr ahnlich abgesehen davon dass die Kalteleistung naturlich mit zunehmender AT ansteigt Alle Aussagen zur Fernw rme k nnen auf Fernkalte bertragen werden wenn der umgekehrte B Zusammenhang zur AT ber cksichtigt wird f Im Fall von Zonen mit hohen internen Lasten z B Rechenzentren kann die Grundlast im Winter im Vergleich zur Spitzenlast jedoch deutlich h her ausfallen c LA La Typisches Erscheinungsbild Das Erscheinungsbild der Signatur f r Brennstoffe h ngt stark vom Einsatz des Brennstoffs ab Falls der Brennstoff ausschlie lich zu Heiz oder K hlzwecken eingesetzt wird treffen sie obigen Aussagen zu Fernw rme bzw Fernk lte zu Wird der Brennstoff jedoch z
197. h bereits zahlreiche Methoden entwickelt und getestet 5 6 7 In Abschnitt 5 werden diese n her betrachtet 4 1 2 Optimierung Optimierung im Sinne dieses Berichts ben tigt ein funktionsf higes und regelbares System und setzt daher nach der Beseitigung grunds tzlicher Fehler an Im Rahmen der Optimierung wird die Energieeffizienz des Systems und oder das Raumklima unter Ber cksichtigung der aktuell vorliegenden Randbedingungen verbessert Die Randbedingungen beinhalten z B Wetter Komfortanforderungen oder Anwesenheit zu ber cksichtigen In Abgrenzung zur FED kann die Optimierung somit als gezielte Verbesserungen des planm igen Betriebs bzw seine Anpassung an die aktuellen Randbedingungen beschrieben werden Typische Ans tze zur Optimierung des Betriebs von Geb uden sind u a e Optimierung der Betriebszeiten von Anlagen Unter Ber cksichtigung der aktuellen und evtl zuk nftigen pr diktive Regler Anforderungen k nnen die Betriebszeiten von Anlagen wie Heizung und K hlung oft deutlich reduziert werden Insbesondere unter Ausnutzung der tragen Massen eines Geb udes k nnen sich hier interessante Optionen zur Energie und Kosteneinsparung ergeben e Optimierung der Sollwerte In engem Zusammenhang mit dem erstgenannten Punkt steht die Anpassung von Sollwerten z B von Vorlauftemperaturen der Heizung oder K hlung Angepasste Laufzeiten von Anlagen erfordern in der Regel eine intelligente Regelung der Anlag
198. hebung der Simulationsparameter als gut einsetzbar Dieses Modell ist um den Faktor 100 schneller als das detaillierte DA CE Modell Die Ergebnisse demonstrieren dass die Raumlufttemperaturen nur eingeschr nkt simuliert werden k nnen da teilweise kein realit tsgetreues Regelverhalten abgebildet wird Die gute bereinstimmung dieses physikalisch basierten Modells mit den Messdaten l sst erwarten dass das Modell auch gute Extrapolationseigenschaften ber den Bereich der Referenzdaten hinaus aufweist Das Optimierungsprogramm GenOpt wurde mit DA gekoppelt Als ein erstes Anwendungsbeispiel wurde die Laufzeit f r die Umw lzpumpe des Heizkreises optimiert Dadurch konnte der simulierte Jahresnutzenergiebedarf des Geb udes um ber 10 gesenkt werden Es konnte kein Algorithmus identifiziert werden der bei allen untersuchten Optimierungsaufgaben das beste Ergebnis lieferte Die Auswahl muss also je nach Optimierungsproblem individuell z B durch Tests mit verschiedenen Algorithmen erfolgen Alle betrachteten Algorithmen sind prinzipiell dazu geeignet bei der Geb udeoptimierung angewendet zu werden da die Unterschiede im Optimum geringer als 0 2 waren Die Definition einer geeigneten Ziel und Bestrafungsfunktion stellte sich als besonders wichtig heraus da die Optimierungsalgorithmen bei einer ung nstigen Wahl nicht erfolgreich waren Stufe 4 Ausrei erdetektion mit Black Box Modellen 8 9 1 Begr ndung f r den Ansatz U
199. hne Kopplung und unabh ngig zum aktuellen Geb udebetrieb erfolgen um eine optimale Regelstrategie f r unterschiedliche Betriebszust nde zu finden Diese Art der Optimierung wird hier als Offline Optimierung bezeichnet da sie in der Regel nicht kontinuierlich erfolgt siehe Abbildung 22 Im Gegensatz dazu wird bei der Online Optimierung der Optimierungsprozess direkt mit der Regelung gekoppelt so dass jeweils der aktuelle Betriebszustand und evtl Vorhersagen z B Tagesvorhersagen der Last oder des Klimas mit in die Optimierung einbezogen werden k nnen Die Online Optimierung stellt somit einen kontinuierlichen Prozess dar siehe Abbildung 23 Kontinuierlicher Betrieb mit Datenerfassung Geb ude Geb ude Automation Diskontinuierlicher Prozess Abbildung 22 Prozessstruktur bei Offline Optimierung des Gebaudebetriebs Nicht Wohn Geb ude sind sehr individuell Sie bestehen in der Regel aus identischen oder hnlichen in der Gr e angepassten Komponenten in stark unterschiedlichen Kombinationen Die Geb uderegelung wird an jedes Geb ude individuell angepasst Es ist daher nahe liegend die individuell angepassten Regelungen zu nutzen um eine automatisierte individuelle Optimierung daran anzukoppeln bzw daraus zu generieren Damit kann sowohl der Arbeits als auch der Kostenaufwand gesenkt werden Zuk nftig k nnte daher die Optimierung ziemlich eng mit der Regelung verkn pft sein Die Optimierung
200. hts welcher gleich per Kopie oder FTP im Internet ver ffentlicht werden kann 2 EC Yisual Energy Center net Datei Bearbeiten Ansicht Berichte verwaltung Extras Fenster 7 Szenariobrowser zunlleistungse echnung Pimi HA Arbeitsbereich ennowatis m Joa Hauptsymballemks ennovatis Ja a 17 ag Jl m Pb tunnelstri4 i 7 de E verwaltungsobjekte a ig virtuelle Datenquellen i A Cy Ol oh 1 4 a nn a 5s 3 fa Je Eff Testrechner continuum Hi Datenquelle 2 on Manuelle Datenerfassung MBus ER simulator _online Bi YEL__ Zugang Summe He S GLT a 3 RaumEGLinks ir virtuelle Datenquellen ben a Berichtgenerator hllsie F ee PEPE hnung u gt K hlleistung 19 a a K hlleistung 26 Ei ir Summe ne Summe K hlleistung L dat Seb udf 4 Datenerfassung Abbildung 88 Elemente des VDA Analysebl tter werden im Reiter Datenerfassung 1 unterhalb der Virtuellen Datenquellen 2 neu angelegt Nach der Eingabe eines Namens k nnen nun einfach per Drag amp Drop Datenpunkte sowohl aus den Simulationen als auch aus den Messdatenquellen auf das Analyseblatt gezogen werden 3 Diese Datenpunkte blau k nnen nun mit Hilfe von Verbinden 6 Prozessmodulen 4 zugef hrt werden Eine oder mehrere Formeln bestimmen die Ausgangsergebnisse welche entweder verschiedenen Ausgangen 5 oder weiteren Prozessen zu geordnet werden k nnen 8 10 8 Implementierung
201. htwohngeb uden beschr nkt sich die Nutzung auf die Werktage Falls eine Wochenendabsenkung implementiert ist erscheinen Werktage und Wochenenden als zwei separate Punktwolken mit erkennbarem Abstand Je weiter die Absenkung desto gr er wird der Abstand Falls kein Abstand erkennbar ist ist oft ein fehlender oder fehlerhafter Absenkbetrieb Ursache hierf r Falls das Gebaude an Wochenenden nicht genutzt wird anhand der Plots der Verbrauchsdaten pr fen sollte bei T_SUP eine Absenkung erkennbar sein Werktage und Wochenenden sollten als zwei separate Punktwolken mit erkennbarem Abstand erscheinen Je gr er der Abstand desto mehr Einsparung kann die Absenkung erzielen Falls die beiden Falls kein Abstand erkennbar ist ist oft ein fehlender oder fehlerhafter Absenkbetrieb Ursache hierf r Changepoint Heizkreise Falls die Betriebsr ckmelung der Pumpe verf gbar ist wird kein Changepoint sichtbar sein Falls sie jedoch nicht ver gbar ist kann ein Changepoint bei T_SUP auftreten weil dann die Temperaturen auch f r den Betriebzustand Pumpe aus gemittelt werden siehe unten Steigung Heizkreise Die Steigung ist abh ngig vom verwendeten bergaesystem Bei Heizkreisen k nnen die Fraunhofer ISE 05 07 2011 Seite 118 Modellbasierte Methoden fur Fehlererkennung und Optimierung Plots Hinweise zur Interpretation Typisches Erscheinungsbild vereinfacht Auslegungstemperaturen zwischen 60 80 C Heiz
202. hungen gesammelt von denen etwa 80 intensiver gesichtet wurden Aufgrund dieser Vielzahl und der zum Teil recht hnlichen Inhalte werden an dieser Stelle nicht einzelne Ver ffentlichungen vorgestellt sondern es wird eine inhaltliche Gruppierung vorgenommen Zu den einzelnen Gruppen jeweils einzelne besonders exemplarische Ver ffentlichungen genannt FED mit Modelle von Einzelkomponenten oder Subsystemen Diese Ver ffentlichungen behandeln die Fehlererkennung und Diagnose von Einzelkomponenten wie K ltemaschine Heizregister oder zentralem L ftungsger t H ufig wird ausgehend von einer Reihe bekannter Fehler eine Methode entwickelt Um das Verfahren m glichst einfach implementierbar zu halten werden h ufig Black Box Modelle Regression NN ARX ARMAX oder vereinfachte White Box Modelle verwendet In einigen Ver ffentlichungen Fraunhofer ISE 05 07 2011 Seite 47 Modellbasierte Methoden fur Fehlererkennung und Optimierung wird lediglich ein Modell entwickelt wobei die Eignung zur FED lediglich als m gliches Einsatzgebiet genannt wird 26 27 28 e FED mit vereinfachten Modellen von Gebauden Gebaudezonen Neben Einzelkomponenten ist als ein Schwerpunkt in der Forschung die Erstellung vereinfachter Modelle f r Geb ude oder Geb udezonen zu nennen Diese Modelle sollen dazu dienen das thermodynamische Verhalten des Geb udes wiederzugeben bzw die Last f r die Anlagen bereit zu stellen Darauf aufbauend kann eine FED oder
203. hwindigkeit der Simulation wird hier zwischen Echtzeitanwendungen und Nicht Echtzeitanwendungen unterschieden F r Geb udeenergieoptimierungen ist es dabei interessant die Simulationszeit schneller als die Echtzeit ablaufen zu lassen damit das Verhalten unter unterschiedlichen Klimabedingungen m glichst schnell und unabh ngig von tats chlichen Klimaten getestet und optimiert werden kann Dar ber hinaus ist an der HIL interessant dass verschiedene Hardware Varianten oder Einstellungen unter exakt gleichen Bedingungen getestet und optimiert werden k nnen 6 2 2 Online Optimierungen W hrend im Baubereich die Offline Optimierung zumindets in Teilen in der Praxis verwendet wird haupts chlich in der Planungsphase wird die Online Optimierung nur selten verwendet z B f r einzelne Regelungskomponenten wie die Aufheizoptimierung von Nachtabsenkungen Wenn die Optimierung in eine Regelung integriert wird wird das als adaptive oder lernende Regelung bezeichnet Werden f r die Optimierung bzw die Beeinflussung der Regelung Modelle verwendet so wird dies h ufig auch modellpr diktive Regelung engl Model Predictive Control MPC genannt D h im Geb udebereich sind adaptive Regelungen normalerweise MPC Werden nicht lineare Modelle in der Fraunhofer ISE 05 07 2011 Seite 70 6 3 Modellbasierte Methoden f r Fehlererkennung und Optimierung MPC verwendet so wird das auch NMPC engl Non Linear Model Predictive Control genannt
204. iale zur Betriebsanalyse bieten jedoch in Ihrer Anwendung insbesondere was die Erstellung und Kalibrie rung der Modelle betrifft noch zu aufwendig f r den praxisnahen Einsatz er scheinen e Ein weiterer wichtiger Aspekt ist dass die Interoperabilitat im Sinne eines standardisierten und nahtlosen elektronischen Informationsaustauschs im Geb udebereich generell kritisch ist Neben den Messdaten betrifft das insbe sondere die Strukturdaten des Geb udes also z B Informationen zum Aufbau der Geb udeh lle oder zur Struktur der haustechnischen Anlagen e Auch die Energieeinsparverordnung mit Ihrer Pflicht zur Erstellung von Energieausweisen EnEV kann derzeit an dieser Situation wenig ndern da f r Bestandsgeb ude nur selten ein Energiebedarfsausweis ausgestellt wird da keine Pflicht und somit keine Strukturdaten erhoben werden e Dar ber hinaus musste festgestellt werden dass die Berechnungsmethodik der EnEV DIN V 18599 auf dem derzeitigen Entwicklungsstand nicht geeig net ist Zielwerte f r den Energieverbrauch eines Geb udes abzuleiten Gr nde hierf r sind z B in der Beschr nkung der abbildbaren Systeme zu su chen oder in den Annahmen bez glich des Geb udebetriebs siehe 8 3 e Neben den technischen Problemen traten eine Reihe von organisatorischen Problemen auf wie z B unklare Zust ndigkeiten oder Fragen des Datenschut zes die den Ablauf behindert und verlangsamt haben Es wurde deutlich dass die Bet
205. iche des Modells mit inverse modeling Fraunhofer ISE 05 07 2011 Seite 23 Modellbasierte Methoden fur Fehlererkennung und Optimierung gearbeitet Allerdings kann sich der Grad der Automatisierung der Kalibrierung bzw der Parameterschatzung je nach Modell und verf gbaren Messdaten erheblich unterscheiden Abbildung 10 zeigt eine schematische Darstellung der Kalibrierung eines Modells Zur Kalibrierung wird ein so genannter Trainingsdatensatz verwendet der gemessene Ein und Ausgangsgr en des realen Systems ber einen bestimmten Zeitraum enth lt Die Parameter des Modells m ssen nun so angepasst werden dass das Modell den Zusammenhang zwischen Ein und Ausgangsgr en des Trainingsdatensatzes mit gen gender Genauigkeit wiedergibt Schnittstelle Eingangsgr en Gemessene p nen Eingangsgr en HITT NG Modellstruktur Startwerte f r i gt a poe re un BO ag Prinzipieller Fe Parameter Trainingsdaten mathematischer ee Bars Rene Messdaten der Ein und I Ausgangsgr en des meter zwischen f Systems ber einen Parameters und bestimmten Zeitraum Ein und Ausgangsgr en Gemessene Berechnete Ausgangsgr en Ausgangsgr en Modellg te ausreichend Abbildung8 Schematische Darstellung der Kalibrierung eines Modells In der Regel ist die Kalibrierung ein iterativer Prozess bei dem zun chst mit Hilfe der Modellstruktur der gemessenen Eingangsgr en u
206. icial neural network ASHRAE Transactions 101 1995 pp 186 200 J Haberl and S Thamilseran The great energy predictor shootout II Measuring retrofit savings ASHRAE journal vol 40 1998 p 49 56 K L Gillespie Jr P Haves R Hithcock J J Deringer and K Kinney A specifications guide for performance monitoring systems Lawrence Berkeley National Laboratory 2007 O Baumann ICEBO International Conference for Enhanced Building Operations Enhanced Building Operation Using Operation Diagnostics A Case Study 2005 pp 1 9 Fraunhofer ISE 05 07 2011 Anhang Seite V 43 44 45 46 47 43 49 50 51 52 53 54 55 56 57 58 Modellbasierte Methoden f r Fehlererkennung und Optimierung C Neumann Yoshida Commissioning Tools for Existing and Low Energy Buildings IEA ECBCS Annex 47 Report 2 2010 P G Ellis B Griffith N Long and P Torcellini Automated Multivariate Optimization Tool for Energy Analysis Preprint Energy and Buildings 2006 M Wetter Generic Optimization Program User Manual Version 2 0 0 2004 M Wetter and J Wright Comparison of a generalized pattern search and a genetic algorithm optimization method Proc of the 8 th IBPSA Conference Citeseer 2003 p 1401 1408 J A Nelder and R Mead A simplex method for function minimization The Computer Journal vol 7 1965 pp 308 313
207. ie Identifikation der Charakteristik und von potenziellen Ausrei ern erleichtert F r jeden Bereich des Mindestdatensatzes Verbrauch Heiz K hlkreise RLT Anlagen wurden entsprechende Plots nach vordefinierten Regeln bez glich Filterung Gruppierung erzeugt In den folgenden Abschnitten werden die Carpet und Scatterplots f r den Mindestdatensatz gezeigt und Ihre Interpretation wird erl utert Fraunhofer ISE 05 07 2011 Seite 105 Modellbasierte Methoden fur Fehlererkennung und Optimierung 8 5 3 Visualisierung Verbrauch Der Mindestdatensatz beinhaltet die Daten des Gesamtenergie und Wasserverbrauchs Scatterplot Signaturen Der Scatterplot der Verbrauchsdaten zeigt den Energie und Wasserverbrauch in Form der Tagesmittel der Leistung f r den Energieverbrauch bzw des Durchflusses f r den Wasserverbrauch ber dem Tagesmittel der Au entemperatur AT Die Daten sind nach Werktagen und Wochenenden gruppiert Diese Darstellungen werden auch als Signaturen bezeichnet 3000 2500 2000 5 1500 4 10 15 Outdoor Air Temp C Abbildung 45 Beispiel f r einen Scatterplot des Verbrauchs ber der Au entemperatur Das Geb ude wird mit Fernw rme Strom und Wasser versorgt Aus der Differenz zwischen dem Strom und Wasserverbrauch an Werktagen und Wochenenden kann geschlossen werden dass das Geb ude am Wochenende nicht genutzt wird Entsprechend macht ein Absenkbetrieb der Heizung an Wochenenden Sinn der auch tat
208. ieb energieeffizienter e Theoretischer l Betrieb Zielwert e Nachweis der Energieeinsparung Werkzeuge e Excel Checkliste e Excel Checkliste e datastorage e datastorage e Referenzwerte verschiedener Quellen e ennovatis Verbrauchsaus weis e ennovatis ENEV Bedarfsausweis e 1 e verschiedene Simulationsumgebu ngen oe R e ennovatis Die Software datastorage wurde von Fraunhofer ISE im Rahmen des Projekts ModBen entwickelt Die Software R stellt eine Numerik Bibliothek mit dem Schwerpunkt auf statistischen Verfahren dar www r project org Fraunhofer ISE 05 07 2011 Seite 74 7 2 Modellbasierte Methoden fur Fehlererkennung und Optimierung Mindestdatensatz Eine kontinuierliche Betriebs berwachung muss notwendigerweise Messdaten erfassen und auswerten Dabei stellt sich insbesondere die Frage nach dem minimalen Datensatz der den energetischen Betrieb eines Geb udes hinreichend genau erfassen kann um die h ufigsten und schwerwiegendsten Fehler und Optimierungspotenziale im Betrieb erkennbar zu machen Andererseits muss der Minimaldatensatz wirtschaftlich darstellbar sein Tabelle 10 Verbrauch Gesamtverbrauch je Brennstoff Gesamtverbrauch Fernw rme Gesamtverbrauch Fernk lte Gesamtverbrauch Strom Gesamtverbrauch Wasser Wetter Au enlufttemperatur relative Au enluftfeuchte Globalstrahlung Vor R cklauftemperaturen der Hauptwasserkreise Systemdaten Zu
209. iese Kennzahlen erlauben eine schnelle Einordnung des energetischen Betriebs des betrachteten Systems Vorrausetzung ist das Vorhandensein von Zielwerten die einen Vergleich mit den Messdaten erlauben Abschnitt 7 3 2 Fraunhofer ISE 05 07 2011 Seite 77 Modellbasierte Methoden fur Fehlererkennung und Optimierung e Level 2 Metrics Bei Level 2 Metrics handelt es sich um Kenngr en die sich nicht mehr in Form eines einzelnen Wertes darstellen sondern z B in Form eines Kennlinienfeldes einer Anlage Level 2 Metrics erm glichen damit die weitergehende Analyse des betrachteten Systems Auch hier ist die Vorraussetzung dass Vergleichsdaten f r den optimalen bzw normalen Betrieb zur Verf gung stehen Abschnitt 7 3 2 7 3 2 Referenzwerte Um den aktuellen Geb ude und Anlagenbetrieb mit Performance Indikatoren im obigen Sinne bewerten zu k nnen ist es in der Regel notwendig die Performance Metrics der Level 1 und 2 mit Referenzwerten zu vergleichen die einen Erwartungswerte f r den normalen oder gar optimalen Betrieb darstellen Ein einfaches Beispiel ist wie folgt Um zu entscheiden ob der Performance Indikator f r den Heizenergieverbrauch des letzten Monats auf OK gesetzt werden kann kann der spezifische Heizenergieverbrauch Level 1 Metric aus den Messdaten errechnet und witterungsbereinigt werden um ihn anschlie end mit dem Planungswert zu vergleichen Bei einer Abweichung von mehr als 15 k nnte der Performan
210. iesignatur f r W rme Deutlich erkennbar ist die unterschiedliche Charakteristik f r Werktage und Wochenenden sowie die jeweilige Heizgrenztemperatur die im Modell als Changepoint bezeichnet wird Das Beispiel zeigt dass aufgrund der unterschiedlichen Charakteristik von Werktagen und Wochenenden sowie zu verschiedenen Jahreszeiten ein einziges lineares Modell nicht in der Lage ist die Energiesignatur richtig abzubilden Es ist vielmehr notwendig verschiedene Modelle f r verschiedene Typtage also Tage mit deutlich unterschiedlicher Verbrauchscharakteristik und ber und unterhalb des Changepoint bei Heizung Heizgrenztemperatur zu erstellen F r diesen Zweck wurde eine einheitliche Modellstruktur entwickelt die je nach Modellbereich entsprechend angepasst wird Fraunhofer ISE 05 07 2011 Seite 171 Modellbasierte Methoden fur Fehlererkennung und Optimierung Das Modell f r den Warmeverbrauch ist z B wie folgt Pheat Bo By Ta CP B2 Pel B3 H20 B4 Ti Bs A Ti Mit Phear Tagesmittel der Warmeleistung in W m Ta Tagesmittel der Au entemperatur in C CP Changepoint in C Pei Tagesmittel der elektrischen Leistung des Stromverbrauchs W m H2O Tagesmittel des Wasserverbrauchs in l h Ti Tagesmittel der Innenraumtemperatur in C A Ti Differenz der Innenraumtemperatur des betrachteten Tages zum vorangegangenen Tag Neben der Au entemperatur werden somit weitere Verbrauchssignale wir der Strom
211. ige Problem angepasst werden 20 Der Nachteil der gleichungsbasierten Ans tze ist der h here Rechenaufwand http www eere energy gov buildings tools directory 7 http simulationresearch lbl gov 8 http www esru strath ac uk http ourworld compuserve com homepages edsl Fraunhofer ISE 05 07 2011 Seite 39 Modellbasierte Methoden fur Fehlererkennung und Optimierung Auf wissenschaftlichen Konferenzen zum Geb udebereich Bauphysik IAQ indoor air quality HVAC K hlung Geb udesimulation werden sehr zahlreich neue mathematisch physikalische Modelle in Form von Gleichungen pr sentiert 20 21 Der Vorteil von gleichungsbasierten Simulationsans tzen besteht darin dass solche neuen Modelle direkt in Simulationen integriert werden k nnen Dadurch wird auch der Personenkreis der sich an der Weiterentwicklung der Simulationswerkzeuge beteiligen kann wesentlich ausgeweitet Es sind f r die Integration neuer physikalischer Modelle keine speziellen numerischen Kenntnisse notwendig Genutzte Komponenten Untermodelle Festlegung Parameter Programmierer 1 Verkn pfungen L sungs Intermegle der Untermodelle algorithmen u ee je je m m m Ey a Fa a ee ee ee m A Festlegung Verkn pfungen Parameter Untermodelle der Untermodelle L sungs algorithmen Programmierer ee i i e i e e k i i i i i e e e e e e e i e i e i e e i i AM AM ME ME ME MM MM AM ME ME ME MM M
212. igungen erhalten haben die zum Teil auch erlauben Kundenw nsche konkret zu formulieren und umzusetzen Dazu geh ren auf der Seite der Software vor allem die Implementierung der im Projekt eingesetzten Visualisierungstechniken und ihre Verf gbarmachung ber das Internet Dies ist wie schon in 8 10 gezeigt im Rahmen des Controlling Software weitgehend erfolgt und wird im Rahmen der Entwicklung der WebSuite auch internetbasiert kurz nach Projektende m glich sein Auf Seiten der Hardware gilt es vor allem die Firmware der Smartbox so zu ert chtigen dass eine weitgehend automatische Uberwachung der Verbrauchsdaten erfolgen kann Dazu haben wir den Smartbox Manager erweitert und mit der Erstellung eines Event Management Systems EMS begonnen Der neue Smartbox Manager erlaubt es insbesondere wesentlich komplexere Bedingungen zur berpr fung von Zeitreihen zu formulieren und umzusetzen Das zeigen wir am Beispiel der adaptiven Heizungsregelung mit deren Hilfe sich der Betrieb von Heizungsanlagen in vielen F llen weiter optimieren l sst siehe Anhang J All dies sind Arbeiten die weit ber das F amp E Ziel einer prototypischen Entwicklung hinausgehen Die Aufwendungen daf r die meist wesentlich h her als die eigentlichen Entwicklungskosten sind sind aber Vorraussetzung daf r dass die erfolgreichen Ideen des F amp E Vorhabens in Produkte einflie en Grundideen der Websuite Die ennovatis WebSuite erm glicht den webbasierten Zugriff
213. ik die ebenfalls gro e Energieeinsparpotenziale besitzen standen nicht im Fokus des Projekts Fehlererkennung und Optimierung technischer Systeme im obigen Sinne setzen voraus dass das normale d h fehlerfreie bzw das optimale Verhalten des Systems bekannt ist und mit dem aktuellen Betrieb verglichen werden kann Abbildung 2 zeigt eine vereinfachte Darstellung des Prozesses der Fehlererkennung und Optimierung Im Allgemeinen werden Daten aus dem System erfasst aufbereitet und geeigneten Vergleichswerten gegen bergestellt die den normalen oder optimalen Betrieb wiedergeben Ein einfaches Beispiel hierf r ist z B der spezifische Vorjahres Stromverbrauch eines Geb udes in kWh je m Nutzfl che der mit dem Verbrauch des aktuellen Jahres verglichen wird um m gliche Ver nderungen festzustellen Bei signifikanten Abweichungen erfolgen eine Ursachenermittlung und gegebenenfalls eine Korrektur im System Um dauerhaft einen fehlerfreien bzw optimalen Betrieb sicher zu stellen muss dieser Prozess kontinuierlich oder zumindest in regelm igen Intervallen durchlaufen werden Allgemein Beispiel Aktueller Datenerfassung Ablesewert Stromz hler Witterungs Evtl Korrektur Ursachen ermittlung Evtl Korrektur Ursachen ermittlung Vorjahres i gt Abweichung Stromverbrauch Vergleichswert Abbildung 2 Vereinfachtes Schema Fehlererkennung Optimierung von technischen Systemen allge
214. ine Reihe von organisatorischen Problemen auf wie z B unklare Zust ndigkeiten oder Fragen des Datenschutzes die den Ablauf behindert und verlangsamt haben Es wurde deutlich dass die Betriebsanalyse mehr ist als der rein technische Prozess der Datenaufzeichnung und Bewertung Um erfolgreich zu sein ist es notwendig die organisatorische und personelle Einbindung des Prozesses zu planen 12 2 Erbebisse der einzelnen Stufen der Systematik 12 2 1 Stufe 1 Benchmarking Aufgrund der Tatsache dass f r Nichtwohngeb ude mit ihrer oft sehr individuellen Nutzung aktuell keine brauchbaren Referenzwerte vorhanden sind ist eine Einordnung des Energieverbrauchs anhand eines Benchmarkings oft schwierig bis unm glich Aus Sicht des Projektteams ergeben sich folgende Anforderungen an Referenzwerte f r Nichtwohngeb ude e Referenzwerte f r den Energieverbrauch von Nichtwohngeb uden sollten sich auf Nutzungszonen und nicht auf das Gesamtgeb ude beziehen Der Referenzwert f r das Gesamtgeb ude ergibt sich dann aus dem flachengewichteten Mittel der einzelnen Nutzungszonen Fraunhofer ISE 05 07 2011 Seite 209 Modellbasierte Methoden fur Fehlererkennung und Optimierung e Referenzwerte des Energieverbrauchs sollten die Erzeugungsanlagen ber cksichtigen z B ist es entscheidend ob Erdgas f r einen Brennwertkessel oder ein BHKW verwendet wird oder Fernw rme f r die Raumheizung oder eine Absorptionsk ltemaschine e Korrekturen
215. inen Teil des hydraulischen Systems darstellt Mit Bayes scher Inferenz k nnen solche Fragestellungen in Form von Wahrscheinlichkeiten beantwortet werden O entspricht einer totalen Unsicherheit und 1 einer totalen Sicherheit Wenn irregul re Temperaturen gemessen werden kann die Frage ob der Kesselbetrieb fehlerhaft ist wie folgt beantwortet werden unter Ber cksichtigung der Temperaturschwankungen gibt es eine Wahrscheinlichkeit von 85 dass der Kesselbetrieb fehlerbehaftet ist Die gestellten Fragen werden in Abh ngigkeit einer Wissensdatenbank beantwortet M glicherweise sind keine Messdaten des Gasverbrauchs der Kesselvor und R cklauftemperaturen und der Brennereffizienz vorhanden In diesem Fall ist die oben erw hnte Inferenz nicht anwendbar In einem solchen Fall ist die modellbasierte Betrachtungsweise von gro er Bedeutung da sie den normalen und fehlerhaften Kesselbetrieb modelliert Die Simulationsergebnisse k nnen dann zusammen mit den Messdaten genutzt werden um die wahrscheinlichste Ursache f r das Vorkommen der Messdaten die auf einen fehlerhaften Betrieb hindeuten zu bestimmen Der modellbasierte Ansatz kann verwendet werden um den normalen Betrieb und auch einen m glichen fehlerhaften Betrieb zu simulieren Die Datenbank in der alle M glichkeiten gespeichert werden wird verwendet um die wahrscheinlichste Ursache f r die gemessenen Werte des realen Betriebs zu erkl ren Anders erkl rt m
216. ing funktionale Qualitatssicherung e Sicherstellung des gew nschten und mit der vorhandenen Anlage erzielbaren Komforts bzw Raumklimas e Dokumentation von erbrachten Leistungen und erzielte Verbesserungen bliche Praxis G ngige Praxis zur Sicherstellung oder Erreichung eines energieeffizienten Betriebs ist die Einf hrung eines Energiemonitorings bzw Energiemanagements Zahlreiche Beispiele aus der Praxis zeigen dass sich ber dieses Instrument Einsparungen erzielen lassen Allerdings beschr nkt sich Energiemanagement h ufig auf die w chentliche monatliche oder gar j hrliche Aufzeichnung und Auswertung von Energieverbr uchen meist in Verbindung mit einem Benchmarking Aus folgenden Gr nden ist dieses Vorgehen zur Optimierung des Anlagenbetriebs wenig effizient e Energieverbrauche sind als Zielgr e und Indikatoren f r das Energiemanagement unerl sslich Als Mittel zur Analyse des Anlagenbetriebs sind sie allerdings nur bedingt geeignet da sie nur die Symptome eines mehr oder weniger optimalen Betriebs darstellen Verbrauchswerte k nnen 1 Das zeigen z B die Ergebnisse des Forschungsprogramms Energieoptimiertes Bauen EnOB des Bundesministeriums f r Wirtschaft und Technologie www enob info 2 Vergleiche auch DIN 8930 Teil 5 K lteanlagen und W rmepumpen Begriffe und Formelzeichen Teil 5 Contracting gt Z B nach DIN EN 16001 Fraunhofer ISE 05 07 2011 Seite 7 Modellbasierte Methoden fur
217. ings nicht m glich die vereinfachte Form der Heizk rpergleichung zu verwenden man muss mit der logarithmischen Ubertemperatur arbeiten n Ur u Orr In Or T Os Oi u Omi B m Ori Orr Nenn i oo h A Nenn i oo OyL Nenn Orr Nenn M Nenn Ok Z Cpe Hf Our Nenn E E Oi ne Da in diesem Fall keine geschlossen algebraische L sung m glich ist muss ein L sungsalgorithmus verwendet werden Aus den individuellen R cklauftemperaturen und Massefl ssen wird dann die Gesamtr cklauftemperatur der einzelnen Elemente der Monte Carlo Simulation berechnet Damit ergeben sich dann die Verteilung und der Erwartungswert f r die Gesamtr cklauftemperatur Fraunhofer ISE 05 07 2011 Seite 138 Modellbasierte Methoden fur Fehlererkennung und Optimierung 8 6 3 Implementierung Diese Methoden wurden in R implementiert Um die R cklauftemperatur aus der Vorlauftemperatur der Leistung und den Heizk rperdaten mit der Heizk rpergleichung auszurechnen wurde die Funktion uniroot aus R zum Finden der L sung verwendet Diese Funktion basiert auf einem Goldenen Schnitt Suchalgorithmus F r das Demonstrationsgeb ude Gro p sna wurden mit diesen Methoden Nomogramme fur den kompletten Heizkreis erstellt siehe Abbildung 56 An der x Achse ist jeweils die Heizlast bzw Heizleistung aufgetragen an den Kurven die verschiedenen Vorlauftemperaturen so dass auf der y Achse Massefluss und R cklauftemperatur abgelesen werden k nnen An
218. interessant von Signalen auf der oberen Ebene des Gesamtgeb udes auf Fehler in darunter liegenden Ebenen zu schlie en da Fraunhofer ISE 05 07 2011 Seite 42 Modellbasierte Methoden fur Fehlererkennung und Optimierung somit der Umfang der notwendigen messtechnischen Ausr stung reduziert werden kann 5 1 Klassifizierung der Methoden 5 1 1 Fehlererkennung Isermann 2006 gibt einen umfassenden berblick ber die existierenden Methoden zur Fehlererkennung und Diagnose f r technische Systeme im Allgemeinen und schl gt eine Klassifizierung vor Andere Klassifizierungen f r Methoden zur Fehlererkennung finden sich bei 1 oder 25 Jedoch werden hier Methoden zur Fehlererkennung und Diagnose nicht eindeutig getrennt was die Klassifizierung von Isermann f r diesen Bericht geeigneter erscheinen l sst Seine Klassifizierung der verschiedenen Methoden soll hier vorgestellt werden um danach Beispiele von Anwendungen im Bereich der Geb udetechnik vorzustellen Fehlererkennung Basierend auf Basierend auf einzelnen Signalen mehreren Signalen Check Check Signal Prozess Multivariate Grenzwert Trends Modelle Modelle Datenanalyse Fester adaptiver Detektion Para Zustands Parit ts Principle y Korrela Spektrum Wavelet Neuronale Grenz Grenz Ver nd meter beobachter gleich component tion Analyse Analyse R Netze wert wert erung sch tzung Sch tzer ungen analysis Abbildung 16 Klassifizieru
219. ion free choice WBD free choice DH DC ESUP WSUP WTH WC H WC C WC HC AHU MTR MTR H MTR C MTR EL MTR W GLOBSENS PU FAN HC CC PREHC PREHCC PU CTRV HW CHW HCW DCW FUEL OA RA SUPA EXHA SUP PRIM SEC RET PRIM SEC PRIM SEC MEA SEV Modellbasierte Methoden f r Fehlererkennung und Optimierung Abk rzungsverzeichnis f r einheitliche Datenpunktbezeichnung item building name Whole Building all other zones District heat District cold Energy supply Water supply Weather Station heating circuit water circuit for heating cooling circuit water circuit for cooling heating cooling circuit water circuit for heating cooling AHU Meter for Fuel heat meter cold meter electricity meter water meter Pyranometer Pump Fan heating coil cooling coil pre heating coil pre heating cooling coil Pump Control valve hot water chilled water hot chilled water domestic cold water any kind of fuel gas oil wood etc outdoor air room air supply air exhaust air supply on primary or secondary side of system return on primary or secondary side of system primary or secondary side of system measured value set value Anhang Seite XXXVIII 9 datapoint Fraunhofer ISE 05 07 2011 SIG E H E C E EL VOL RH SOL CTRLSIG STAT Modellbasierte Methoden fur Fehlererkennung und Optimierung signal feedback from component
220. irksam die Ventile aller Heizkreise werden geschlossen und die Umw lzpumpen nach t 2 x Ventillaufzeit ausgeschaltet Unterschreitet die Tagesdurchschnittstemperatur den Au entemperaturgrenzwert Sommer an m aufeinanderfolgenden Tagen wird am Folgetag der Sommerbetrieb eingestellt Parametrierung des Reglers mittels Smartbox Anhang Tabelle 11 Sommerbetrieb Beschreibung Umrechnung Werkseinstellung 112 Datum Beginn Sommerzeitraum Datum 100 d h 3112 31 12 106 01 06 113 Datum Ende Sommerzeitraum Datum 100 d h 3112 31 12 3009 30 09 114 Anzahl Tage fur Sommerbetrieb 2 EIN 115 Anzahl Tage fur Sommerbetrieb 1 AUS 116 AT Grenzwert Sommerbetrieb Temp 10 d h 200 20 C 180 18 C J 4 Trinkwasseraufbereitung Parametrierung des Reglers mittels Smartbox Anhang Tabelle 12 Trinkwasseraufbereitung Register Beschreibung Umrechnung Werkseinstellung analog digital 1799 Sollwert der Temperatur des Temp 10 d h 200 20 C 550 55 C Warmwasserspeichers 1800 Maximale Temp 10 d h 200 20 C 400 40 C Einstellgrenztemperatur des Warmwassersollwerts 1801 Minimale Temp 10 d h 200 20 C 600 60 C Einstellgrenztemperatur des Warmwassersollwerts 1805 Maximale Ladetemperatur des Temp 10 d h 200 20 C 800 80 C Warmwasserspeichers 1806 Haltewert Warmwasserspeicher Temp 10 d h 200 20 C 400 40 C Fraunhofer ISE 05 07 2011 Anhang Seite L Modellbasierte Metho
221. ische Funktionen an die Simulationsergebnisse angepasst Dadurch k nnen sowohl die Anzahl der Parameter als auch der Rechenautwand drastisch reduziert werden Die Parameter der angepassten Funktionen haben dann keine physikalische Bedeutung mehr sind aber aus physikalischen Modellen gewonnen worden siehe Abbildung 13 Je nach Problemstellung und Wahl der Basisfunktionen k nnen dabei die guten Extrapolationseigenschaften der white models erhalten bleiben Eingangsgr en Eingangsgr en White Box Modell zur Erzeugung Trainigs daten Ausgangsgr en Ausgangsgr en Para Black Box Para meter Model meter Modellg te ausreichend Abbildung 13 Gray Box Modell im Sinne dass ein White Model verwendet wird um ein Black Model zu kalibrieren Fraunhofer ISE 05 07 2011 Seite 37 Modellbasierte Methoden fur Fehlererkennung und Optimierung 4 2 5 Ubersicht der Eigenschaften der Modelle In den vorangegangenen Kapiteln wurden verschiedene Modellansatze zur Abbildung technischer Systeme vorgestellt In diesem Abschnitt sollen noch einmal die wichtigsten Eigenschaften bez glich Modellerstellung Kalibrierung und Anwendung bei der Fehlererkennung und Optimierung zusammengefasst werden Tabelle 6 gibt einen berblick Tabelle 6 Zusammenfassung der Vor und Nachteile verschiedener Modellarten White Box Gray Box Black Box Einsicht in die physikalischen O Prozesse Anzahl Pa
222. isen ist die Spreizung konstant wenn die Pumpe nicht in Betrieb ist Cooling circuits primary side C Fraunhofer ISE 05 07 2011 Seite 119 Modellbasierte Methoden fur Fehlererkennung und Optimierung Plots Hinweise zur Interpretation Typisches Erscheinungsbild vereinfacht Spreizung Uber o Typisches Erscheinungsbild AT wenn F r Heizkreise sollte dT eine erkennbar negative Heating circuits secondary side Pumpe AN Steigung aufweisen wenn die Pumpe in Betrieb ist A A Kuhlkreise zeigen ebenfalls eine negative Steigung aufgrund der konstanten Vorlauftemperatur B NS o Steigung maximales dT Die Steigung bzw die maximale Spreizung bei niedrigen AT f r Heizkreise und bei hohen AT f r Cooling circults primary side Kuhlkreise kann zur Bewertung der Hydraulik C herangezogen werden Wenn z B die maximale Spreizung eines Heizkreises der Heizk rper versorgt sehr niedrig erscheint z B 5K bei AT 5 C ist der Massenstrom im Kreis fur die aktuelle Last zu hoch D h elektrische Antriebsenergie kann eingespart werden Dies kann in vielen Systemen beobachtet werden Insbesondere betragt die Spreizung in Kuhlkreisen oft nur 1K oder weniger Gesamtplot Aus einer vergleichenden Betrachtung der einzelnen Plots k nnen folgende Informationen generiert werden o Abh ngigkeiten der Sensoren Um dT bewerten zu k nnen muss die Charakteristik von T_SUP beachtet werden Je niedriger Heizkreise bzw
223. it denen systematisch oder zuf llig die gesamte Fl che abgetastet wird Noch schwieriger wird die Suche wenn die Zielfunktion nicht eindeutig ist d h das an einem Punkt im Parameterraum die Zielfunktion mehr als einen Wert annehmen kann der z B davon abh ngt auf welchem Weg man dorthin gelangt Im Bereich der Geb udeoptimierung werden berwiegend skalare Zielfunktionen verwendet Es gibt jedoch auch Beispiele f r Vektoroptimierungsprobleme Solche Probleme werden auch Pareto Optimierung genannt Dabei sollen die Werte einer vektoriellen Zielfunktion gleichzeitig optimiert werden Die Schwierigkeit besteht darin dass normalerweise nicht alle Komponenten der Zielfunktion gleichzeitig ein Optimum annehmen Aus den Optima der einzelnen Komponenten kann dann ein einzelner Gesamt Optimalpunkt bestimmt werden Das kann z B durch Gewichtsfaktoren f r die einzelnen Komponenten geschehen d h R ckf hrung auf nicht vektorielle Optimierung Bei Geb uden sind sowohl Energie als auch Kostenoptimierungsprobleme in der Planungs und Betriebsphase zun chst inh rent 2 z B Newton Verfahren u U nur lokale Extremwerte 23 Das Wort Programm wird gleichbedeutend zu Optimierungsmethode bzw Optimierungsproblem insbesondere im Englischen verwendet Das hat mit der Entwicklungsgeschichte von Optimierungsmethoden zu tun Sie wurden zuerst f r milit rische Probleme eingesetzt in Amerika wobei Aktionspl ne engl program of
224. itioning system modeling simulation and benchmarking Building Service Engineering Research and Technology vol 29 2008 pp 85 98 J Pakanen and S Karjalainen An ARMAX model approach for estimating static heat flows in buildings VTT PUBLICATIONS vol 4 2002 p 7 K Lee and J E Braun Development and application of an inverse building model for demand response in small commercial buildings Proceedings of SimBuild 2004 pp 1 12 M Lundin S Andersson and R Ostin Further validation of a method aimed to estimate building performance parameters Energy and Buildings vol 37 2005 p 867 871 J E Seem Using intelligent data analysis to detect abnormal energy consumption in buildings Energy and Buildings vol 39 2007 p 52 58 J M Liu R Chen L M Liu and J L Harris A semi parametric time series approach in modeling hourly electricity loads Journal of Forecasting vol 25 2006 p 537 559 J Yang H Rivard and R Zmeureanu On line building energy prediction using adaptive artificial neural networks Energy and Buildings vol 37 Dec 2005 pp 1250 1259 S Karatasou M Santamouris and V Geros Modeling and predicting building s energy use with artificial neural networks Methods and results Energy and Buildings vol 38 Aug 2006 pp 949 958 C E D Kawashima M Hourly thermal load prediction for the next 24 hours by ARIMA EWMA LR and artif
225. itpunkten erfassbar Um Daten aus verschiedenen Zeitr umen mit unterschiedlichen Erfassungszyklen im Extremfall wert bzw ereignisabh ngige Speicherung vergleichen zu k nnen ist es wichtig gleiche Zeitr ume zu schaffen Dies wird durch die bereits in der Datenbank integrierte Mittelwertbildung erreicht Je nach Darstellungszeit werden entsprechende Grafiken verf gbar Beispiel Fraunhofer ISE 05 07 2011 Seite 179 Modellbasierte Methoden fur Fehlererkennung und Optimierung Abbildung 87 Mittelwertbildung bei Zeitreihen Die ebenfalls integrierte Einheiten Umrechnung zieht Vergleiche zwischen den verschiedensten Datenquellen zum Kinderspiel e Werte Werte werden mit 8 Byte Genauigkeit gespeichert double Dar ber hinaus werden zu jedem gespeicherten Messwert zus tzlich statistische und verarbeitungs spezifische Attribute abgelegt wie z B gel scht ung ltig von Hand ge ndert G ltigkeitsgrenze Uber oder unterschritten gepackt Original usw Fraunhofer ISE 05 07 2011 Seite 180 Modellbasierte Methoden fur Fehlererkennung und Optimierung 8 10 7 Visual Data Analyser VDA Der Visual Data Analyser kurz VDA wertet gemessene und simulierte Daten mit frei bestimmbaren Formelausdr cken aus Die Ergebnisse einer Auswertung k nnen entweder als neue Datenpunkte gespeichert werden oder generieren direkt eine Benachrichtigung in Form eines Nachrichtenfensters einer Email einer SMS oder eines beliebigen Beric
226. izt wird zeigt sich Muster B Wenn die Zuluft geheizt und gek hlt wird zeigt sich bei hohen AT eine negative Steigung wie in C Hinweis Wenn die Zone mehrere bergabesysteme f r Heizung und K hlung besitzt k nnen die Muster in Abh ngigkeit der Regelstrategie und der Deckungsanteile dieser bergabesysteme abweichen Grunds tzlich wird die Zuluft geheizt wenn dT positiv ist und gek hlt wenn dT negativ ist Unterschied zwischen Werktagen und Wochentagen hnlich wie bei der Zulufttemperatur k nnen die Muster au erhalb der Anwesenheitszeiten in Abh ngigkeit der Betriebsweise deutlich abweichen Typisches Erscheinungsbild Die Temperaturspreizung auf der Wasserseite des K hlregisters zeigt eine negative Steigung bei hohen AT Changepoint Steigung Die Steigung und die Position des Changepoint sind Abh ngig vom energetischen Standard des Geb udes und den internen Gewinnen Typischerweise liegt der Fraunhofer ISE 05 07 2011 Typisches Erscheinungsbild 2 Z 3 2 amp 1 US LA vereinfacht Seite 127 Modellbasierte Methoden fur Fehlererkennung und Optimierung Plots Hinweise zur Interpretation Typisches Erscheinungsbild vereinfacht Changepoint zwischen 15 und 20 C AT Wenn die Spreizung im Berech hoher AT gering ist lt 1K kann das ein Hinweis auf einen Uberhohten Massenstrom im Register sein Temperatur o Typisches Erscheinungsbild spreizung Die Temperaturspreizung
227. kalisches Modell mit ausschlieBlich physikalisch bedeutsamen Parametern innere Struktur des Modells wird abgebildet e Black Box Modell Nicht physikalisches Modell z B statistisch stochastisch ohne physikalisch bedeutsame Parameter innere Struktur wird nicht abgebildet e Gray Box Modell Mischform aus White und Black Box Modellen Gerade fur energetisch besonders hochwertige Gebaude sollten bei der Modellierung stochastische Effekte ber cksichtigt werden An Abbildung 6 ist erkennbar das bei der gleichen absoluten Unsicherheit was in vielen F llen zun chst keine vollkommen abwegige Annahme darstellt die relative Unsicherheit bei neuen hochwertigen Geb uden um einen Faktor 10 h her sein kann als bei alten Geb uden Unter solchen Umst nden kann der stochastische Einfluss bei der Modellierung nicht mehr vernachl ssigt werden Fraunhofer ISE 05 07 2011 Seite 21 Modellbasierte Methoden fur Fehlererkennung und Optimierung neues Gebaude Altes Gebaude hohe rel Unsicherheit CO oO Lag Ig S Ai15 2kWhim a 1 1150 0 kWhim a l4 50 i 5 5 5 inal IH Sat iil lif j Ail i 4 o ill ii O E a a 2 o gt T tf tT 1 0 50 100 150 200 250 Qheat spect KWh m a identische abs Unsicherheit 7 5 kWh m a Abbildung 6 Vergleich des Einflusses von Unsicherheiten bei neuen und alten bzw energetisch hochwertigen und weniger hochwertigen Geb uden Werden solche Unsicherheiten in der Modellierung
228. kann dann auch leicht als kontinuierlicher Prozess durchgef hrt werden um wechselnde Randbedingungen Klimaanderungen Nutzung Preise zu ber cksichtigen Fraunhofer ISE 05 07 2011 Seite 67 Modellbasierte Methoden fur Fehlererkennung und Optimierung Gebaude Automation Abbildung 23 Prozessstruktur bei Online Optimierung des Gebaudebetriebs 6 2 1 Offline Optimierung Das Konzept der Offline Optimierung beruht darauf dass ein stabiler Gebaudebetrieb mit klassischen Regelungs und Steuerungstechniken erreicht wird weil das dynamische Verhalten von Geb uden ausreichend stabil und gutmutig Ist Im Wesentlichen werden die Parameter der Regelungen Sollwerte PID Einstellungen Schaltzeiten etc optimiert Da sich die Geb udedynamik nicht schnell ndert sollten sich die optimalen Regelungsparameter f r gr ere Zeitr ume nicht ndern Das bedeutet es besteht keine technische Notwendigkeit die Optimierung direkt in der Geb udeautomation zu implementieren Die Erfahrung zeigt dass es wichtig ist dass solche Optimierungen in regelm igen Abst nden wiederholt werden Dies entspricht dem Vorgehen beim Continuous Commissioning CC Eine regelm ige Wiederholung der Optimierung ist im praktischen Betrieb jedoch die Ausnahme Die Offline Optimierung wird haupts chlich im wissenschaftlichen Bereich oder im Bereich der Planung von Geb uden eingesetzt Im Folgenden werden einige Beispiele f r die Anwendung von Offline Op
229. korper Konvektoren und 30 50 C z B FuBbodenheizung variieren Fur Kuhlkreise sind in der Auslegung Vorlauftemperaturen im Bereich von 6 C z B Ventilatorkonvektor bis 18 C z B Betonkernaktivierung blich Dementsprechend kann die Steigung berpr ft werden soweit der Typ des Ubergabesystems bekannt ist o Streuung Falls der Plot eine gro e Streuung bzw Varianz der Punkte zeigt k nnte eine fehlerhafte Regelung aber auch manuelle Eingriffe der Grund daf r sein IN jedem Fall sollte in diesem Fall eine Ursachenermittlung erfolgen R cklauftemp o Typisches Erscheinungsbild Cooling circuits primary side Uber AT Fur Heizkreise verhalt sich die Rucklauftemperatur A T_RET analog zu T_SUP Fur Kuhlkreise zeigt T_RET eine negative Steigung o Streuung Die Ursache f r eine gro e Streuung bzw Varianz kann eine stark wechselnden Last oder in eine fehlerhafte Regelung sein Spreizung ber o Typisches Erscheinungsbild a cicuta secondey rer AT Wenn die Pumpe eines Heiz oder K hlkreises A wenn Pumpe ausgeschaltet ist sollte die Spreizung konstant AUS nahe 0 sein falls es keinen u eren Einfluss gibt A Eine Leckage des Mischventils liegt mit hoher Wahrscheinlichkeit vor wenn eine signifikante negative Steigung bei dT erkennbar ist B B In diesem Fall verursacht haufig eine Pumpe auf der Primarseite des Kreises einen Fehlmassestrom im Kreis der zu einer merklichen Spreizung f hrt Bei K hlkre
230. lagen zur Kratt Warme Kalte Kopplung oder W rmepumpen sind damit die Vergleichswerte zun chst nutzlos Daraus ergeben sich ais Sicht des Projektteams folgende Fordrungen an zuk nftige Vergleichswerte e Referenzwerte f r den Energieverbrauch von Nichtwohngeb uden sollten sich auf Nutzungszonen und nicht auf das Gesamtgeb ude beziehen Der Referenzwert f r das Gesamtgeb ude ergibt sich dann aus dem flachengewichteten Mittel der einzelnen Nutzungszonen e Referenzwerte des Energieverbrauchs sollten die Erzeugungsanlagen ber cksichtigen z B ist es entscheidend ob Erdgas f r einen Brennwertkessel oder ein BHKW verwendet wird oder Fernw rme f r die Raumheizung oder eine Absorptionsk ltemaschine F r diese Art von Referenzwerten sind weitere Untersuchungen bzw Datenerhebungen notwendig so dass sich die entsprechenden Datengrundlagen erst ber die Jahre erstellen lassen Fraunhofer ISE 05 07 2011 Seite 93 8 3 Modellbasierte Methoden f r Fehlererkennung und Optimierung Stufe 2 Datenerhebung Ermittlung Zielwert 8 3 1 Begr ndung f r den Ansatz Absicht des Projekts ModBen war es zu pr fen inwieweit die Daten und Systematik die bei der Erstellung eines Energiebedarfsausweise gem Energieeinsparverordnung EnEV zur Anwendung kommen f r die Betriebsanalyse und die Optimierung des Geb udebetriebs verwendet werden kann Damit sollten m gliche Synergien zwischen dem Zertifizierungsverfahren und dem Geb ude
231. ldung 65 Markow Ketten Monte Carlo Simulationen des Demonstrationsgebaudes Gro p sna Als Ergebnis aus den Simulationen erh lt man die A posteriori Verteilung der Parameterwerte In diesem Beispiel betr gt die wahrscheinlichste W rmeleitf higkeit R 2 15 m2K W und die wahrscheinlichste Bauteildicke C 0 4 m was dem realen Eigenschaften der Bauteile entspricht In Abbildung 66 und Abbildung 67 sind die A posteriori Histogramme dargestellt Fraunhofer ISE 05 07 2011 Seite 154 Modellbasierte Methoden fur Fehlererkennung und Optimierung 141 Y T rd 104 AjlsUe nasu 1 Abbildung 66 Dreidimensionales Histogramm der Parameterbestimmung Seite 155 Fraunhofer ISE 05 07 2011 Modellbasierte Methoden fur Fehlererkennung und Optimierung oO 0 37 036 038 04 0 41 0 42 O43 O44 045 0 48 G Abbildung 67 Histogramme der Parameterbestimmung Die A posteriori Wahrscheinlichkeitsverteilung enth lt viele Informationen bez glich des Kalibrierungsproblems In Abbildung 68 ist diese A posteriori Wahrscheinlichkeitsverteilung als Funktion der Wanddicke und der Leitf higkeit dargestellt Fraunhofer ISE 05 07 2011 Seite 156 Modellbasierte Methoden fur Fehlererkennung und Optimierung O 08 07 oos en 0 01 Abbildung 68 A posteriori Wahrscheinlichkeitsverteilung der Parameterbestimmung Stellt man die dreidimensionale Abbildung in zwei Dimensionen dar erh lt man eine Niveaulinienverteilung Ab
232. le Als Gray Box Modelle werden Misch bzw Ubergangsformen von White Box und Black Box Modellen bezeichnet Allerdings existieren in der Literatur verschiedene Definitionen wobei die folgende am h ufigsten anzutreffen ist e Definition 1 Art der Parameter Gray Box Modelle zeichnen sich dadurch aus dass sie sowohl physikalisch bedeutsame als auch physikalisch nicht bedeutsame Parameter besitzen 13 18 e Definition 2 Bestimmung der Parameter Gray Box Modelle zeichnen sich dadurch aus das ihr Parameter ganz oder teilweise auf Grundlage von Messdaten des realen Systems ermittelt werden 14 1 Definition 2 definiert keine Art von Modell sondern vielmehr die Art der Bestimmung der Parameter eines Modells Diese entspricht wiederum der Definition des inverse modelings aus Abschnitt 4 2 1 Da im Bereich Fehlererkennung und Optimierung Modelle jedoch grundsatzlich in einem inversen Verfahren verwendet werden bietet Definition 2 kein geeignetes Unterscheidungsmerkmal Fur diesen Bericht wird daher Definition 1 gewahlt Weiterhin soll noch erw hnt werden dass in der Literatur h ufig auch der Begriff Hybridmodell auftaucht der jedoch nicht einheitlich verwendet wird und zur Bezeichnung von Mischungen von Modellen oder auch Verfahren aller Art dient Gray Box Modelle k nnen f r einzelne Komponenten entwickelt werden oder aber sie ergeben sich aus der Kombination von White Box und Black Box Modellen zu einem gr eren Gesamtsys
233. leich Liefert 1 falls der linke Ausdruck gr er ist als der rechte Sonst 0 Ist der Wert eines der Ausdr cke gt 0 5 und lt 0 5 liefert der AND Vergleich 0 Sonst 1 Ist der Wert nur eines der Ausdr cke gt 0 5 und lt 0 5 liefert der NOR Vergleich 1 Sonst 0 Ist der Wert beider Ausdr cke gt 0 5 und lt 0 5 liefert der OR Vergleich 0 Sonst 1 EEE EEE Kleiner Vergleich Liefert 1 falls der linke Ausdruck kleiner ist als der rechte Sonst 0 11 4 Adaptive Heizungsregelung Im Kap 8 10 9 haben wir auf die Abweichungen zwischen Bedarf und Verbrauch beim Geb ude in Gro p sna hingewiesen und als ihre Ursache Fehler in der Regelung der Heizanlage identifiziert Als L sungsvorschlag haben wir das Konzept der adaptiven Heizungsregelung entwickelt Es ist eine spezielle Version der modellbasierten Betriebsoptimierung die insbesondere auch auf existierende Heizanlagen angewandt werden kann Heizungsanlagen werden blicherweise in Abh ngigkeit von der Au entemperatur gesteuert unabh ngig davon ob die bereitgestellte W rme von den Nutzern berhaupt gebraucht wird Unn tig bereitgestellte Energie verursacht jedoch unn tige Kosten Mit dem ennovatis Energiemanagement l st man dieses Problem auf elegante Weise Die Smartbox steuert die Vorlauftemperatur automatisch nach zwei Parametern dem tats chlichen Bedarf und der Au entemperatur Steigt der Bedarf steigt auch die Vorlauftemperatur sinkt der Bedarf sinkt auch die
234. lentlatt werden die Eigenschaften der Zonen zusammengestellt Abschnitt Geometrie Da in unserem Projekt die Geomeine der Zonen mit den Werkzeugen won ennovatis als 30 Modell aufgenommen wird werden detaillierte Flachbenangaben hier nicht explizit erw hnt Allerings findet sich im ersten Abschnitt zur bersicht eine grobe Zusammenstellung der wachtigsten geometrischen Daten Abschnitt Nutzung Anforderung Hier werden die Daten zu internen Lasten Sollwerten der Raumluft Warmwasserbedarf und Sonnenschutz der jeweiligen Zonen eingetragen Abschnitt Anlagentechnik in der Zone Hier werden Angaben zur Anlagentechnik in der Zone d h zu den bergabesystemen gesammelt Dies betii Beleuchtung Warme und K lte bergabe sowie L ftung Abschnitt Fl chen optional Eine Zusammenstellung der Fl chen der zonen Da wie oben erwahnt die Aufnahme der Geomeine mit dem 2D tool von ennowafis erfolgt ist ein Ausf llen nicht unbedingt notwendig Modben_checkliste_stufe_2 xls bersicht Seite 1 von 3 22 12 2010 Fraunhofer ISE 05 07 2011 Anhang Seite XXVIII Modellbasierte Methoden fur Fehlererkennung und Optimierung Fraunhofer ISE ModBen HE EHE ME Datenerfassung Stufe 2 BM od B e n EHEH HE Anleitung Abschnitt W rmeschutz optional Eine Zusammenstellung der U Werte der Bauteile Die Berechnung der U Werte erfolgt jedoch wiederum mitz dem tool von enovwat s auf Grundlage der Daien aus dem Blatt Bauteile Ta
235. lererkennung und Optimierung Weitere Schnittstellen k nnen je nach Anforderung durch das offene und anpassungsf hige Schnittstellensystem innerhalb weniger Tage zur Verf gung gestellt werden Die wichtigsten Merkmale des Systems in Stichworten o Herstellerunabh ngig Parallele Datenaktualisierung integrierte Schnittstellenverwaltung Hoch performante sowie effiziente Messdatenarchivierung o Frei definierbare Messdatenverdichtung o k und konfigurierbare Einheitenumrechnung auch zeitabh ngiger Groben Integrierte Mittelwertbildung Mehrbenutzertahig e Komponentenbasiert Die Messdaten aus den verschiedenen Energiemengenzahlern Strom Warme Kalte Wasser werden bei dieser Installation von Datenloggern aufgenommen und in regelmaBigen Intervallen aufgezeichnet Per Modem oder einer Ethernet Verkabelung werden die aufgezeichneten Daten zu einer Energiemanagement Zentrale EMS bertragen Hier werden sie berpr ft und im ennovatis Controlling Archiv gespeichert Der gespeicherte Datenbestand kann anschlie end ber verschiedene Auswertungen in eine f r den Benutzer brauchbar 8 10 4 Vom Sensor zur Auswertung Das nachfolgende Datenflussdiagramm zeigt den Weg vom Messwertaufnehmer Sensor ber die einzelnen Hard und Softwarestationen bis hin zum Auswerteprogramm rechte Seite in Abbildung 84 Fraunhofer ISE 05 07 2011 Seite 176 Modellbasierte Methoden fur Fehlererkennung und Optimierung Telefonleitung
236. lgenden Abschnitt wird gezeigt wie das Bayestheorem f r eine Parametersch tzung an einem einfachen Beispiel eingesetzt werden kann F r diese Parametersch tzung sind zwei Voraussetzungen notwendig ein Gebaudemodell und Messdaten von dem Geb ude Diese Prozedur kann f r alle Modellparameter durchgef hrt werden die f r die FED Anwendung interessant sind F r diese Erl uterung wird ein einfaches Beispiel gew hlt der untersuchte Parameter ist die Wanddicke bzw die Leitf higkeit der Wand An diesem Beispiel wird gezeigt wie das Bayestheorem verwendet werden kann um diese beiden Parameter des Gebaudemodells an die Messdaten zu kalibrieren D h welche Werte der Parameter sind die wahrscheinlichsten unter den gegebenen Messdaten Klimadaten und Geb udetemperatur Bayes sche Parameter Sch tzung Viele Hypothesen sind m glich und es k nnen Inferenzen mit einem parametrierten Modell gemacht werden Die Parameter k nnen sowohl diskret als auch kontinuierlich sein Als Beispiel wird ein einzelner Parameter verwendet Fur das Sch tzproblem wird angenommen dass das Modell f r einen unbekannten Parameterwert richtig ist Die Hypothesen Menge ist daher die Menge aller Werte die dieser Parameter annehmen darf Die Messdaten sind so dass Inferenzen ber den Parameter vorgenommen werden k nnen und es sind Wahrscheinlichkeitsverteilungen f r jeden Wert von 8 gegeben Fraunhofer ISE 05 07 2011 Seite 148 Modellbasierte Methoden fur F
237. lls genannt vergleiche z B 11 Bei der Modellerstellung k nnen bez glich der Art der Spezifikation der Parameter prinzipiell zwei Methoden unterschieden werden die im englischen Sprachraum als forward bzw inverse modeling bezeichnet werden 12 e forward modeling Mit dem Begriff forward modeling wird eine Methode der Modellerstellung bezeichnet die von der Annahme ausgeht dass alle notwendigen Modellparameter a priori hinreichend genau bekannt sind um ein realistisches Abbild des realen Systems zu erstellen Diese Annahme ist f r die meisten Modelle von realen Systemen nur f r einen Teil der Parameter zutreffend Daher beschr nkt sich der Einsatz diese Art der Modellerstellung meist auf die Planungsphase von neuen Systemen f r die keine Messwerte zur Anpassung des Modells zur Verf gung stehen Die Bezeichnung forward vorw rts soll dies zum Ausdruck bringen keine R ckkopplung von Messwerten Beim forward modeling wird meist mit Modellen gearbeitet die auf physikalischen Grundprinzipien beruhen und daher Parameter wie z B Stoffkennwerte enthalten die hinreichend genau bekannt sind e inverse modeling Beim inverse modeling werden im Gegensatz zum forward modeling ein Teil oder sogar alle Parameter mit Hilfe von Messdaten der Ein und Ausgangsgr en des Systems gesch tzt Diese Sch tzung kann manuell oder automatisiert erfolgen und hat zum Ziel die berechneten Ausgangsgr en des Mode
238. lls m glichst gut mit den gemessenen Werten des Systems in bereinstimmung zu bringen Dieser Vorgang wird auch als Kalibrierung des Modells bezeichnet In der Regel eignen sich nur einfache Modelle f r eine vollst ndige Bestimmung der Parameter ber inverse Verfahren Dies trifft insbesondere auf Modelle zu bei denen eine automatisierte Parametersch tzung zum Einsatz kommen soll Hier wird h ufig mit so genannten Black Box Modellen gearbeitet die keine physikalisch bedeutsamen Parameter besitzen siehe Abschnitt 4 2 3 In der Praxis bzw in wissenschaftlichen Untersuchungen findet man h ufig eine Mischung der beiden genannten Methoden vor Viele Modelle enthalten sowohl Parameter die aufgrund der Systemkenntnis des Analysten hinreichend genau bestimmt werden k nnen forward als auch solche die nur mit Hilfe von Messdaten bestimmt werden k nnen inverse Ein typisches Beispiel f r Parameter die bei Geb uden mit forward modeling bestimmt werden stellen W rmeleitf higkeiten von Bauteilen wie Au enw nden oder Dach dar Ein Beispiel f r Parameter die mit inverse modeling gesch tzt werden k nnen ist die effektive Geb udemasse F r Modelle die zur Fehlererkennung und Optimierung eingesetzt werden sollen ist eine Kalibrierung unerl sslich um verl ssliche Aussagen ber das Verhalten des realen Systems treffen zu k nnen Insofern wird im Bereich Fehlererkennung und Optimierung immer zumindest f r Teilbere
239. llung des Simulationsmodells Bildschirmausschnitt IDA ICE Neben den detaillierten Modellen von Geb ude und Anlage k nnen auch beliebige Modelle selbst erstellt werden Um gezielt die Rechenzeit zu reduzieren und so die Anwendbarkeit von Optimierungsalgorithmen zu verbessern wurde im Rahmen des Projekts die Simple Hourly Method SHM nach der ISO 13790 Energy performance of buildings Calculation of energy use for space heating and cooling implementiert Ein Vorteil dieses Modells ist seine einfache Struktur die Einbindung in die Europ ische Normenwelt und dass die erforderlichen Simulationsparameter gr tenteils aus der Zertifizierung nach DIN V 18599 entnommen werden k nnen Aus diesen Gr nden wurde dieses Modell zur Vereinfachung herangezogen Das Modell l sst sich als Netzwerk aus f nf Widerstanden und einer Kapazit t darstellen Das Modell enth lt drei so genannte Knotenpunkte die idealisiert mittlere Luft Oberfl chen und Bauteilmassetemperaturen der Zone repr sentieren Diese Knotenpunkte sind ber Widerst nde die mittels Transmissionskoeffizienten Hy beschrieben werden miteinander verbunden 43 Bezeichnung der Ansicht innerhalb von IDA ICE Fraunhofer ISE 05 07 2011 Seite 161 Modellbasierte Methoden fur Fehlererkennung und Optimierung Puc O sup O ir D 0 la E E a s Pint sol Pm Abbildung 72 Aufbau der Simple Hourly Method berarbeitete Darstellung nach ISO 13790 2008 S 93 Zu
240. lt werden Kann nach Inbetriebnahme und w hrend der gesamten Lebensdauer des Kessels aus Messungen gefolgert werden ob der Wirkungsgrad mit dem Originalwert immer noch bereinstimmt Ist der Kesselbetrieb mit Fehlern behaftet weil aus den Daten der R ckschluss gezogen werden kann dass sein Wirkungsgrad nun nur 50 betr gt Das Ziel ist Messwerte in einem modellbasierten Ansatz zu verwenden um r ckschlie en zu k nnen was die wahrscheinlichste Erkl rung f r die Messwerte darstellt Fehlerdiagnose Dieser Ansatz kann als hybrid benannt werden da er sich weder aus rein empirischen noch rein deterministischen Methoden bedient Die probabilistische Theorie ist eine eindeutige Herangehensweise um mit Unsicherheiten umzugehen Jedoch ist der traditionelle frequentistische Wahrscheinlichkeitsbegriff welcher die langfristige relative H ufigkeit von Ereignissen ber cksichtigt aufgrund von zwei Hauptschw chen in realen komplexen Geb udeenergiesystemen nur begrenzt anzuwenden 1 Messungen aus Geb uden stammen nie aus dem gleichen station ren Betrieb mit kontrollierten Randbedingungen und 2 die funktionale Beziehung zwischen den Messungen verlangt geeignete statistische Kenngr e um die Wahrscheinlichkeit eines Ereignisses zu bestimmen Der Bayes sche Wahrscheinlichkeitsbegriff stellt eine schl ssige Alternative dar die sich direkt aus der axiomatische Mengenlehre herleitet und daher auf einer rein logischen und mathematischen Hera
241. m Komponenten wie Erzeuger Speicher Verteilung etc oder auch auf Ebene des Gesamtgeb udes implementiert werden Je nach Anwendungsebene ergeben sich unterschiedliche Herangehensweisen Im Idealfall w rden sich die Anwendungsebenen erg nzen so dass sowohl eine berwachung einzelner Komponenten als auch eine bergeordnete Gesamt Effizienz und Komfort berwachung erfolgt Von diesem Stand ist die aktuelle Situation jedoch weit entfernt Die meisten Methoden zur FED wurden bislang f r einzelne Komponenten entwickelt bei denen Konstruktion und thermodynamisches Verhalten bekannt sind siehe 2 Anhand von einzelnen bekannten Fehlern z B K hlmittelverlust bei K ltemaschinen werden spezielle FED Methoden erstellt Diese genaue Systemkenntnis ist typisch f r FED auf Komponentenebene und unterscheidet sie prinzipiell von der auf System oder Gebaudeebene Auf System oder Gebaudeebene sind Systemstruktur und Einflussgr en oft nicht vollstandig bekannt man denke etwa an den Einfluss des Nutzerverhaltens auf den Energieverbrauch eines Gebaudes Eine genaue Abbildung des Systems oder einzelner Fehler ist nur eingeschr nkt m glich Oft wird daher mit Visualisierungstechniken oder statistischen Methoden Modellen gearbeitet die eine Fehlererkennung im Sinne einer Ausrei erdetektion erlauben Die Fehlerdiagnose erfolgt bei zunehmender Komplexit t des Systems oft manuell durch den Analysten Aus Sicht der Praxis ist es insbesondere
242. m den fehlerfreien oder gar optimalen Betrieb eines Geb udes zu berwachen und aufrechtzuerhalten m ssen zahlreiche Signale in ihrem zeitlichen Verlauf und ihrer gegenseitigen Abh ngigkeit beobachtet und ausgewertet werden z B Energie Betriebszeiten Systemtemperaturen etc F r komplexere Geb ude summiert sich die Anzahl der Signale z B entsprechend des Mindestdatensatzes gem 7 2 leicht auf mehrere hundert aut In der Praxis findet diese berwachung h ufig nur manuell durch das Betriebspersonal statt indem Anlagen regelm ig kontrolliert und Betriebszust nde stichpunktartig berpr ft werden Die Ergebnisse aus den Demonstrationsgeb uden zeigen dass dieses Vorgehen offensichtlich nicht ausreicht um alle Einsparpotenziale zu erkennen Fehlbetrieb bleibt oft unentdeckt oder wird mit gro er zeitlicher Verz gerung erkannt Fur den Geb udebetrieb ist die M glichkeit einer automatischen und zeitnahen Erkennung von ungew hnlichen bzw fehlerhaften Betriebszust nden daher u erst interessant Wie bereits in 4 2 beschrieben sind Black Box Modelle gut zur Mustererkennung und Detektion von Ausrei ern geeignet Insbesondere die automatische Anpassung der Parameter Kalibrierung und der somit geringe Erstellungsaufwand stellen einen gro en Vorteil gegen ber White Box Modellen dar Die durch den Black Box Charakter geringen Analysef higkeiten der Modelle sind zwar nachteilig Andererseits besitzen diese Modelle ein hohe
243. m einen Zielwert zu ermitteln Voraussetzung hierbei ist die Verf gbarkeit eines gen gend genauen Modells des Systems das beurteilt werden soll sowie Messwerte aller Randbedingungen und Eingangsgr en des Modells In der Regel ist dieses Fraunhofer ISE 05 07 2011 Seite 78 Modellbasierte Methoden fur Fehlererkennung und Optimierung Verfahren sehr aufwendig und erfordert eine genaue und individuelle ingenieurm ige Untersuchung e Herstellerangaben Im Falle von einzelnen Anlagenkomponenten vor allem Im Bereich der Energieerzeugung k nnen Herstellerdaten z B f r die Effizienz einer Komponente verwendet werden 7 4 Messdatenerfassung Die Messdaten aller Demonstrationsgeb ude wurden via internet zum Fraunhofer ISE bertragen Dort wurden sie zun chst mit Hilfe des Systems von ennovatis erfasst und gespeichert F r die weitere Datenanalyse wurden die Rohdaten auf einen Datenserver des Fraunhofer ISE bertragen auf dem das Werkzeug datastorage installiert ist Demo Geb ude 1 ennovatis Firewall og server gt Demo Gebaude 2 tis F irewal a H s martbox Demo Geb ude 3 internet GLT Firewall Datenbank gt L F file Abbildung 27 Schematische Darstellung der Daten bertragung Fraunhofer ISE 05 07 2011 ISE Fraunhofer ISE Firewall ennovatis client Anbindung ber das Hausnetz des Demogeb udes Transfer des Mindestumfangs an Messdaten mind St ndliche Aufl sung Aktualisi
244. me Verwendete Kurzform der Bemerkung Polynom Modellstruktur B FIR Finite Impulse Response AB ARX AutoRegressive with eXtra input ABC ARMAX AutoRegressive with Moving Average and extra input AC ARMA AutoRegressive with Moving Average BF OE Output Error BFCD BJ Box Jenkins Die Bezeichnung autoregressive bezieht sich dabei auf die Einbeziehung von vorangegangenen Messwerten der Ausgangsgr e in das Modell w hrend sich moving average auf die Behandlung der St rgr e bezieht Abbildung 9 Struktur eines ARX Modells Im Allgemeinen wird zur Parametersch tzung f r Modelle dieser Art einfache und erprobte Methoden verwendet lineare Regression Methode der kleinsten Fehlerquadrate englisch least squares LS Dabei wird angenommen dass die St rgr e eine normalverteilte Variable mit Mittelwert O ist Falls die Modellstruktur so gew hlt wurde dass das reale System damit abgebildet werden kann k nnen Transterfunktionen Modelle einfach identifiziert werden und sind dar ber hinaus numerisch unaufwendig Es lassen sich damit auch online Modelle erstellen die w hrend des Betriebs eines Systems st ndig aktualisiert werden Rekursive Modelle adaptive Modelle Allerdings bleiben diese Modelle auf lineare zeitinvariante Systeme beschr nkt Da der reale Geb udebetrieb jedoch meist zeitvariant und nicht linear ist ist der Nutzen dieser Modelle eingeschr nkt Eine bliche Anwendung ist die Modellierung des W
245. mein und f r ein einfaches Beispiel Nein Als Modelle werden im Rahmen dieses Berichts mathematische Abbildungen eines realen Systems bezeichnet die in der Lage sind quantitative Aussagen ber das Verhalten des Systems zu liefern Als Beispiel hierf r kann die DIN 18599 dienen die ein Modell f r den Energiebedarf von Geb uden und f r die Effizienz von dessen Bereitstellung darstellt Fraunhofer ISE 05 07 2011 Seite 15 4 1 Modellbasierte Methoden fur Fehlererkennung und Optimierung Modelle sind fur die Fehlererkennung und Optimierung bei technischen Systemen von au erordentlichem Interesse da sie systemspezifische Vergleichswerte f r normales Verhalten oder die erforderlichen Systemparameter f r optimales Verhalten des Systems liefern k nnen Die folgenden Abschnitte gehen n her auf die Einsatzgebiete und Auspr gungen von Modellen im Gebaudebereich ein Unterscheidung FED und Optimierung Um die m glichen Einsatzgebiete von Modellen n her untersuchen zu k nnen m ssen zun chst die Teilprozesse Fehlererkennung und Optimierung weiter differenziert werden Die Fehlererkennung und diagnose wird im englischsprachigen Raum als Fault Detection and Diagnosis bezeichnet FDD und wird in diesem Bericht als FED abgek rzt 4 1 1 Fehlererkennung und Diagnose FED Fehler sind Zust nde oder Ereignisse im Geb udebetrieb die ein gleichzeitiges Erreichen von behaglichem Raumklima und dessen energieeffizi
246. ment Abbildung 83 Grundstruktur und Anwendungsbereiche der ennovatis Software Mit der ennovatis Software wird ein System zur Verf gung gestellt mit dem die Bereiche Geb udesimulation Anlagensimulation sowie die Betriebs berwachung und Optimierung in einem durchg ngigen System integriert werden Die Planning Version umfasst die Bereiche Geb ude und Anlagensimulation die Controlling Version die Betriebs berwachung sowie die Betriebsoptimierung Die Aufgaben von ennovatis Controlling liegen in der Erfassung Speicherung und Vorverarbeitung von Messdaten jeder Art Die Vorteile dieses Systems liegen in seiner Offenheit COM sowie in seiner Skalierbarkeit Mit Hilfe von ennovatis Controlling lassen sich beliebige Messdaten von unterschiedlichsten Sensoren und Typen Stromzahler Temperaturmessger te GLT Systeme erfassen und verwalten Das ennovatis Controlling ist Hersteller unabh ngig Die Kommunikation zu einer Messanlage DDC Anlage GLT Rechner Datenlogger oder sonstigen Datenquellen bernehmen Treiber Folgende Typen werden vom ennovatis Controlling direkt unterst tzt e OPC Anbindung an die GA verschiedener Hersteller e M Bus alle Hersteller alle Ger te nach DIN EN 13757 2 3 e Text basierte Dateien z B CSV DBase Ill e OleDB z B SQL Server Oracle e Verschiedene Datenlogger e ennovatis Smartbox Fraunhofer ISE 05 07 2011 Seite 175 Modellbasierte Methoden fur Feh
247. meter sollen einer bestimmten Menge angeh ren z B nat rliche Zahlen Optimierungs und Fittmethoden werden inzwischen vielf ltig angewendet z B in Ingenieurwissenschaften Statistik Physik Wirtschaft Im Folgenden werden zun chst Optimierungsmethoden die im Geb udebereich angewendet werden erl utert Danach wird deren Anwendung im Gebaudebereich dargestellt Optimierungsmethoden Zun chst muss eine geeignete Methode zur Ermittlung der Zielfunktion z B Energieverbrauch gefunden werden Dar ber hinaus m ssen Rand bzw Nebenbedingungen eingehalten werden z B muss die prinzipielle Funktionalit t des Geb udes gew hrleistet sein d h bestimmte Temperatur Beleuchtungs Bel ftungsverh ltnisse u v m m ssen sichergestellt werden In Geb uden sind meist verschiedene Energietr ger anzutreffen deren Gewichtung in der Gesamtenergieoptimierung festgelegt werden muss Als Gesamtenergiegr e eignen sich z B die Prim renergie oder die Energiekosten beides h ngt vom jeweiligen Geb ude und Geb udeumfeld ab 44 Bei diesen Optimierungsaufgaben handelt es sich um Minimierungsprobleme da das Minimum der Zielfunktion gesucht wird Der Aufwand zur L sung von Optimierungsproblemen ist stark abh ngig von den Eigenschaften Form der Zielfunktion F r stetig differenzierbare Zielfunktionen existiert eine Reihe von Standardverfahren zur Optimierung die eine einfache und Fraunhofer ISE 05 07 2011 Seite 55 Modellbasi
248. mung der Dicke und Leitf higkeit der Au enw nde Prinzipiell ist das Verfahren auch f r die gleichzeitige Ermittlung von mehr als zwei Parametern geeignet Die Temperaturantwort eines typischen Tages ist in Abbildung 64 dargestellt Das Ziel ist die Bestimmung jener Werte der zwei Parameter die die Temperaturantwort mit der h chsten Wahrscheinlichkeit erkl ren Die Wahrscheinlichkeit der gemessenen Temperaturantwort wurde zu jedem Zeitschritt bestimmt Die Gesamtwahrscheinlichkeit wurde durch die Multiplikation der einzelnen Wahrscheinlichkeiten ermittelt Ziel war es die gesamte Temperaturantwort richtig zu bestimmen da so die Parameter mit der h chsten Wahrscheinlichkeit ermittelt werden k nnen Fraunhofer ISE 05 07 2011 Seite 153 Modellbasierte Methoden fur Fehlererkennung und Optimierung Temperature Abbildung 64 Probabilistische Temperaturantwort des Demonstrationsgebaudes Gro p sna Um den gesamten Parameterraum zu untersuchen war es n tig eine Markow Ketten Monte Carlo Simulation durchzuf hren Die Abbildung 65 stellt den Verlauf dieser Simulation dar Auf der x Achse sind die Simulationsdurchl ufe aufgetragen und die y Achse zeigt einmal die W rmeleitf higkeit R m K W und einmal die Bauteildicke C m Insgesamt sind lediglich 2500 Durchlaute der Monte Carlo Simulation dargestellt 3 5 a 25 1 5 500 1000 1500 2000 2500 0 46 0 44 0 42 0 4 0 38 0 36 500 1000 1500 2000 2500 Abbi
249. muss die Benutzerkontensteuerung deaktiviert sein o F r Server ab 2003 ab ServicePack 2 Subdomain f r die Controlling Systemebene die keine Vererbung aus der Hauptdomain beinhaltet e Verf gbarkeit o Ennovatis Controlling ist im Rahmen von F amp E Projekten des Bundes frei verf gbar Fraunhofer ISE 05 07 2011 Seite 182 Modellbasierte Methoden fur Fehlererkennung und Optimierung 8 10 9 Beispiel Evaluation in den Demonstrationsgebauden Die Validierung unseres Ansatzes erfolgte am Beispiel des ennovatis Geb udes in Gro p sna siehe Kapitel 8 1 2 e Schritt 1 Vergleich mit Rechnungen des FhG ISE FhG ISE hat f r ModBen als Basisversion ein statistisches Verfahren siehe 8 9 vorgeschlagen Es basiert auf einer Analyse der Verbrauchsdaten durch Signaturen Scatterplots und der Erstellung von Regressionsgeraden bei denen die Datenanpassung nach Typtagen unterschieden und durch Setpunkte unterbrochen wird In Abbildung 89 sind 4 verschiedene Betriebszust nde sichtbar Typisierung Werktage und Wochenende Change Points mit Abschaltung im Sommer ca 15 C Darauf aufbauend werden dann Regressionen bestimmt mit deren Hilfe man aus den Au entemperaturen auf den Bedarf schlie en kann Cp N gt e Werktage x Wochenende oo Durchschnittliche Tageswerte Py IN AuBentemperatur in C Abbildung 89 Typische Darstellung der Ausgangsdaten fur das Basisverfahren In den Abbildung 90 und Abbildung
250. n Trainingsdaten im Bereich von 5 7 Monaten liegt Insbesondere bei signifikanten nderungen des Betriebs und der dann notwendigen Re Kalibrierung des Modells erscheinen diese Zeitr ume sehr gro und bei Geb uden die h ufigen nderungen unterliegen nicht angemessen Hier sind weitere Verbesserungen und Entwicklungen notwendig um auch bei h ufigen Betriebs nderungen eine zeitnahe und zuverl ssige Ausrei erdetektion zu gew hrleisten Fraunhofer ISE 05 07 2011 Seite 173 Modellbasierte Methoden fur Fehlererkennung und Optimierung 8 10 Kontinuierliche Betriebsanalyse mit den Werkzeugen von ennovatis In diesem Abschnitt wird der Ansatz von ennovatis beschrieben wie er im Projekt verfolgt und weiterentwickelt wurde 8 10 1 Begr ndung f r den Ansatz Der Ansatz von ennovatis realisiert in der Software ennovatis controlling Smartbox Manager und verschiedenen Simulationssystemen unterscheidet sich von den bisher beschriebenen Ans tzen vor allem dadurch dass er e ganzheitlich ist also alle Phasen des Geb udelebenszyklus umfasst e als Datenquellen sowohl Daten aus der Messdatenerfassung als auch aus der Geb ude und Anlagensimulation zul sst e professionell betrieben und daher auch kontinuierlich weiterentwickelt wird Dies erfordert es alle bisher in diesem Kapitel diskutierten Stufen in einem einheitlichen System zu integrieren Dies erfolgt komponentenbasiert Alle Komponenten kommunizieren ber ein zentrales Date
251. n Performance of Buildings Directive Fehlererkennung und Diagnose Gebaudeautomation Kompressionsk ltemaschine Raumlufttechnische Anlage Anhang Seite Il 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Modellbasierte Methoden f r Fehlererkennung und Optimierung B Literatur S Katipamula and M R Brambley Methods for fault detection diagnostics and prognostics for building systems A review part I HVAC amp R Research vol 11 2005 p 3 25 S Katipamula Methods for fault detection diagnostics and prognostics for building systems A review part I HVAC amp R Research vol 11 2005 p 169 187 M Liu D E Claridge and W Turner Continuous Commissioning Guidebook Maximizing Building Energy Efficiency and Comfort 2002 D C J C Visier J Lebrun Commissioning tools for improved energy performance Results of IEA ECBCS ANNEX 40 2004 J Hyv rinen and S K rki Building optimization and fault diagnosis source book 1996 A Dexter and J Pakanen Demonstrating automated fault detection and diagnosis methods in real buildings Espoo VTT Building Technology 2001 S Katipamula Methods for fault detection diagnostics and prognostics for building systems A review part I HVAC amp R Research vol 11 2005 p 169 187 M Wetter Simulation based building energy optimization Citeseer 2004 D E Claridge U
252. n eingesetzt Als wahrscheinliche Ursache konnte ein Fraunhofer ISE 05 07 2011 Seite 189 Modellbasierte Methoden fur Fehlererkennung und Optimierung mangelhafter hydraulischer Abgleich bei Heizk rpern in WCs identifiziert werden in denen sehr h ufig das Fenster gekippt ist 9 1 3 M gliche Realisierte Verbesserungs und Einsparpotenziale Verschiedene Methoden haben gezeigt dass durch eine geeignete Realisierung einer Heizungsabschaltung nachts und am Wochenende ca 10 eingespart werden k nnten siehe oben Die Abschaltung konnte mit der bestehenden Heizungsregelung jedoch nicht realisiert werden Ennovatis hat daher im Zuge der Verwertung der Erkenntnisse aus dem Projekt eine adaptive Heizungsregelung entwickelt Dar ber und die damit erzielten Ergebnisse wird im Kap 11 4 berichtet Eine Absch tzung des Einsparpotentials durch einen hydraulischen Abgleich hat sich als wirtschaftlich unrentabel erwiesen Auf die Umsetzung dieser Ma nahme wurde daher verzichtet 9 2 DVZ Barnim Die u erst komplexe haustechnische Anlage des DVZ Barnim in Verbindung mit organisatorischen Schwierigkeiten die sich z T aus dem schwierigen Verh ltnis des Bauherrn mit dem Planer ergaben haben die Analyse des Geb udes erschwert Hinzu kam dass die bergabesysteme f r W rme und K lte z T unterdimensioniert sind so dass die Anlagen durch de Betreiber teilweise weitab des geplanten Sollbetriebs gefahren wurden um den thermischen Komf
253. n von Anlagen ist dies z B zwingend notwendig Weiterhin wurde ein Schema zur einheitlichen Datenbezeichnung erarbeitet dass eine hierarchische Strukturierung der Datenpunkte des minimalen Datensatzes erm glicht Die einheitliche Datenpunktbezeichnung beinhaltet folgende Kategorien e Geb ude e Zone e System e Subsystem e Subsystem2 e Medium Fraunhofer ISE 05 07 2011 Seite 100 Modellbasierte Methoden fur Fehlererkennung und Optimierung e Position e Datenpunktart e Sensor Fur jede dieser Kategorien wurden Inhalte und entsprechende Abk rzungen definiert Die Vorlauftemperatur in einem Heizkreis kann somit z B folgende Bezeichnung erhalten Building1_GF_WC H_ _ _HW_SUP_MEA_T GF Ground floor WC H Water Circuit for heating HW hot water SUP supply pipe MEA measured value Aufgrund der Vereinheitlichung und hierarchischen Struktur k nnen somit Algorithmen entwickelt werden die selbstst ndig die notwendigen Datenpunkte identifizieren Damit ist die Grundlage f r eine weitreichende Automatisierung in der Analyse geschaffen 8 4 3 Implementierung Die Implementierung des Werkzeugs erfolgte auf Basis der Open Source Skriptsprache python www python org Die Messdaten werden im HDF5 Format abgelegt Hierarchical Data Format Eine ausf hrliche Dokumentation inklusive der M glichkeit des Downloads des Quellcodes findet sich im Internet datastorage wird skripbasiert verwendet d h es existiert keine gra
254. nannten konjugierten Gradienten Verfahren engl conjugant gradient CG die allerdings nur in Bereichen mit positiv definiter Hesse Matrix anwendbar sind Numerisch noch etwas g nstiger sind Verfahren mit Vorkonditionierung engl preconditioned conjugant gradient PCG Bei mindestens zweimal stetig differenzierbaren Funktionen zeichnen sich die Newton Verfahren durch hohe Konvergenzgeschwindigkeiten aus Bei Zielfunktionen mit unbekannten analytischen Eigenschaften ist es sinnvoll zun chst zu testen ob ein Newton Verfahren konvergiert of of of OX OX OX XX OX OX of of of 33 Hesse Matrix H X OX 6x 0x X X af of arf 0X 0X 0X 0X 0X 0X 34 bei Gebaudesimulationen h ufig Fraunhofer ISE 05 07 2011 Seite 64 Modellbasierte Methoden fur Fehlererkennung und Optimierung 6 1 6 Weitere Optimierungsverfahren Eine weitere sehr stabile Gruppe von Optimierungsalgorithmen gehort zu dem so genannten Simulated Annealing engl simuliertes Abk hlen Dieser stochastische Optimierungsalgorithmus Ist geeignet f r globale Optimierungsaufgaben von nicht ditferenzierbare und nicht stetige Funktionen der Algorithmus ist daher f r Gebaudeprobleme geeignet Das Konvergenzverhalten langsamer als gradientenbasierten Methoden In anderen Bereichen mit zum Geb udebereich hnlichen Optimierungsproblemen werden noch eine Vielzahl andere Algorithmen angewendet wie z B sequentielles quadratisches Progr
255. nd der bekannten bzw gesch tzten Parameter die Ausgangsgr en des Systems berechnet werden Die berechneten Ausgangsgr en des Modells werden mit denen des Trainingsdatensatzes verglichen Bei signifikanten Abweichungen m ssen die Parameter angepasst und die Systemantwort damit neu berechnet werden Ist die Abweichung gen gend klein und damit die Modellg te ausreichend kann der Prozess abgebrochen werden U U ist auch eine Anpassung der Modellstruktur notwendig die in der Regel nicht automatisch erfolgen kann Damit steht das kalibrierte Modell f r die Fehlererkennung und Optimierung zur Verf gung In Abh ngigkeit von der Art des Modells der Art und Anzahl der Parameter und der vorhandenen Messdaten kann die Anpassung der Parameter automatisiert oder manuell erfolgen siehe folgende Abschnitte Zu beachten ist dass die Kalibrierung kein einmaliger Vorgang ist sondern u U wiederholt werden muss sobald sich im System signifikante nderungen ereignen 4 2 2 White Box Modelle White Box Models sind Modelle die auf einer physikalischen Beschreibung der Systeme beruhen und deren Parameter eine physikalische Bedeutung haben Solche Fraunhofer ISE 05 07 2011 Seite 24 Modellbasierte Methoden fur Fehlererkennung und Optimierung Modelle werden deshalb im englischen Sprachraum auch first principal models genannt Zu ihrer Erstellung werden u a die Quellen der klassischen ingenieurm igen Ans tze genutzt Der
256. nd eine falsch ausgelegte Anlage so zu betreiben dass der Komfort sichergestellt wird Obwohl die Energiekennwerte des DVZ Barnim sich in einem akzeptablen Bereich befinden und die Grenzwerte des Programms EnOB einhalten so ist doch festzustellen dass eine Optimierung und weitere Absenkung des Energieverbrauchs m glich ware Durch die Anpassung der Zeitprogramme soweit unter den gegebenen Randbedingungen m glich und Anpassung der Sollwerte bzw Sollkurven f r Heizung und K hlung k nnte eine Verbesserung der Gesamteffizienz der W rme und K lteerzeugung erreicht werden die sich durch k rzere Laufzeiten Erh hung des Direktk hlbetriebs bzw Vermeidung Teillastbetriebs der W rmepumpen zur K hlung Vermeidung gleichzeitigen Heizens und K hlens sowie Verbesserung des Nutzungsgrades der L ftungsw rmer ckgewinnung ergibt Das Einsparpotenzial wurde auf ca 5 000 Euro a abgesch tzt F r weitere Einsparungen und vor allem zur Verbesserung des Komforts m sste allerdings ein Umbau des Verteilsystems erfolgen Ludwig Erhard Haus Berlin Eine detaillierte Analyse auf Basis von Messdaten war im Falle des Ludwig Erhard Hauses leider nicht m glich Die Datenanbindung wurde zwar ber eine Anbindung der Geb udeautomation geschaffen jedoch wurde der Mindestdatensatz gem 7 2 nie komplett bzw nicht in der zeitlich notwendigen Aufl sung geliefert Fraunhofer ISE 05 07 2011 Seite 191 Modellbasierte Methoden fur Fehlererkennung
257. nds Fraunhofer ISE 05 07 2011 Typisches Erscheinungsbild vereinfacht Seite 126 Plots Temperatur differenz Zuluft AT uber AT Temperatur differenz Zuluft Abluft uber AT Temperatur spreizung Wasserseite Kuhlregister uber AT O Modellbasierte Methoden fur Fehlererkennung und Optimierung Hinweise zur Interpretation Typisches Erscheinungsbild Wenn die Zuluft nicht thermisch behandelt ergibt sich f r die Differenz zwischen Zu und Au enlufttemperatur dTsupa outa Muster A Wenn die Zuluft lediglich geheizt wird ergibt sich Muster B wenn sie geheizt und gek hlt wird Muster C Hinweis Wenn die versorgte Zone mehrere bergabesysteme f r Heizung und K hlung besitzt k nnen die Muster in Abh ngigkeit der Regelstrategie und der Deckungsanteile dieser Ubergabesysteme abweichen Grunds tzlich wird die Zuluft geheizt ber Heizregister Warmeruckgewinnung oder auch ber den Ventilator wenn dT positiv ist und gek hlt W rmer ckgewinnung K hlregister oder adiabatische K hlung wenn dT negativ ist Unterschied zwischen Werktagen und Wochentagen hnlich wie bei der Zulufttemperatur k nnen die Muster au erhalb der Anwesenheitszeiten in Abh ngigkeit der Betriebsweise deutlich abweichen Typisches Erscheinungsbild Wenn die Zuluft nicht thermisch behandelt wird zeigt die Temperaturdifferenz zwischen Zu und Abluft dTsupa exha Muster A Wenn die Zuluft lediglich gehe
258. nerfassung Installation Messtechnik ae Fehlererkennung f r Mindestdatensatz und Optimierung Betriebs berwachung Abbildung 1 Schema der allgemeinen Methodik in ModBen Das Hauptaugenmerk bei der Entwicklung lag auf den Schritten 3 und 4 des Verfahrens Kern und Ausgangspunkt der Entwicklungen f r diese Schritte war die Erfassung eines fest definierten Umfangs an Messdaten der aus jedem Geb ude erhoben wurde Auf Grundlage dieses Mindestdatensatzes wurden Methoden und Werkzeuge entwickelt und erprobt Tabelle 1 gibt einen berblick ber die entwickelten Werkzeuge Fraunhofer ISE 05 07 2011 Seite 1 Modellbasierte Methoden fur Fehlererkennung und Optimierung Tabelle 1 bersicht der in ModBen untersuchten Ans tze Analyseschritte Werkzeuge Kapitel 1 Benchmarking Checkliste 1 8 2 2 _ Bestandsdatenerfassung und Checkliste 2 8 3 Ermittlung Zielwert Bestandsaufnahme Zertifizierung ennovatis ENEV 8 3 Zielwert DIN V 18599 3a Fehlererkennung und Diagnose Manuelle Fehlererkennung 8 4 8 5 Datenvisualisierung Simulation ausgew hlter Teilsysteme 8 6 Simulation Gesamtsystem 8 7 3b Optimierung Simulation Gesamtsystem 8 8 4 _ Betriebs berwachung Automatische Ausrei erdetektion 8 9 Anpassung der Werkzeuge der 8 10 ennovatis Einige der Werkzeuge wurden bereits w hrend der Projektlaufzeit vom Industrien partner ennovatis in seine Produkte und Dienstleistungen integriert Andere wieder um konnten nur bis zum
259. ng getragen e Automatisierung der Diagnose sowie die Verkn pfung der Bereiche Technik Organisation Arbeitsteilung Abl ufe und Finanzierung stellt einen wichtigen Schritt in Richtung der Integration der Betriebsoptimierung in den t glichen Betrieb dar Fraunhofer ISE 05 07 2011 Seite 11 Modellbasierte Methoden fur Fehlererkennung und Optimierung 3 Ziele und Struktur von ModBen el Ziele des Projekts Ziel des Projekts ModBen war es praxistaugliche Werkzeuge f r die Analyse und Optimierung des energetischen Geb udebetriebs und dessen zeitnahe berwachung zu entwickeln Im Rahmen des Projekts sollten verschiedene Verfahren zur Betriebsanalyse entwickelt und an 5 Demonstrationsgeb uden erprobt werden Sie sollten einerseits die Randbedingungen der Praxis wie geringe Datengrundlage und Kostenbe schr nkungen ber cksichtigen und andererseits in der Lage sein m gliche Einsparpotenziale zu identifizieren sowie den optimierten Betrieb zu berwachen Dabei sollte ein m glichst hoher Automatisierungsgrad erzielt werden Weiterhin sollten eine Reihe unterschiedlicher Ans tze in Bezug auf die verwendeten Modelle von einfach bis detailliert bzw von Black Box bis White Box untersucht werden Soweit m glich und sinnvoll sollte die Systematik sich auf die DIN V 18599 beziehen die Grundlage der Energieeinsparverordnung EnEV und damit der Ausstellung von Energieausweisen f r Geb ude ist Fraunhofer ISE 05 07 2011
260. ng von Methoden zur Fehlererkennung 17 Isermann teilt die Methoden zun chst nach der Art ein wie die Vergleichswerte f r den Prozess erzeugt werden e Grenzwerte Trends Mit diesen relativ einfachen Verfahren wird gepr ft ob ein ausgew hlter Messwert Signal oder dessen zeitliche Ableitung einen bestimmten Grenzwert verletzen H ufig werden statistische Hilfsmittel wie Mittelwerte verwendet e Signalmodelle H ufig zeigen Signale aus Prozessen ein oszillierendes Verhalten harmonisch oder stochastisch F r diese Signale k nnen Black Box Modelle z B auf Basis von Korrelationsanalysen Fourieranalysen ARMA Modelle oder Waveletanalysen erstellt werden Falls nderungen der Signale mit Fehlern in Verbindung stehen k nnen diese somit detektiert werden Der Unterschied Fraunhofer ISE 05 07 2011 Seite 43 Modellbasierte Methoden fur Fehlererkennung und Optimierung zu Prozessmodellen liegt darin dass meist nur Ausgangssignale jedoch keine Eingangsgr en ber cksichtigt werden e Multivariate Datenanalyse Fur Prozesse die aufgrund ihrer Gr e bzw Komplexit t die Erstellung einer modellbasierten Analyse erschweren k nnen multivariate Datenanalysen wie z B die so genannte Principal Component Analysis PCA verwendet werden Dieses Verfahren eignet sich vor allem bei Prozessen deren Messsignale eine hohe Korrelation zeigen Grundidee der PCA ist es die Dimension des Datenraums zu reduzieren indem aus den bestehenden M
261. ngehensweise basiert um Unsicherheiten zu quantifizieren Die statistische Methoden werden einmalig definiert und die Bayes sche Wahrscheinlichkeitstheorie bietet eine optimale L sung zu Inferenzproblemen Der Bayes sche Wahrscheinlichkeitsbegriff ist lter als der frequentistische Wahrscheinlichkeitsbegriff Moderne Rechner erm glichen erst heute die Anwendung Bayes scher Statistik Parametersch tzungen und Modellvergleiche sind die Schl sselanwendungen f r die Durchf hrung einer modellbasierten Fehlererkennung und Diagnose Im Folgenden werden diese beiden Anwendungen anhand einfacher Beispiele erl utert 8 7 2 Beschreibung Geb udeenergiemodelle werden mittels Parametern beschrieben In einem Gebaudeenergiemodell k nnten die Parameter z B den Kesselwirkungsgrad die Gr e einer PV Anlage eine Au enwandst rke oder die L ftungsrate beschreiben Viele dieser Parameter sind mit einer gewissen Unsicherheit behaftet Mit Bayes scher Fraunhofer ISE 05 07 2011 Seite 144 Modellbasierte Methoden fur Fehlererkennung und Optimierung Inferenz werden Unsicherheiten in diesen Parametern ber cksichtigt und es wird durch tausende Simulationen eine Datenbank erzeugt die dazu verwendet werden kann die Messdaten bez glich des Geb udebetriebs auf Fehler zu untersuchen In Folgendem Abschnitt wird erl utert wie das Bayestheorem hergeleitet wird und wie es auf die beschriebene Fragestellung angewendet werden kann e Die zwei st
262. nisse stichpunktartig benannt ennovatis Gro p sna Da dieses Geb ude von der technischen Ausstattung sehr einfach ist war es einerseits in vielen F llen sehr gut zum Testen von neuen Methoden geeignet aber andererseits konnten hier erwartungsgem nur wenige Verbesserungspotentiale identifiziert werden Dar ber hinaus wurde das Geb ude auch schon vorher durch ennovatis messtechnisch erfasst und berwacht so dass auch schon vor Beginn von ModBen hier hnliche Methoden ausprobiert wurden 9 1 1 Energie und Wasserverbrauch e Hier ist eine eindeutige Nacht bzw Wochenendabsenkung der Vorlauftemperatur des Heizbetriebs zu erkennen Es ist jedoch bereits in den Visualisierungen erkennbar dass auch w hrend des Absenkbetriebs eine nennenswerte W rmemenge an das Geb ude bergeben wird Eine Nacht bzw Wochenendabschaltung erscheint daher empfehlenswert e Der Strombedarf zeigt keine Auff lligkeiten f r ein in dieser Hinsicht weitgehend manuell betriebenes Geb ude Am Strom sowie am Wasserbedarf k nnen Schwankungen der Belegungsdichte ber die Jahre beobachtet werden e Der K hlbetrieb des Serverraums erscheint normal und auf Grund der geringen Gr e weitgehend vernachl ssigbar 9 1 2 Heizkreise e Hier wurde eine auffallend geringe Spreizung zwischen Vor und R cklauftemperatur beobachtet die genauer analysiert wurde siehe oben Dabei wurden sowohl einfache Berechnungen als auch detaillierte Geb udesimulatione
263. nmanagement wobei als zentrales Datenformat die Zeitreihe verwendet wird Zeitreihen k nnen auf alle bisher beschriebenen Weisen dargestellt werden Carpet plots sind in Vorbereitung Die Datenauswertung wird au erdem vom Visual Data Analyser VDA unterst tzt Er erlaubt es Daten in den verschiedensten Kontexten zu analysieren 8 10 2 Beschreibung berblick In den folgenden Abschnitten beschreiben wir die Grundlagen von ennovatis controlling Eine detailliertere Beschreibung findet man im Benutzerhandbuch Stand Dezember 2010 in das auch die Ergebnisse aus diesem Projekt mit eingeflossen sind Wir diskutieren insbesondere die e Die Behandlung von Simulationsdaten Vom Energiebedarf zu Energiekosten e Die Behandlung von Messdaten Vom Sensor zur Auswertung e Das Datenmanagement e Den Datentyp Zeitreihe Datenformat f r Messungen und Simulation e Den Visual Data Analyser 8 10 3 Vom Energiebedarf zu Energiekosten Der rechnergest tzte Planungsprozess linke Seite in Abbildung 83 l sst sich in drei Bereiche strukturieren Die Geb udesimulation die Anlagensimulation und die Betriebs berwachung mit optimierung Fraunhofer ISE 05 07 2011 Seite 174 Modellbasierte Methoden fur Fehlererkennung und Optimierung Ennovatis Energiemanagement Konzept Datenerfassung Geb ude und Anlagen bewerten und optimieren Auditierung Abnahme Betrieb Basis f r Contracting Bass f r EM Enengiemanagement Facility Manage
264. ntstehen die den Bauherren nicht immer zu vermitteln sind und deren Wirtschaftlichkeit im Einzelfall auch sicher kritisch ist Weitere Informationen zur Messdatenerfassung und den damit verbundenen Kosten sind in Kapitel 10 zu finden Performance Metrics Bei der Beurteilung von technischen Systemen stellt sich immer die Frage nach der Bewertungsgr e und einem Vergleichswert der ein qualitatives und oder quantitatives Urteil Uber eine bestimmte Eigenschaft des Systems erlaubt In diesem Abschnitt wird ein Konzept von so genannten Performance Metrics und Referenzwerten vorgestellt das prinzipiell im Rahmen von ModBen verwendet wurde Ein Energie bzw Anlagenmonitoring soll dazu dienen den Anlagenbetrieb zu berwachen und anhand von vordefinierten Performance Indikatoren Fehler und Optimierungspotenziale zu identifizieren Fraunhofer ISE 05 07 2011 Seite 76 Modellbasierte Methoden fur Fehlererkennung und Optimierung Messdaten dienen als Grundlage der Bewertung des energetischen Betriebs Aus Ihnen k nnen unterschiedlich detaillierte Kennzahlen bzw Charakteristiken gewonnen werden die die enthaltene Information mehr oder weniger verdichten Diese verdichteten Informationen werden auch als Performance Metrics bezeichnet Performance Metrics sollten e messbar sein oder aus messbaren Gr en berechnet werden k nnen e eindeutig definiert sein e spezifische Fragen zum Anlagenbetrieb beantworten helfen Top_Down G
265. ockholm Schweden Januar 2008 Meeting IEA ECBCS Annex 47 Los Angeles April 2008 Universit t Nebraska Omaha USA April 2008 Pr sentation f r die Hochschule Luzern am ISE April 2008 Pr sentation an der Universit t Karlsruhe Juni 2008 Workshop Vortr ge im Rahmen der ICEBO 2008 Berlin Oktober 2008 KIT Workshop Universit t Karlsruhe Dezember 2008 Energieeffizienz durch intelligentes Gebaudemanagement Fraunhofer InHaus Zentrum Duisburg Februar 2009 Energy Masters Berlin M rz 2009 Local renewables Freiburg April 2009 EnOB Statusseminar W rzburg Juni 2009 Pr sentation im Rahmen eines Workshops f r Wasser f hrende Systeme bei EQUA Stockholm Schweden August 2009 Vortrag Betriebsoptimierung von Nichtwohngeb uden Erfahrungen aus den Projekten ModBen und Building EQ 11 Biberacher Forum Geb udetechnik 18 M rz 2010 Vortrag Development and application of ongoing commissioning methods and tools for non residential buildings in German and European research programs 6th International Conference on Energy Efficiency in Commercial Buildings IEECB 10 14 April 2010 Messe Frankfurt Frankfurt Germany Ver ffentlichungen Dokumente O Modellbasierte Betriebsanalyse Schritte bei der Gebaudeanalyse Christian Neumann Dirk Jacob Fraunhofer ISE Seotember 2007 Modellbasierte Methoden fur die Fehlererkennung und Optimierung im Gebaudebetrieb Christian Neumann Dirk Jacob Fraunhofer ISE
266. odellbasierte Methoden f r Fehlererkennung und Optimierung Fraunhofer ISE Freiburg ennowails Ziient internet F F a a Anhang Seite XIX Kraft Foods Munchen ModBen Demogeb ude Kraft Foods Datenanbindung Ennowatis coco FPN Chant nsiabert Fer a a Peet gt lt En rr i gt ak uber die Virtual Frat Network PR verbindungen k nnen alle Beteiligten den Kachner erreichen inert bok StH ane Energiesyiterme Fraunhofer Fraunhofer ISE 05 07 2011 Maw Zander bzw H55 Zande gasco VPA Client installiert Modellbasierte Methoden f r Fehlererkennung und Optimierung Kraft Foods Messrechner SE Ennovatis Smart Box Manager u Controlling 09 10 2008 Dirk Jacob Anhang Seite XX Modellbasierte Methoden fur Fehlererkennung und Optimierung F Checkliste Stufe 1 Fraunhofer ISE 05 07 2011 Anhang Seite XXI Modellbasierte Methoden fur Fehlererkennung und Optimierung ModBen HE E BModBen HEN ME Datenerfassung Stufe 1 Feld ausf llen Feld nicht ausf llen Mindestens PLZ oder On um de Klimabereinigung durchf hren zu k nnen ee u ee fs Po Jahreimaiger Sanierungen JIII i ne Geschosse rr Haupinutzung des Gebaudes nach beiliegendem Bauwerkszuordungskatalog Probleme bei der Alle umbauten Fl chen mkl Keller Abstellraume Dauerhafter Leerstand im Gebaude uber den gesamten Abrechnungszeit
267. ombedarf der gem EnEV berechnet wird den nutzungsbedingten Strom z B f r Arbeitshilfen wie Computer nicht enth lt Weiterhin werden andere Bilanzanteile die nach EnEV berechnet werden wie z B der Stromverbrauch f r Beleuchtung oder die Endenergie der K lteerzeugung in der Regel messtechnisch nicht erfasst E Heizenergieverbrauch El Endenergiebedarf Heizung gem EnEV N E Ea p O im c LLI DVZ Barnim Ennovatis EADS Ludwig Kraft Foods Ehrhard Haus Abbildung 38 Vergleich des gemessenen Heizenergieverbrauchs und des nach EnEV bzw DIN V 18599 berechneten Endenergiebedarfs f r Raumheizung Der Vergleich zeigt dass die Normberechnung gem EnEV den Heizenergiebedarf f r 4 von 5 Geb uden deutlich bersch tzt Von einem Verfahren dass mit Normnutzungsprofilen arbeitet ist zun chst nat rlich auch nicht zu erwarten dass der Energieverbrauch der hochgradig von der Nutzung abh ngig ist mit hoher Genauigkeit abgebildet werden kann Im Rahmen einer Diplomarbeit wurde der Frage nachgegangen inwieweit ber eine Individualberechnung gem DIN V 18599 mit angepassten Nutzungsprofilen und Kennwerten der anlagentechnischen Ausstattung eine Angleichung an den realen Energieverbrauch m glich ist 61 Im Ergebnis ist festzustellen dass selbst nach Anpassung aller relevanten Gr en wie Nutzungszeiten interne Lasten Leitungsl ngen
268. orstellung HSG Zander Als einer der f hrenden Anbieter integrierter FM Dienstleistungen bernimmt die HSG Zander GmbH l nder und regionen bergreifend komplett oder modular die technische infrastrukturelle und kaufm nnische Bewirtschaftung der Immobilien der Kunden und gew hrleistet einheitliche Standards und Qualit t f r das gesamte Portfolio Europaweit bewirtschaften wir mit ber 4000 Mitarbeitern Immobilien mit einer Gesamtfl che von ber 11 Mio m von Kunden aus den unterschiedlichsten Branchen modular komplett und kundennah Mit 15 Niederlassungen in Deutschland 22 Tochtergesellschaften in Europa sowie ausgew hlten Joint Venture Partnerschaften bietet die HSG Zander GmbH in ganz Europa fl chendeckend und standort bzw l nder bergreifend ein einheitliches Leistungsangebot Fraunhofer ISE 05 07 2011 Seite 14 Modellbasierte Methoden fur Fehlererkennung und Optimierung 4 Modellbasierte Methoden im Gebiet FED und Optimierung In diesem Kapitel werden Fehlerkennung und Diagnose FED und Optimierung definiert und gegeneinander abgegrenzt Weiterhin wird beschrieben welche Modelle prinzipiell zur Anwendung kommen konnen Fehlerbeseitigung und Optimierung stellen im Sinne von ModBen nicht oder gering investive nderungen bzw Anpassungen des Geb udebetriebs haupts chlich auf der Ebene der Steuerung und Regelung dar Ma nahmen wie der Austausch oder die umf ngliche Sanierung der Geb udeh lle oder der Anlagentechn
269. ort sicherzustellen Dennoch haben sich zahlreiche Ansatzpunkte f r Verbesserungen ergeben 9 2 1 Energie und Wasserverbrauch Keine eindeutige Nacht und Wochenendabsenkung Heizbetrieb zu erkennen Z T gleichzeitiger Heiz und K hlbetrieb zwischen 10 15 C Aussentemperatur Geringer Anteil Direktkuhlung ber die Erdsondenanlage mit der Folge dass die W rmepumpe im Teillastbetrieb mit schlechtem Nutzungsgrad betrieben wurden W rmepumpen sind sowohl f r den Heiz als auch f r den K hlbetrieb deutlich zu gro dimensioniert und arbeiten dadurch praktisch immer in Teillast 9 2 2 Heizkreise W rme bergabe erfolgt durch Radiatoren Fu bodenheizung und ber Heizregister in der RLT Die Planung hat vorgesehen dass die Grundlast ber die RLT Anlagen bei konstanter und moderater Einblastemperatur bereitgestellt wird Real ist zu beobachten dass die Heizk rper offensichtlich zu klein ausgelegt wurden da Komfortprobleme aufgetreten sind Im Anlagenbetrieb ist erkennbar dass sie bei konstanter Vorlauftemperatur Spreizung und Pumpensignal im Winter praktisch immer bei voller Leistung betrieben werden Zus tzliche Heizleistung muss somit ber die RLT Anlagen bei hohen Zuluftstr men und Temperaturen eingebracht werden Die daf r notwendigen hohen Vorlauftemperaturen wirken sich wiederum Fraunhofer ISE 05 07 2011 Seite 190 Modellbasierte Methoden fur Fehlererkennung und Optimierung negativ aut die Nutzungsgrade de
270. otwendige Parametervariation aufgrund ihrer Struktur nicht erlauben Weiterhin ist die F higkeit der Extrapolation ber den Bereich der Trainingsdaten hinaus h ufig nicht oder nur eingeschr nkt m glich Der Vorteil von Black Box Modellen liegt in der schnellen und automatisierten Identifikation bekannter Muster Bez glich der Modellstruktur von Black Box Modellen k nnen wie auch bei White Box Modellen statische und dynamische sowie lineare und nichtlineare Modelle unterschieden werden In Abh ngigkeit der Modellstruktur stehen verschiedene Methoden zur Sch tzung der Parameter Kalibrierung zur Verf gung Tabelle 4 gibt einen berblick ber die verschiedenen Ans tze Tabelle 4 bersicht Black Box Modelle Art des Modellstruktur Parametersch tzung Beispiel Modells statische Linear lineare Funktion lineare Regression Least Energiesignatur auf Basis Square Verfahren von Wochenwerten Nichtlinear Polynome lineare Regression Least Pumpenkennlinie Square Verfahren Beliebige Iterative Verfahren z B nichtlineare Levenberg Marquardt Funktion Dynamische Linear Transferfunktionen lineare Regression Least W rmestrom durch eine Modelle Square Verfahren ebene Wand ARMA ARMAX iterative Verfahren etc Nichtlinear Polynome z B lineare Regression Lineares System mit Wiener Hammerstein Modell Volterra Modell Neuronale Netze sigmoid wavelet radial basis networks Fraunhofer ISE 05 07 2011
271. ox konnen mit Unterstutzung des Smartbox Managers alle Energiedaten aus angeschlossenen Zahlern sowie Temperaturen und Anlagenparameter aus der DDC Regeleinheit Uber eine ModBUS Schnittstelle erfasst analysiert und im Anschluss daran gegen Soll und Grenzwerte verglichen werden Diese Soll und Grenzwerte k nnen per Fernwartung in der ennovatis Smartbox vermerkt werden Bei einer Uberschreitung der eingetragenen Grenzwerte informiert die Smartbox automatisch die zustandige Service Zentrale Auch eine Storung der DDC Regeleinheit wird durch das ennovatis Energiemanagement selbstt tig angezeigt So tr gt die ennovatis Smartbox schlie lich auch zur Anlagensicherheit bei Fraunhofer ISE 05 07 2011 Seite 206 Modellbasierte Methoden fur Fehlererkennung und Optimierung Im Anhang J ist der Optimierungsvorgang detaillierter beschrieben Inzwischen ist es auch moglich die DDC Regelung direkt in der SmartBox zu implementieren und dadurch auf eine zusatzliche Regeleinheit zu verzichten 70 00 hy Nm ill In 40 00 JORAN 30 00 7 M N Celsius 20 00 10 00 0 00 10 00 07 Nov 14 Nov 21 Nov 28 Nov TF_VL_Heizkreis Celsius TF_RL_Heizkreis Celsius Au entemperatur Celsius Abbildung 101 Vorlauf und Au entemperaturen nach Einf hrung der adaptiven Heizungsregelung li ll Jan 08 Feb 11000 00 10000 00 9000 00 8000 00 7000 00 5000 00 kWh 5000 00 4000 00 3000 00 2000 00 1000 00 0 00 W
272. parameter werden dann u U manuell in die Geb uderegelung eingegeben Diese Art wird hier als Offline Optimierung bezeichnet da sie in der Regel nicht kontinuierlich erfolgt Sie wird im Vergleich zur Online Optimierung h ufig angewendet da die Optimierung unabh ngig vom Geb ude bzw der Geb udeautomatisierung durchgef hrt werden Fraunhofer ISE 05 07 2011 Seite 71 Modellbasierte Methoden fur Fehlererkennung und Optimierung kann Die Offline Optimierung ist daher auch besser f r wissenschaftliche Untersuchungen geeignet Fraunhofer ISE 05 07 2011 Seite 72 Modellbasierte Methoden fur Fehlererkennung und Optimierung 7 Uberblick der Methodik in ModBen Fala Dieses Kapitel gibt zur Orientierung einen berblick ber die in ModBen entwickelten Methoden Die einzelnen Werkzeuge und Ans tze werden in Kapitel 8 detailliert erl utert Allgemeine Systematik Ausgangspunkt f r die Entwicklungen in ModBen war eine allgemeine Top Down Methodik f r die Analyse des Geb udebetriebs die sich an das aus dem Amerikanischen Sprachraum kommende continuous commissioning anlehnt und das inhaltlich am besten mit kontinuierliche funktionale Qualit tskontrolle bersetzt werden kann Dieser Ansatz unterscheidet sich von einem Energie Audit darin dass nicht nur eine einmalige sondern eine kontinuierliche in Idealfall ber die Gesamte Betriebsphase des Geb udes andauernde Betriebsuberwachung erfolgt Der Haupt Unterschied
273. paren ist hier ist zu pr fen ob dieser Betrieb notwendig und ob eine Abschaltung der Pumpen m glich ist Weiterhin ist das Einschaltkriterium des Kreises zu pr fen um den Heizbetrieb im Sommer m glichst zu vermeiden Die Temperaturspreizung der Heizkreise ist w hrend der Heizperiode relativ gering zwischen O und 8 C Es sollte berpr ft werden ob die Pumpen auf eine niedrigere Drehzahl laufen k nnen um den Massenstrom abzusenken und eine gr ere Spreizung zwischen Vor und R cklauftemperaturen zu erzielen Vom Januar bis Ende M rz 2009 zeigen die Kontrollsignale der Pumpen dass diese immer in Betrieb sind auch nachts obwohl eine Absenkung der Vorlauftemperatur von ca 23h00 an Wochentage und 21h00 an Wochenende bis 7h00 festgestellt werden kann Auch hier ist es sinnvoll zu pr fen ob die Pumpen laufen sollen Im Sommer laufen die Pumpen t glich und die Heizkreise zeigen eine negative Spreizung keine Warmeabnahme aus den R umen Dort besteht die M glichkeit die Pumpen ab einer Au entemperatur von ca 10 C auszuschalten Die negativen Spreizungswerte k nnen auf einen Fehler in der Hydraulik oder den Einfluss einer fremden Warmequelle deuten Dies sollte vor Ort berpr ft werden 9 5 3 Kalteerzeugung Fraunhofer ISE 05 07 2011 Seite 194 Modellbasierte Methoden fur Fehlererkennung und Optimierung Im Winter werden die K lteanlagen auf kleiner Stufe betrieben Es ist zu pr fen ob der damit verbundene
274. penlaufzeiten Im Rahmen von ModBen wurden verschiedene Modell und Optimierungsalgorithmen untersucht die im Folgenden beschrieben werden 8 8 3 Implementierung Zur Modellierung wurde die Simulationssoftware DA CE verwendet siehe auch Kapitel 4 2 6 Mit dem Programm k nnen grunds tzlich Modelle von Geb ude und Anlage mit beliebigem Detaillierungsgrad erstellt werden Das Programm bietet ein 3 D Modell f r die visuelle Kontrolle der eingegebenen Geb udegeometrie Die Spezifikation der anlagentechnischen Ausstattung erfolgt ber eine grafische Benutzeroberfl che Abbildung 70 Beispiel eines 3 D Modells des Demonstrationsgeb udes Gro p sna in IDA ICE Fraunhofer ISE 05 07 2011 Seite 160 Modellbasierte Methoden fur Fehlererkennung und Optimierung Die Abbildung 71 zeigt das Schema des Geb udemodells Die abgebildeten Symbole stehen jeweils f r Komponenten oder Subsysteme des Modells Indoor Climate and Enerav Simulation data Object Grosspoesna_2007_Burhenne System parameters Climate File e Grosspoesna v Air Handling Unit Hot Water Cold Zones Air Climate Processor Elevation gt AZIMIA A Building Window faces types SE 3 w famawatry f m Lio A iS ws pY V5 gt Light Equip ElHeat a R A rg Pea cy IN 3 N A a N Loc Glob Prim gt A LocCool LocHeat Lost WH TotWH min k Ur Ue gt A pY ah i Abbildung 71 Schematische Darste
275. peratur Wenn die Ventilatoren durchg ngig betrieben werden sollte die Notwendigkeit dazu gepr ft werden In vielen F llen ist der Betrieb nachts und am Wochenende nicht notwendig Der Carpetplot des Energieverbrauchs siehe8 5 3 kann bei der Analyse hilfreich sind da er ber die Signale des Strom und Wasserverbrauchs Innformationen zur Belegung des Geb udes mit Personen liefern kann Die Muster sind analog zu denen der Zulufttemperatur sind in der Regel jedoch nur in der K hlsaison sichtbar Treten die Muster ebenfalls im Winter auf sollte die Regelung berpr ft werden Saisonale nderungen Die Muster sollten nur in der K hlperiode im Sommer auftauchen Die Muster sind analog zu denen der Zulufttemperatur sind in der Regel jedoch nur in der Heizsaison sichtbar Treten die Muster ebenfalls im Sommer auf sollte die Regelung berpr ft werden Saisonale nderungen Die Muster sollten nur in der Heizperiode im Winter auftauchen Angepasste Betriebszeiten Seite 131 Modellbasierte Methoden fur Fehlererkennung und Optimierung Plots Hinweise zur Interpretation Typisches Erscheinungsbild vereinfacht Aus dem Carpetplot konnen die Betriebszeiten der einzelnen Komponenten wie Ventilatoren und Heiz Kuhlregister abgelesen werden Durch einen Vergleich kann leicht festgestellt werden ob diese abgestimmt sind o Gleichzeitiges Heizen und K hlen Ob gleichzeitiger und ineffizienter Heiz und K hlbetri
276. r EXHA MEA RH NS set value signal of control signal status of supply fan of AHU number that servers ZONE BUI ZONE AHU number SUPA SEV SIG CTRLSIG STAT set value signal of control signal status of exhaust fan of AHU number that servers ZONE BUI ZONE AHU number EXHA SEV SIG CTRLSIG STAT supply temperature of heating cooling pre heating or pre heating cooling coil of AHU number that servers ZONE BUI ZONE AHU number HC CC PREHC PREHCC HW CHW HCW SUP PRIM SEC MEA if return temperature of heating cooling pre heating or pre heating cooling coil of AHU number that servers ZONE BUI ZONE AHU number HC CC PREHC PREHCC HW CHW HCW RET PRIM SEC MEA il set value signal of control signal status of pump of heating cooling pre heating or pre heating cooling coil of AHU number that servers ZONE BUI ZONE AHU number HC CC PREHC PREHCC PU number HW CHW HCW PRIM SEC SEV SIG CTRLSIG STAT set value signal of control signal status of control valve of heating cooling pre heating or pre heating cooling coil of AHU number that servers ZONE BUI ZONE AHU number HC CC PREHC PREHCC CTRV HW CHW HCW PRIM SEC SEV SIG CTRLSIG STAT Fraunhofer ISE 05 07 2011 Anhang Seite XXXVII Tabelle 34 No Category 1 Building 2 Zone 3 System 4 Subsystem_1 5 Subsystem_2 6 Medium 7 Position 8 Kind Fraunhofer ISE 05 07 2011 abbreviat
277. r Optimierung wurde im Rahmen des Projekts das generische Optimierungsprogramm GenOpt verwendet Das Programm ist in der Lage eine Zielfunktion die durch ein Simulationsprogramm berechnet wird zu minimieren Abbildung 73 zeigt eine schematische Darstellung der Interaktion zwischen DA und GenOpt Fraunhofer ISE 05 07 2011 Seite 162 Modellbasierte Methoden fur Fehlererkennung und Optimierung Eingabevorlage Simulation ida Initialisierungs Kommandodatei Konfigurations txt datei cfg datei ini Ausgabedatei Wert der Zielfunktion end GenOpt E O Programm 5 aufruf Ausgabedatei L pn T Z 7 Eingabedatei ida Abbildung 73 Interaktion zwischen DA und GenOpt eigene Darstellung nach Wetter 2008 S 73 Logdatei res 8 8 4 Beispiel Evaluation in den Demonstrationsgeb uden Als Beispiel wird hier die Optimierung der Betriebszeiten der Umw lzpumpe eines Heizkreises im Demonstrationsgeb ude in Gro p sna vorgestellt Ziel war es die Zeitr ume zu identifizieren in denen die Pumpe und der Kessel nachts ausgeschaltet werden kann unter der Ma gabe dass die Raumsolltemperaturen w hrend der Anwesenheit der Nutzer eingehalten werden Die Umw lzpumpe lief in der Realit t 24 Stunden pro Tag Als Zielfunktion diente der Nutzenergiebedarf des Geb udes Die Nebenbedingung war die Einhaltung der Raumsolltemperaturen wenn Nutzer im
278. r Warmepumpen aus der Uber weite Strecken bei ca 2 lag ohne Berucksichtigung Verteilung e Weiterhin wurden zur Begrenzung der Komfortprobleme praktisch alle Zeitprogramme f r die Heizungsverteilung au er Kraft gesetzt 9 2 3 RLT Anlagen e Um die fehlende Leistung der zu gering ausgelegten Heizk rper zu kompensieren wurden die RLT Anlagen mit deutliche erh hten Zulufttemperaturen und ohne Zeitprogramm Dauerbetrieb gefahren Auch im Sommer wird versucht ber den Dauerbetrieb der L ftung zus tzliche K hlleistung einzubringen Gleichzeitig sind die Warmeruckgewinnung und das K hlregister offensichtlich nicht in der Lage ausreichend K hlleistung bereitzustellen um die Zulufttemperatur unter das Niveau der Abluft zu k hlen Beides f hrt zu deutlich erh htem Strombedarf f r die L ftung e Um weiterhin fehlende Heizleistung und K hlleistung zu kompensieren wurde versucht mit erh hten Umluftanteilen zu fahren Eine Unterschreitung der hygienischen Mindestluftmenge wurde dabei zeitweise in Kauf genommen e Der Nutzungsgrad der W rmer ckgewinnung lag aus ungekl rten Gr nden lediglich bei 30 bei geschlossener Umluftklappe 9 2 4 M gliche Realisierte Verbesserungs und Einsparpotenziale 9 3 Die falsche Dimensionierung der bergabesysteme im DVZ Barnim und deren negative Auswirkungen auf den Komfort hat in der Folge zahlreiche M ngel im Betrieb nach sich gezogen die im Grunde durch den Versuch zu erkl ren si
279. r oder Ubergabesysteme ist nicht korrekt m glich e Neben den oben genanten Problemen wurde in der Bearbeitung deutlich dass sowohl die Norm als auch die verwendete Software in einem relativ fr hen Stadium befinden und daher Fehler enthalten die zwar ber die Zeit korrigiert werden jedoch die Bearbeitung deutlich erschwert haben e Weijterhin besteht aus rein praktischen Gesichtspunkten das Problem dass Energiebedarfsausweise in Deutschland nur f r neu zu errichtende Geb ude verpflichtend vorgeschrieben sind Im Geb udebestand kommt weitgehend der Energieverbrauchsausweis zum Einsatz da dieser deutlich kosteng nstiger angeboten werden kann D h im realen Gebaudebetrieb w rde sich selbst bei einer besseren Eignung der DIN V 18599 zur Ableitung von Zielwerten f r den Energieverbrauch eine Synergie nur schwerlich ergeben Fraunhofer ISE 05 07 2011 Seite 210 Modellbasierte Methoden fur Fehlererkennung und Optimierung Allerdings bleibt festzustellen dass die Daten die f r einen Bedarfsausweis erhoben werden wertvolle und notwendige Informationen f r die Betriebsanalyse darstellen Dar ber hinaus befindet sich die EnEV zurzeit in einer berarbeitungsphase die einen Teil der oben genanten M ngel z B die Abbildung der Systeme im Bereich K lte Klimatisierung beseitigen wird Zu Dokumentation der Bestandsdaten wurde im Rahmen von ModBen eine Checkliste entwickelt die sich f r die Datenaufnahme und bei Vor Ort Begehungen als
280. r verschiedenen Protokolle im Bereich der Geb udeautomation als H rde ausgemacht Fraunhofer ISE 05 07 2011 Seite 49 Modellbasierte Methoden fur Fehlererkennung und Optimierung Gleichzeitig wird festgestellt dass in der Praxis nur vereinzelt FED Werkzeuge angewendet werden Der IEA ECBCS Annex 47 Cost Effective Commissioning of Existing and Low Energy Buildings 2005 2009 nahm diese Fragen aut und versuchte Methoden und Werkzeuge zu entwickeln die fur den Einsatz in der Praxis geeignet sind Gleichzeitig wurden Hemmnisse fur den Einsatz eines Continuous Commissioning untersucht sowie versucht das Kosten Nutzen Verh ltnis des Verfahrens quantitati zu erfassen Die Projektteilnehmer kommen nach Abschluss des Annexes zu folgendem Schluss IN many countries commissioning is still an emerging activity and in all countries advances are needed for greater formalization and standardization We hope that this report will be useful to promote best practices to advance its development and to serve as the basis of further research in this growing field 43 Diese Kurzubersicht uber die IEA ECBCS Annexe zeigt die Entwicklung des Themas FED im Geb udebereich von den eher theoretisch Modell getriebenen Betrachtungen Anfang der 90er Jahre hin zu Anwendungs getriebenen Betrachtungen des Einsatzes der Methoden in der Praxis und die berwindung der damit verbundenen Probleme heute Fraunhofer ISE 05 07 2011 Seite 50 5 2 3 Ma
281. rameter gt O Fehlerquelle Erstellungsaufwand 0 Formulierung des Modells Rechengeschwindigkeit 0 0 Erforderliche Trainingsdaten O Aufwand Kalibrierung Extrapolation O Ubertragbarkeit auf andere Systeme F r FDD geeignet F r Optimierung geeignet O nur mit neuen Trainingsdaten Grunds tzlich stehen sich White Box und Black Box Modelle gegen ber W hrend White Box Modelle sehr guten Analysef higkeiten besitzen jedoch h ufig einen erh hten Aufwand bei der Erstellung und Kalibrierung verlangen verh lt es sich bei Black Box Modellen anders herum Allerdings m ssen White Box Modelle bei einfacher Modellstruktur und evtl geringerer Vorhersagegenauigkeit nicht notwendigerweise schwerer zu entwickeln sein als Black Box Modelle F r das Systemverst ndnis sind White Box Modelle zun chst sehr sinnvoll Daher liegt es nahe nach einem Weg zu suchen der es erlaubt mit einfachste Annahmen ein White Box Modell zu erstellen und dieses sp ter weiter zu detaillieren oder mit einem angepassten Black Box Modell zu erg nzen 13 Andererseits eignen sich Black Box Modelle gut um vorhandene Muster z B Verbrauchsprofile bei Geb uden schnell und unaufwendig zu identifizieren und Ausrei er vom normalen Muster zu erkennen Die identifizierten Muster k nnen au erdem als Eingangsgr en f r andere detailliertere Modelle dienen Insbesondere bei komplexen Prozessen deren
282. raum wenn die Leerstandsrate 10 bersteigt Keine Eingabe entspricht 0 Sonstige Bezugsgro e ial e giewerbrauch om Strom Thermische Nutzung des W W rmeerzeugung f r Heizung Warmwasser Siroms oder Lufibefeuchtung K K3 teerzeugung O o ooo a Es k nnen auch mehrere nn Jahre ngerasst werden CS pT Fraunhofer ISE 05 07 2011 Anhang Seite XXII Modellbasierte Methoden fur Fehlererkennung und Optimierung ModBen EE ME E Datenerfassung Stufe 1 d PERN EModBen Feld macht aus iller Ei E E Gia Erl uterung Bereich zi i Einheit Wert Eintragung Haupnultzung 5 Haupnutzung 6 Es k nnen ami mehrere zusammenh ngende Jahre alg soo Gesamt T BEE a BG BEE WW Warneerzeugung K K lleerzeugung 5 Siromerzeugung TT MMI TT WM JIJ ay un ur un els e Die Verbrauchsdaten bitte unbereingt einiragen Zur Umrechnung won Brennstoffmengen auf kWh bitte beiliegende Tabelle muizen ui a m ua fun fan fan fun fin m Sala le e s gt gt D Q WN oO 2 a x x ee T T a WIiKSS TT BAM JJJ TT WM JJ E A A ER TREE RER aa ar E EER e I Eu EEE TT MMII a BEE TMM JI Fraunhofer ISE 05 07 2011 Modellbasierte Methoden fur Fehlererkennung und Optimierung ModBen Datenerfassung Stufe 1 f Oi en Feld ausf llen cht aust HEN ME Bereich i i Einheit Wert Ein
283. raxis wird hergestellt praxistaugliche Werkzeuge f r den europ ischen Raum sind jedoch nicht enthalten Eine weitere Variante der Offline Optimierung ist das Testen und Optimieren von einzelnen realen Geb udeelementen in einer Simulationsumgebung Dieses Verfahren wird auch als Hardware in the Loop bezeichnet 3 Englisch relativ frei bersetzt Ger t im Regelkreis Fraunhofer ISE 05 07 2011 Seite 69 Modellbasierte Methoden fur Fehlererkennung und Optimierung Kontinuierlicher Betrieb mit Datenerfassung Regelung Hardware Diskontinuierlicher Prozess Abbildung 24 Beispiel f r Optimierung einer wirklichen Regelung mit einem Hardware in the Loop Verfahren Hardware in the Loop HIL Verfahren werden meistens in der Entwicklungsphase von Reglern verwendet wenn z B das reale Geb ude noch nicht existiert oder das Verhalten von Reglern bei unterschiedlichen Geb uden getestet und optimiert werden soll 53 In dem Beispiel von Abbildung 24 wird das zu regelnde Geb ude und dessen Systeme durch eine entsprechende Geb udesimulation ersetzt Die Messdaten der Regelung werden durch die entsprechenden Zustandsgr en der Simulation generiert Die Ausgangsdaten der Regelung werden z B durch A D Wandler zur ck in die Simulation geschleift Mit den oben beschriebenen Optimierungsmethoden k nnen dann Regelungseinstellungen gefunden werden die bestimmte Zielfunktionen der Simulation optimieren Je nach Gesc
284. rbeitsplan 3 3 Team 3 3 1 Kurzvorstellung Fraunhofer ISE www ise fraunhofer de 3 3 2 Kurzvorstellung ennovatis www ennovatis de 3 3 3 Kurzvorstellung HSG Zander 4 MODELLBASIERTE METHODEN IM GEBIET FED UND OPTIMIERUNG 4 1 Unterscheidung FED und Optimierung 4 1 1 Fehlererkennung und Diagnose FED 4 1 2 Optimierung 4 1 3 FED und Optimierung als Prozess 4 2 Modelle 4 2 1 Kalibrierung von Modellen 4 2 2 White Box Modelle 4 2 3 Black Box Modelle 4 2 4 Gray Box Modelle 4 2 5 bersicht der Eigenschaften der Modelle 4 2 6 Werkzeuge zur Modellerstellung f r Geb ude und Anlagen 5 FEHLERERKENNUNG UND DIAGNOSE 5 1 5 2 Klassifizierung der Methoden 5 1 1 Fehlererkennung 5 1 2 Fehlerdiagnose FED im Bereich Geb udetechnik 5 2 1 Literaturrecherche 5 2 2 IEA ECBCS Annexe 5 2 3 Marktverfugbare FED Produkte Fraunhofer ISE 05 07 2011 SN N Ul 12 13 13 13 14 14 15 16 16 17 19 20 22 24 27 35 38 39 42 43 43 45 46 46 48 51 Seite III I Modellbasierte Methoden f r Fehlererkennung und Optimierung Zusammenfassung 6 OPTIMIERUNG 6 1 6 2 6 3 Optimierungsmethoden 6 1 1 General Pattern Search GPS 6 1 2 Particle Swarm Algorithmus PSA Algorithmus 6 1 3 Evolutionary Algorithmus GA Genetic Algorithm 6 1 4 Simplex Algorithmus von Nelder Mead 6 1 5 Newton Verfahren 6 1 6 Weitere Optimierungsverfahren 6 1 7 Zusammenfassung Arten der Anwendung von
285. rbrauchs e Die Systemdaten Vor und R cklauftemperatur und Betriebsr ckmeldung der Pumpe von Heiz und K hlkreisen sowie Zu und Ablufttemperatur Feuchte und Betriebsr ckmeldung der Ventilatoren von L ftungssystemen geben wertvolle Hinweise auf die Verteilung der Energie im Geb ude und vor allem auf die prinzipiellen Steuer und Regelungsstrategien Betriebszeiten Temperaturspreizungen und Sollwerte wie Heiz und K hlkurven k nnen daraus extrahiert werden e Raumtemperatur und Feuchte geben schlie lich ein Bild von den Anforderungen des Nutzers bzw auch davon inwieweit die haustechnische Anlage behagliche Raumzust nde bereit stellen kann e Der Mindestdatensatz wird in der Regel in hoher zeitlicher Aufl sung 5 20 Minutenwerte aufgezeichnet Durch die hohe zeitliche Aufl sung werden die Stunden Tages und Wochenprofile sichtbar die viel Information bez glich der Geb udenutzung und des Geb udebetriebs enthalten z B wird so ein morgendlicher Anheizbetrieb sichtbar und analysierbar Der Mindestdatensatz stellt einen Kompromiss zwischen zur Analyse notwendiger Datenmenge und Kosten f r deren Erfassung und Auswertung dar Aus technischer Sicht w ren weitere Datenpunkte w nschenswert um z B die Effizienz der Erzeuger und die Anteile einzelner Nutzungszonen und Anlagen am Warme Kalte und Stromverbrauch erfassen und bewerten zu k nnen Allerdings haben die Erfahrungen im Projekt gezeigt dass dadurch hohe Mehrkosten e
286. reibung 8 5 3 Visualisierung Verbrauch 8 5 4 Visualisierung Heiz K hlkreise 8 5 5 Visualisierung L ftungsanlagen 8 5 6 Implementierung 8 5 7 Beispiel Evaluation in den Demonstrationsgeb uden FED mit Simulation bzw Modellierung ausgew hlter Subsysteme 8 6 1 Begr ndung f r den Ansatz Stufe 3a FED auf Ebene Gesamtgeb ude mit probabilistischen Methoden 8 7 1 Begr ndung f r den Ansatz 8 7 2 Beschreibung 8 7 3 Implementierung 8 7 4 Beispiel Evaluation in den Demonstrationsgeb uden Stufe 3b Optimierung mit Simulation des Gesamtgeb udes 8 8 1 Begr ndung f r den Ansatz 8 8 2 Beschreibung 8 8 3 Implementierung 8 8 4 Beispiel Evaluation in den Demonstrationsgeb uden Stufe 4 Ausrei erdetektion mit Black Box Modellen 8 9 1 Begr ndung f r den Ansatz 8 9 2 Beschreibung 94 94 94 95 g7 100 100 100 101 101 101 101 102 106 115 124 132 132 136 136 142 142 144 147 150 159 139 139 160 163 169 169 170 Seite V 8 10 Modellbasierte Methoden fur Fehlererkennung und Optimierung 8 9 3 Implementierung 8 9 4 Beispiel Evaluation in den Demonstrationsgeb uden Kontinuierliche Betriebsanalyse mit den Werkzeugen von ennovatis 8 10 1 Begr ndung f r den Ansatz 8 10 2 Beschreibung berblick 8 10 3 Vom Energiebedarf zu Energiekosten 8 10 4 Vom Sensor zur Auswertung 8 10 5 Das Datenmanagement 8 10 6 Datenformat f r Messungen und Simulation 8 10 7
287. ren m sste es berpr ft werden ob die Laufzeiten des Druckluftkompressors 2 nicht erh ht werden k nnten und wenn die Grundlast produktionsbedingt verursacht wird ob der Einsatz eines kleineren in Volllast betriebenen Kompressors m glich ware 9 5 6 M gliche Realisierte Verbesserungs und Einsparpotenziale Aus den oben beschriebenen Analysen ergeben sich zahlreiche Ansatzpunkte f r Verbesserungen Folgende Korrekturen bzw Umstellungen wurden vorgenommen bzw sind zur Umsetzung vorgesehen Die Nacht und Wochenendabsenkung der Dampferzeuger wurde realisiert Allein durch diese Ma nahme wird eine Einsparung von ca 16 500 Euro Jahr erwartet Die Erneuerung der Druckluft Anlage durch kleiner dimensionierte Aggregate ist vorgesehen Weiterhin soll das Monitoring weiter zur Optimierung genutzt werden F r die Tiefgaragenl ftung wurde eine Nacht und Wochenendabsenkung eingerichtet Ein interessanter Aspekt ist dass der Gebaudebesitzer Interesse an der Fortf hrung des Monitorings angemeldet hat und die Datenerfassung und Visualisierung nach Projektende weiter betreiben will Fraunhofer ISE 05 07 2011 Seite 196 Modellbasierte Methoden fur Fehlererkennung und Optimierung 10 Kosten Nutzen Betrachtungen Um die Wirtschaftlichkeit des im Rahmen von ModBen entworfenen systematischen Verfahrens zur Betriebsanalyse zu pr fen wurden Kosten und Nutzen erhoben bzw abgesch tzt Grundlage hierbei waren folgende berlegungen
288. rfunktionen Modelle bezeichnet werden und f r die eine umfassende Theorie besteht 15 Charakteristisch f r die Struktur dieser Modelle ist dass die aktuelle Ausgangsgr e mit Hilfe von linearen Funktionen zeitlich vorgelagerter Ein und Ausgangsgr en berechnet wird Das einfachste Modell dieser Art ist das finite impulse response model FIR das den Zusammenhang der aktuellen Ausgangsgr e zur aktuellen und zeitlich vorgelagerten Eingangsgr en herstellt y t B q u t e t b u t 1 b u t n eft mit u t gemessene Eingangsgr en y t gemessene Ausgangsgr en e t St rgr e normalverteilt b b Parameter q sogn Back shift operator q uft u t 1 B q 1 biq bhq Die in der Praxis verwendeten Black Box Modelle von linearen dynamischen Systemen sind alle Abwandlungen dieses Modells Fur den allgemeinen Fall ergibt sich folgender Zusammenhang A q y t 2 wy LD F q D q e t Die 5 Matrizen bzw Polynome A B C D und F stellen dabei die Ubertragungsfunktionen dar In praktischen Anwendungen werden eine oder mehrere dieser Funktionen gleich 1 gesetzt wodurch sich verschiedene Modellstrukturen ergeben Die blichsten sind in Tabelle 5 aufgelistet zeigt die Struktur eines ARX Modells Fraunhofer ISE 05 07 2011 Seite 30 Modellbasierte Methoden fur Fehlererkennung und Optimierung Tabelle 5 einige bliche lineare Black Box Modelle f r dynamische Syste
289. rgten Zone eingesetzt wird Wenn die Zulufttemperatur konstant ganzj hrig gehalten wird ergeben sich nat rlich keine saisonalen nderungen zumindest in der Betriebszeit Typisches Erscheinungsbild Die Muster sind analog zur Zulufttemperatur Wenn die Temperaturdifferenz positive Werte zeigt wird die Zuluft geheizt z B durch Warmeruckgewinnung Heizregister oder auch nur Seite 130 Plots Hinweise zur Interpretation uber die Temperaturerhohung durch den Temperatur differenz Zuluft Abluft dTsupa exha Betriebsruck meldung Ventilatoren Temperatur spreizung Wasserseite Kuhlregister CC dTsup ret Temperatur spreizung Wasserseite Heizregister HC dTsup ret Gesamtplot Aus einer vergleichenden Betrachtung der einzelnen Plots k nnen folgende Informationen generiert werden Fraunhofer ISE 05 07 2011 Modellbasierte Methoden f r Fehlererkennung und Optimierung Typisches Erscheinungsbild vereinfacht Ventilator Wenn die Differenz negativ ist wird die Zuluft gek hlt z B ber K lter ckgewinnung K hlregister oder adiabatische K hlung Saisonale nderungen analog zur Zulufttemperatur Die Muster sind analog zu denen der Zulufttemperatur Wenn die Differenz positiv ist liefert die Zuluft Warme in die die versorgte Zonen bei negativen Werten wird K lte bereitgestellt Saisonale nderungen analog zur Zulufttemperatur Die Muster sind analog zu denen der Zulufttem
290. rheit einen falschen Wert und 1 einen richtigen Wert bedeuten Die Bayes sche Wahrscheinlichkeitstheorie ist intuitiver Im Rahmen dieser Forschungsarbeit liegen keine Sequenzen identisch wiederholter Versuche vor da ein Geb ude aufgrund der wechselnden Klimabedingungen und Nutzereinfl sse st ndig unterschiedlich betrieben wird Aus diesen Gr nden ist die Bayes sche Wahrscheinlichkeitstheorie f r Fehlererkennung und Diagnose in Geb ude am geeignetsten e Herleitung des Bayestheorems Das Bayestheorem kann aus den bekannten Axiomen von Bernoulli und Laplace abgeleitet werden Die Summenregel legt fest dass die Summe der Wahrscheinlichkeit dass ein Ereignis falsch oder wahr ist gleich eins sein muss Ein Ereignis befindet sich in der Menge Z Wie hoch ist die Wahrscheinlichkeit dass dieses Ereignis in der Menge X oder der Menge Y enthalten ist wenn X und Y Untermengen von Z sind Die Summenregel lautet piXlZ3 pf lz Gleichung 1 Der waagerechte Strich stellt die Negation der Aussage dar Der vertikale Strich kennzeichnet eine bedingte Wahrscheinlichkeit Die Produktregel ist ebenfalls hilfreich Sie beschreibt die Beziehung zwischen Mengen als Untermengen voneinander Zum Beispiel Wie hoch ist die Fraunhofer ISE 05 07 2011 Seite 145 Modellbasierte Methoden fur Fehlererkennung und Optimierung Wahrscheinlichkeit dass ein Ereignis in X existiert wenn bekannt ist dass das
291. rieben w rde Die Stundenwerte der Messgr e sind hier f r jeden Tag als Farbwert von unten 0 00 Uhr nach oben 23 00 Uhr aufgetragen Die einzelnen Tage liegen nebeneinander auf der X Achse F r Tage mit hnlichem Verlauf der Messgr e ergeben sich hnliche Farbverlaufe so dass sich Muster im obigen Fall Wochenbl cke f r den Betrieb des Ventilators ergeben die vom Betrachter schnell identifiziert werden k nnen Die Darstellung erlaubt die schelle Identifikation von Betriebs und Anwesenheitszeiten Zeitliche Aufl sung 1 Stunde hour of day hour of day ou 5 B sb 8 un ONPRADONPHNDODOD Total Water m3 h SOSSOSoHtrrHrrrn oO hour of day e N ow OoOo u 0O G 8 hour of day 5 in oO Feb 08 Apr 08 Jun 08 Abbildung 43 Carpetplot realer Wetter und Verbrauchsdaten F r reale Daten sind die Muster oft weniger scharf Gerade f r reale Daten zeigt sich jedoch der Vorteil i m Vergleich zur klassischen Zeitreihendarstellung Fraunhofer ISE 05 07 2011 Seite 104 Modellbasierte Methoden fur Fehlererkennung und Optimierung DCWw I d m2 PEL W m2 P DH W m2 10 5 0 5 10 15 20 25 30 Outdoor air temp C Abbildung 44 Scatterplot des Energie und Wasserverbrauchs ber der Au entemperatur gruppiert nach Werktagen und Wochenende Diese Plots ermoglichen die Identifikation globaler Regelstrategien Die Werte werden hierbei zu Tagesmittelwerten verdichtet was d
292. riebsanalyse mehr ist als der rein technische Prozess der Datenauf zeichnung und bewertung Um erfolgreich zu sein ist es notwendig die or ganisatorische und personelle Einbindung des Prozesses festzulegen e Es wurde erkannt dass sich Nutzung sowie Besitz immer kurzfristiger ndern Das bedeutet dass Investitionen f r Energieeinsparma nahmen in Bestandsgeb uden entsprechend kurze Refinanzierungszeiten aufweisen m ssen Hier konnte gezeigt werden dass dies mit Betriebsoptimierungen Fraunhofer ISE 05 07 2011 Seite 3 Modellbasierte Methoden fur Fehlererkennung und Optimierung m glich ist auch wenn dies wechselnde Nutzungsrandbedingungen erschweren Aus Sicht des Projektteams ergibt sich folgender weiterer Forschungs und Entwick lungsbedarf Fehlererkennung und Diagnose FED f r typische und h ufige Subsysteme Um FED in vielen Geb uden anwenden zu k nnen ist es notwendig sich auf typische und h ufige Systeme bzw Subsysteme zu konzentrieren z B Heiz kreise RLT Anlagen mit typischen Konfigurationen etc Mit dem Mindestdatensatz und den darauf aufsetzenden Methoden wurden in ModBen einige Beispiele aufgezeigt Um zu einer weiteren Standardisierung zu gelangen und eine breite Palette von typischen Subsystemen abbilden zu k nnen sind weitere Entwicklungsarbeiten sinnvoll Interoperabilit t Viele Ans tze zur Betriebsoptimierung leiden nach wie vor darunter dass eine vollst ndige aktuelle und fehlerfreie
293. rktverf gbare FED Produkte Modellbasierte Methoden f r Fehlererkennung und Optimierung Tabelle 7 zeigt eine bersicht von Werkzeugen f r die FED die im Rahmen oder im Umfeld der IEA Annexe entwickelt wurden und die heute auf dem Markt verf gbar sind Tabelle 7 Tool Q LL g G eb O O Z Energy X Witness ENFORMA PACRAT x Universal X Translator EMMA CTA Energy Expert DABO x ABCAT System Gebaude x x Fortsetzung nachste Seite Fraunhofer ISE 05 07 2011 FED white Gray Box Modelle Ubersicht FED Tools Methode Black Box Modelle Visualisierung x automatische Fehlerdiagnose Kopplung mit GA Bemerkung nur Visualisierung und nutzerspez Berechnungen automatische Fehler diagnose regelbasiert nur fur Luftungssysteme Black Box Modelle fur Baseline Fehlerdiagnose regelbasiert Fehlerdiagnose regelbasiert nur f r L ftungsanlagen Fehlerdiagnose regelbasiert Black Box Modelle f r Baseline Fehlerdiagnose regelbasiert Modell f r Kombination L ftungsanlage Zone Seite 51 Modellbasierte Methoden fur Fehlererkennung und Optimierung Fortsetzung Tool Bemerkung 2 3 O 2 q G Q O F AF e LLI E S x E a9 T io v S 28 D fan OD IV D 5 ee o 88 zg Qe l A O S35 as FS a P WBD X X X X X x nur f r Gesamtgeb ude und L ftungsanlage Black Box Modelle f r Baseline Fehlerdiagno
294. rmeplattenwarmetauscher mit je 1400 kw Ubergabe Zuluft ber RLT Anlagen Quellluftinduktionsgerate Unterflurkonvektoren FuBbodenheizung RLT Anlage 3x Gro anlagen 31 000 54 000 m3 h 2x Kuchenanlage 9 000 10 600 m h 3x Veranstaltungsanlagen 6 000 22 000 m3 h Kalte Erzeugung 2x Schraubenverdichter mit je 1100 kW 1x Hubkolbenverdichter mit 250 kW bergabe Zuluft RLT Anlagen Quellluftinduktionsger t Sonstiges GA vorhanden Last und Wassermanagementsystem 8 1 5 Kraft Foods M nchen Das europ ische Forschungs und Entwicklungszentrum von Kraft Foods f r Schokoladen und Food Produkte ist in M nchen angesiedelt Das Geb ude besteht aus 3 Bauteilen A B und C die baulich miteinander verbunden sind ess Ai a mi 7 a i Pa bap d i l md En ba u Bea _Unterbzberge Str p v r gt mm 2 Y 4 ni j f Ry lt Ery LA Abbildung 31 Ansicht und Lageplan des Kraft Foods Geb udes in M nchen Fraunhofer ISE 05 07 2011 Seite 88 Modellbasierte Methoden fur Fehlererkennung und Optimierung Das Geb ude wird f r die Forschung und Entwicklung neuer Produkten benutzt und besteht berwiegen aus Labor und B ror umen Dementsprechend komplex und leistungsintensiv ist die anlagentechnische Ausstattung Tabelle 19 Hauptdaten des Kraft Foods Gebaudes in M nchen Baujahr 1986 Nutzung Labore B ros Stockwerke UG 2 0G Netto Grundflache 9 800 m2 Heizung Erzeugung Gaskessel Gas D
295. rmeruckgewinnung verwendet wird liegt die Steigung im Bereich kleiner 1 bei einer sehr effizienten Warmeruckgewinnung auf deutlich unter 1 Wenn die Zuluft im Winter geheizt wird jedoch im Sommer nicht gek hlt zeigt T_SUP Muster B Wenn die Zulufttemperatur konstant gehalten wird Heizen im Winter und K hlen im Sommer ergibt sich Muster C Wenn unterschiedliche Solltemperaturen f r die Zulufttemperatur im Winter und Sommer eingestellt sind zeigt sich Muster D o Unterschied zwischen Werktagen und Wochentagen Wenn die Ventilatoren nur an Werktagen betrieben werden erscheinen keine Daten f r die Wochenenden in der Signatur da die Temperaturen mit dem Betriebssignal der Ventilatoren gefiltert werden Wenn die Ventilatoren an Wochenenden betrieben werden h ngt das Muster von der Art des Betriebs a und kann allen oben beschriebenen Mustern entsprechen Bei Nichtwohngebauden sollte Wochenendbetrieb von raumlufttechnischen Anlagen am Wochenende jedoch immer kritisch hinterfragt werden o Changepoint Die genaue Position des Changepoints in Muster B and D ist abh ngig vom energetischen Standard des Gebaudes und von den internen Gewinnen Je h her die internen Gewinne und je besser der energetische Standard desto geringer ist die AT an der Position des Changepoint Ablufttemp o Typisches Erscheinungsbild ber Die Ablufttemperatur zeigt Muster B C or D siehe AT oben in Abh ngigkeit des Betriebszusta
296. rung die die aktuelle bzw zuk nftige Situation im Geb ude z B die aktuellen Randbedingung bez glich Wetter Raumklima oder Belegung ber cksichtigt Dadurch kann der reale Betrieb theoretisch in jeder Stunde optimal gefahren werden Praktisch erfordert diese Art der Optimierung derzeit jedoch einen hohen technischen Aufwand da sie als Teil der Geb udeautomation eine enge Kopplung mit den Sensoren und Aktoren der Anlagen erfordert F r die Betriebsoptimierung sind im wissenschaftlichen Bereich zahlreiche Ans tze entwickelt und getestet worden 8 In der Praxis wird der Anlagenbetrieb h ufig h ndisch optimiert Auch bei dieser manuellen Optimierung durch ausprobieren trial and error wird gelegentlich auf Modelle zur ckgegriffen 9 Fraunhofer ISE 05 07 2011 Seite 18 Modellbasierte Methoden fur Fehlererkennung und Optimierung 4 1 3 FED und Optimierung als Prozess Wie sich aus den beiden vorangegangenen Abschnitten ergibt ist die FED notwendige Vorraussetzung zur Erreichung eines fehlerfreien Betriebs und daher der Optimierung vorgelagert Somit ergibt sich ein zweistufiger Prozess der schematisch in Abbildung 3 dargestellt ist Systemebene mit Datenerfassung Daten Geb ude Anpassung des Systems Datenerfassung Gebaudeautomation Fehlererkennung und Diagnose Fehler Fehlerdiagnose Fehlerbewertung Ursachen und evtl ermittlung Behebung Fehlererkennung manuell autom Optimi
297. rzeuger wie Komprsssions oder Absorpbonskaltemaschinen eingetragen Ansonsten folgt die Systematik der des ersten Abschnitts Abschnitt Speicher Hier werden die Daten der Speicher eingetragen Ansonsten folgt die Systematik der des ersten Abschnitts Abschnitt Verteilkreise Hier werden die Daten der Werteilkreise eingeiragen die Energie von der Ebene der Erzeuger bzw Speicher zu den Verbrauchern bzw Zonen fransporberen Unter versorgte Zonen werden die Zonen mit einem x markier die uber den jeweiligen Kreis versorgt werden De Namen der Zonen sind mit dem Blatt Daten Geb udetZonen verkn pft Modben_checkliste_stufe_2 xls bersicht Seite 2 von 3 22 12 2010 Fraunhofer ISE 05 07 2011 Anhang Seite XXIX Modellbasierte Methoden fur Fehlererkennung und Optimierung Fraunhofer ISE ModBen HE EEE Datenerfassung Stufe 2 E Mo d B e n an HE Anleitung Unter versorgte Luftungsanlagen werden die L ftungsanlagen LA x markiert die wasserserbg ber den jeweiligen Kreis versorgt werden Die Spezifikaton der referenzierten L ftungsanlagen erfolgt in nachsten Abschnitt Abschnitt L ftungsanlagen Hier werden die Daten und Funktionen der L ftungsanlagen eingetragen Unter versorgte Zonen werden die Zonen mit einem x markiert die luftsenig ber die jeweilige L ftungsanlage versorgt werden Die Namen der Zonen sind mit dem Blatt Daten Geb aude Zonen verkn pft Tabellenblatt Bauteile In diesem T
298. s chlich sichtbar ist Tabelle 22 gibt einen berblick ber den generellen Aufbau der Scatterplots f r die Verbrauchswerte Fraunhofer ISE 05 07 2011 Seite 106 Tabelle 22 Plots Fernwarme ber AT Modellbasierte Methoden fur Fehlererkennung und Optimierung Hinweise zur Interpretation O Typisches Erscheinungsbild Der Energieverbrauch steigt mit sinkender AT an Uber dem so genannten Changepoint bei Heizenergie in den meisten F llen gleichbedeutend mit der Heizgrenze kann die Leistung entweder A gleich Null wenn keine W rme im Sommer ben tigt wird oder B konstant sein z B f r einen klimaunabh ngigen Verbrauch wie Warmwasser oder C eine negative Steigung haben Der letzte Fall tritt typischerweise auf wenn das Verteilnetz evtl unn tig im Sommer betrieben wird und somit Verteilverluste auftreten Wenn die Leistung bei niedrigen AT einen gewissen Wert nicht berschreitet D kann das ein Hinweis auf zu geringe Leistung der Fernw rmeversorgung sein insbesondere wenn es keinen weiteren Warmeerzeuger gibt Unterschied zwischen Werktagen und Wochenenden Bei vielen Nichtwohngebauden beschrankt sich die Nutzung aut die Werktage Falls eine Wochenendabsenkung implementiert ist erscheinen Werktage und Wochenenden als zwei separate Punktwolken mit erkennbarem Abstand Je weiter die Absenkung desto gr er wird der Abstand Falls kein Abstand erkennbar ist ist oft ein fehlender oder fehlerh
299. s Potential f r den praktischen Einsatz da sie im Prinzip schnell und einfach zu implementieren sind und dem Fraunhofer ISE 05 07 2011 Seite 169 Modellbasierte Methoden fur Fehlererkennung und Optimierung Betriebspersonal hilfreiche Unterst tzung bei der Betriebs berwachung bieten k nnen Allerdings stellt sich in der konkreten Anwendung die Frage welche Betriebsgr en sinnvoller Weise berwacht werden sollen bzw k nnen und welche Art von Black Box Modellen sich daf r eignen Im Rahmen von ModBen wurden verschiedene Ans tze untersucht 8 9 2 Beschreibung Prinzipiell ist die Vorgehensweise bei der Anwendung von Black Box Modellen wie folgt e Auswahl und kontinuierliche Erfassung der Messdaten Die notwendigen Messdaten m ssen identifiziert und erfasst werden Im Fall von ModBen wurde auf Basis des Mindestdatensatzes gem 7 2 gearbeitet e Sicherstellen dass der aktuelle Betrieb fehlerfrei ist Da Black Box Modelle zumindest ohne zus tzliche Algorithmik sich nicht zur Fehlerdiagnose und Optimierung eignen muss vor der Anwendung gepr ft werden dass der zu berwachende Betrieb erhaltenswert ist und nicht etwa grobe Fehler vorliegen Im Prinzip eignen sich daf r alle Methoden die in Kapitel 8 4 bis 8 8 und 8 10 genannt sind Im einfachsten Falle kommt eine intelligente Datenauswertung und eine manuelle Fehlererkennung zum Einsatz e Modell mit Trainingsdaten kalibrieren Das gew hlte Modell muss kalibrier
300. s nicht geschieht bleiben viele Einsparm glichkeiten ungenutzt oder werden erst viele Woche oder gar Monate nach ihrer Identifikation umgesetzt 12 3 2 Technische Hemmnisse Die Installation der Messtechnik bzw die Ert chtigung der Gebaudeautomation war mit einigen technischen Problemen verbunden die hier kurz dargestellt werden Datenerfassung Die Erfassung des Mindestdatensatzes hat sich trotz seines beschr nkten Umfangs als gro e H rde erwiesen Zum einen waren in allen Demonstrationsgeb uden Nachr stungen von Messtechnik notwendig um den Mindestdatensatz komplett zu erfassen Zum anderen ist die kontinuierliche Erfassung und gemeinsame Speicherung von sowohl Energieverbrauchsdaten als auch von Betriebsdaten mit hoher zeitlicher Aufl sung noch keineswegs ein Standard Insbesondere die Erweiterung von GA Systemen hohe zeitliche Aufl sung Daten bertragung hat sich als Aufwendig und kostenintensiv erwiesen Zeitliche Aufl sung der Datenerfassung Stromversorgung der Energiez hler Viele Energiez hler im Bestand sind nicht f r eine zeitlich hoch aufgel ste 44 www buildingsmart tech org www gbxml org 4 VDI 3805 Produktdatenaustausch in der TGA www vdi3805 org Fraunhofer ISE 05 07 2011 Seite 214 Modellbasierte Methoden fur Fehlererkennung und Optimierung Datenerfassung ausgelegt Sie sind h ufig mit einer Batterie ausgestattet die ber einen Zeitraum von einigen Jahren nur monatliche Auslesungen zul
301. se regelbasiert CITE AHU X x X x nur f r L ftungsanlagen Fehlerdiagnose regelbasiert Weitere Infos Anbieter 1 Interval Data Systems www intdatsys com 2 Architectural Energy Diagnostics http Awww entormadiagnostics com 3 Performance and Continuous Recommissioning Analysis Tool PACRAT Facility Dynamics Engineering www facilitydynamics com 4 Universal Translator PG amp E www utonline org 5 EMMA CTA FAULT DETECTION AND DIAGNOSTIC OF AIR HANDLING UNIT CSTB http software cstb fr 6 Energy WorkSite and Energy Expert NorthWrite Inc www energyworksite com 7 Diagnostic Agent for Building Optimisation DABO Natural Resources Canada www nrcan gc ca 8 Automated Building Commissioning Analysis Tool ABCAT Texas A amp M University www esl tamu edu 9 Whole Building Diagnostician Pacific Northwest National Laboratory http Avww buildingsystemsprogram pnl gov fdd wbd index stm Commissioning the Installation and Technical Equipment Air Handling Units CITE AHU NIST CSTB www bfri nist gov Keines der oben genannten Werkzeuge ist lter als 10 Jahre wenige sind lter als 5 Jahre Dies verdeutlicht noch einmal dass die Disziplin relativ jung ist Uber die Verbreitung Anzahl der Lizenzen der einzelnen Tools liegen keine Zahlen vor Neben den in Tabelle 7 genannten Eigenschaften weisen die meisten Tools erweiterte Funktionen zur Datenakquise und Datenverarbeitung auf Erstellung vir
302. sehr hilfreich erwiesen hat 12 2 3 Stufe 3a Fehlererkennung und Diagnose Bei der Fehlererkennung und Diagnose FED ist zun chst festzustellen dass sich der Mindestdatensatz gem 7 2 als hinreichend erwiesen hat typische und h ufige Fehler im Geb udebetrieb zu identifizieren z B zu lange ider nicht abgestimmte Betriebszeiten unzureichende Absenkbetrieb falsch eingestellte Heiz oder K hlkurven falsch dimensionierte Komponenten Bez glich der manuellen FED haben sich die neu entwickelten Werkzeuge von ennovatis und dem Fraunhofer ISE zur systematischen Datenerfassung und Prozessierung und standardisierten Datenvisualisierung als u erst hilfreich erwiesen Eine Automatisierung zumindest der Fehlererkennung ist z B mit Ans tzen wie in 8 9 beschrieben m glich Weiterhin wurden Ans tze zur FED mit Simulation ausgew hlter Subsysteme und mit Simulation des Gesamtgeb udes gepr ft e FED mit Simulation ausgew hlter Subsysteme Geb ude und deren Systeme sind vor allem im Nicht Wohngeb udebereich sehr individuell Daher erfordert die Modellierung des Gesamtsystems heute einen hohen manuellen Aufwand Im Bereich der Fehlererkennung und Diagnose FED besteht die Hoffnung dass durch eine Einschr nkung auf bestimmte gut isolierbare h ufig vorkommende Untersysteme der manuelle Modellierungsaufwand sehr stark reduziert werden kann Im Rahmen von ModBen wurde versucht das in praktisch allen Geb uden vorkommende Subsys
303. sein als f r andere Modelle Er h ngt vor allem vom gew hlten Detaillierungsgrad des Modells ab Es kann sehr einfache White Box Modelle geben die trotzdem alle wesentlichen Elemente eines Systems korrekt abbilden Eine Vorraussetzung f r White Box Modelle ist dass die zugrunde liegenden technischen physikalischen und mathematischen Beschreibungen bekannt sein m ssen und dar ber hinaus eine numerische L sung implementierbar sein muss Bei White Box Modelle ist in der Regel a priori bekannt in welchen Grenzen Extrapolationen m glich sind F r White Box Modellen k nnen in der Regel sogar klassische Fehlerrechnungsmethoden angewendet werden um die Vorhersagegenauigkeit der Modelle zu ermitteln F r ein kalibriertes White Box Model ist daher der G ltigkeitsbereich und damit das Extrapolationsverhalten im Rahmen der Fehlergenauigkeit bekannt Die Parameter von White Box Modellen sind unterschiedlich genau bekannt Teilweise liegen sehr genaue Messwerte vor z B W rmeleitf higkeiten bestimmter Materialien und teilweise handelt es sich lediglich um grobe Sch tzwerte da eine genaue Messung mit einem sehr hohen Aufwand verbunden ist z B Fenster ffnungen und Luftwechselraten bei nat rlicher L ftung Bei der Kalibrierung von White Box Modellen ist es sinnvoll die weniger genau bekannten Parameter anzupassen Wobei in der Regel plausible Nebenbedingungen f r diese Parameter festgelegt werden richtige Gr enordnung Falls das Mod
304. sing simulation models for building commissioning Mechanical Engineering 2004 E Palomo Del Barrio and G GUYON Using Parameters Space Analysis Techniques for Diagnostic Purposes in the Framework of Empirical Model Validation A Report of Task 22 Subtask A Building Energy Analysis Tools International Energy Agency 2002 D Claridge N Bensouda S Lee and G Wei Manual of Procedures for Calibrating Simulations of Building Systems Lawrence Berkley National Laboratory 2003 ASHRAE handbook fundamentals American Society of Heating Refrigerating and Air Conditioning Engineers 2001 J Lebrun Simulation of a HVAC System with the Help of an Engineering Equation Solver 7th IBPSA Conference Brazil 2001 pp 1119 1126 F D qu F Ollivier and A Poblador Grey boxes used to represent buildings with a minimum number of geometric and thermal parameters Energy and buildings vol 31 2000 p 29 35 L Ljung System Identification Theory for the User 2nd Edition Prentice Hall 1999 Fraunhofer ISE 05 07 2011 Anhang Seite III 16 17 18 19 20 21 22 23 24 25 26 27 28 29 Modellbasierte Methoden f r Fehlererkennung und Optimierung J Kissock and J Haberl Inverse modeling toolkit numerical algorithms ASHRAE Transactions vol 109 2003 R Isermann Fault Diagnosis Systems An Introduction from Fault Detection to F
305. smodelle und IFC Industry Foundation Classes die erfolgversprechend weiterentwickelt werden die auch im Bereich der Konstruktion als auch der Simulation bereits Anwendung finden aber noch kein wirklich funktionierendes und vielfach verwendetes Gesamtsystem darstellen Mit solchen Ans tzen k nnen auch Probleme wie die zeitliche und organisations bergreifende Datenkonsistenz adressiert und verbessert oder gel st werden Im Bereich der Fehlererkennung und Diagnose FED besteht die Hoffnung dass durch eine Einschr nkung auf bestimmte gut isolierbare h ufig vorkommende Untersysteme der manuelle Modellierungsaufwand sehr stark reduziert werden kann Mit Blick auf die in der Geb udeautomation GA heute bliche Darstellung der Systeme erscheinen automatische Modellgenerierungen in gewissem Umfang heute schon denkbar bei denen dann nur noch wenige Parameter abgefragt werden m ssen Allerdings fehlen den heutigen GA Systemen noch viele Meta Informationen die f r die Geb udemodellierung wichtig sind wie z B geometrische Informationen Nutzerinformationen aber auch verschiedene Systeme die in den gleichen Zonen wirksam sind Hier k nnten BIM erg nzende Informationen liefern Mit Modellen der Subsysteme wird bei diesem Ansatz versucht Abweichungen zwischen tatsachlichem und erwartetem modelliertem Verhalten als Indikation f r Fehler verwenden zu k nnen Falls die Modelle sogar in der Lage sind Fehler zu modellieren so ist u U
306. sogar eine Eingrenzung und Identifizierung m glich Um diesen Ansatz im Rahmen von ModBen zu untersuchen wurde zun chst eine Auswahl der Untersysteme nach H ufigkeit und energetischer Relevanz vorgenommen Dabei ergab sich bei der Auswertung aller Demonstrationsgeb ude dass alle Demogeb ude Heizkreise enthalten und bei fast allen Demogeb uden es zu Fraunhofer ISE 05 07 2011 Seite 136 Modellbasierte Methoden fur Fehlererkennung und Optimierung niedrige Spreizungen in den Heizkreisen gab D h aufgrund der H ufigkeit und der h ufigen Fehler erschienen Heizkreise sehr interessant Allerdings erscheint das Energieeinsparpotential gering wenn lediglich die Spreizung erh ht werden kann Aufgrund der gro en H ufigkeit und gro en hnlichkeit von Heizkreisen erschien es trotzdem interessant an diesem Subsystem diesen Ansatz zu testen Die Frage Hypothese oder der Fehler der im Rahmen dieses Beispiels gekl rt werden soll kann folgenderma en in Worte gefasst werden Sind die gemessenen Spreizungen fehlerhaft oder nicht Zum Beantworten dieser Frage sind sowohl Simulationsprogramme als auch einfache Berechnungen geeignet Damit die Frage beantwortet werden kann muss jedoch sowohl die Gebaudeseite als auch die Hydraulik modelliert werden k nnen Die folgende Tabelle gibt einen berblick ber die hier relevanten Modellierungsf higkeiten verschiedener Simulationsprogramme gt Heizkreise Vergleich Simulationsprogramme
307. sraum Techniken sind hilfreich weil sie zu numerisch effizienten L sungen solcher Gleichungssysteme f hren SE aus der Regelungstechnik http de wikipedia org wiki Zustandsraumdarstellung Normalformen_im_Zustandsraum Fraunhofer ISE 05 07 2011 Seite 152 Modellbasierte Methoden fur Fehlererkennung und Optimierung Kalibrierung der Temperaturantwort Das Demonstrationsgeb ude Hauptsitz der Firma ennovatis in Gro p sna wurde im Rahmen des Projekts unter der Ber cksichtigung der soeben eingef hrten Methode modelliert Daf r wurde Matlab Simulink verwendet und Abbildung 63 zeigt die Darstellung des Modells innerhalb der Software Heat Addition or Extraction Rate Deviation Ideal Heating and Cooling System Setpoi Heating Cooling 3 Scope Tamb Wind Speed BERLIN CLIMATE Climate Data J jam THoor Rel Humidity Heat Additon or aida Twall inside Extrachon Rate Hoe ee Ki Single Zone u Twall outside en gt Ternperature int Building Internal Gain Schedule Amer Da BERLIN SOLAR z Solar Data Solar Processor Fenestration To Workspace up Energy amp Costs Energy Bost cope Abbildung 63 Darstellung des Modells innerhalb von Matlab Simulink F r das Demonstrationsgeb ue wurde eine Parameterbestimmung durchgef hrt wobei die Kalibrierung auf der Grundlage der Temperaturantwort die aus den Messdaten hervorging durchgef hrt wurde Das Ziel der Kalibrierung war die Bestim
308. ssungen und Simulation Fraunhofer ISE 05 07 2011 Seite 178 Modellbasierte Methoden fur Fehlererkennung und Optimierung e Zeitformat Zeiten werden im Microsoft konformen Format double gespeichert Dabei ist der ganzzahlige Teil des Wertes die Anzahl der Tage seit dem 31 12 1899 die Zahl 1 0 repr sentiert demnach den 01 01 1900 00 00 00 vgl MS Excel Der Bruchteil eines Datums entspricht somit dem Bruchteil eines Tages e Zeitbereich Ein Zeitbereich ist gekennzeichnet durch die Angabe des Beginns und des Endes innerhalb dessen ein Wert G ltigkeit hat Mittelwert e Zeitreihe Eine Zeitreihe ist die chronologisch aufsteigende Aneinanderreihung einzelner Zeitbereiche Das Ende jeden Zeitbereichs ist dabei gleichzeitig der Beginn des n chsten Aus diesem Grund wird der Wert des ersten Zeitpunktes einer Zeitreihe ignoriert Er stellt den Begin des ersten Zeitbereichs und somit der gesamten Zeitreihe dar Beispiel 70 to ti tz 3 Abbildung 86 Beispiel f r Zeitreihe Der zu to geh rende Wert ist der erste Wert dieser Zeitreihe und wird beim Anlegen automatisch generiert Er ist ung ltig und wird deshalb ignoriert 50 ist hier als Beispiel der erste erfasste Wert zum Zeitpunkt t Zum Zeitpunkt tz wurde der Wert 30 erfasst zum Zeitpunkt t3 der Wert 70 F r den Zeitraum von to bis zu t wird der erfasste Wert im Beispiel 50 als Mittelwert gesetzt Genauso bei t2 und t3 Messdaten sind zu beliebigen Ze
309. sultiert daraus ein Betrieb der geb udetechnischen Anlagen weitab ihres energetisch konomischen Optimums Gleichzeitig fehlt dem Besitzer bzw Betreiber der Anlagen oft das notwendige technische Know How und oder Kapital um Verbesserungen zu erreichen F r die Identifikation der genannten Einsparpotenziale und zur Erreichung eines nachhaltigen das hei t dauerhaft energieeffizienten Geb udebetriebs sind neue Ans tze im Bereich des Energiemanagements notwendig die auf kontinuierliche und weitgehend automatisierte Fehlererkennung Fehlerdiagnose und Optimierung setzen Entsprechende Verfahren sind im Bereich kritischer Prozesse z B Nukleartechnik Luftfahrt chemische Industrie blich spielen aber im praktischen Geb udebetrieb bislang keine Rolle 1 2 Das Projekt ModBen hat verschiedene Ans tze und Werkzeuge entwickelt und in realen Geb uden getestet Dieser Bericht fasst die Ergebnisse zusammen e Kapitel 2 gibt eine kurze Beschreibung der heute in Deutschland blichen Praxis des Geb udebetriebs und stellt das aus dem amerikanischen Sprachraum kommende Continuous Commissioning zur Verbesserung des Gebaudebetriebs vor e In Kapitel 3 werden Ziele und Struktur von ModBen erl utert Neben der Zielsetzung und dem Arbeitsplan werden auch die Team Mitglieder vorgestellt e Kapitel 4 beleuchtet den prinzipiellen Einsatz von Modellen bei der Fehlererkennung und diagnose von sowie bei der Betriebsoptimierung
310. t Wohngebaude weisen aufgrund einer fehlenden oder reduzierten Nutzung am Wochenende eine deutliche Differenz der Stromleistung an Werktagen und Wochenenden auf Der Faktor zwischen Werktagen und Wochenenden liegt h ufig i Bereich von etwa 2 Falls der Faktor deutlich geringer ausf llt kann das ein Hinweis auf eine vergleichweise hohe grundlast und damit auf eni Einsparpotenzial sein Changepoint Die Stromleistung wird nur dann einen Changepoint aufweisen wenn der Verbrauch einen klimaabh ngigen Anteil besitzt und dessen Maximalwert deutlich ber 10 der Grundlast liegt Steigung Die Steigung der Signatur ist ebenfalls mit dem klimaabh ngigen Anteil der Last verbunden Das Ausma der Steigung spiegelt direkt die Gr enordnung der Klimaabh ngigkeit wieder Die Signatur von Strom der zu Heizzwecken oder zur Beleuchtung eingesetzt wird kann eine negative Fraunhofer ISE 05 07 2011 Seite 109 Plots Wasser Uber AT Modellbasierte Methoden fur Fehlererkennung und Optimierung Hinweise zur Interpretation Typisches Erscheinungsbild vereinfacht Steigung besitzen Wenn er zu K hlzwecken eingesetzt wird kann die Steigung positiv sein U U kompensieren klimaabh ngige Verbrauchsanteile sich bez glich der Steigung z B Beleuchtung und K hlung so dass sich im Ergebnis eine konstante Signatur ergibt Typische Last Viele normal genutzte Nicht Wohngeb ude B ronutzung ohne gr ere Datencenter oder Gas
311. t denselben Detaillierungsgrad und Umfang aufweisen wie das Geb udemodell In vielen F llen ist die M glichkeit erw nscht den Zeitraum eines Jahres mit einer zeitlichen Aufl sung von einer Stunde oder weniger zu simulieren Daf r ist ein beachtlicher Rechenautwand notwendig Das hat dazu gef hrt dass zu Beginn der Entwicklung numerische Aspekte eine sehr bedeutende Rolle gespielt haben und die Simulationsprogramme Modelle ganz speziell f r hohe Rechengeschwindigkeiten optimiert wurden Hohe Modellierungstlexibilitat oder eine besonders klare und nachvollziehbare Umsetzung der physikalischen Prinzipien spielte keine Rolle Dies hat den Nachteil dass die Implementierung von nderungen und Erg nzungen schwierig und aufw ndig ist Aufgrund der gestiegenen Rechenleistungen der Computer sind heute die Kosten f r den Rechenzeitbedarf in vielen Projekten F llen sehr viel geringer als der Aufwand zum Erstellen der Simulationsmodelle und zum Integrieren neuer Modelle D h heute stehen eher eine hohe Modellierungsflexibilitat oder eine besonders klare und nachvollziehbare Umsetzung der physikalischen Prinzipien im Vordergrund Ein Modellierungsansatz daf r ist der so genannte Gleichungsbasierte Ansatz equation based approach Dabei werden die physikalischen Gleichungen als Bestandteil des Simulationsmodells mit an das Simulationsprogramm bergeben Dadurch k nnen sie z B im Detaillierungsgrad und bzgl der Verkn pfungen an das jeweil
312. t werden d h dass Messdaten fur die abh ngigen und unabh ngigen Variablen des Modells in einem Trainingsdatensatz ber einen gen gend langen Zeitraum und mit der notwendigen zeitlichen Aufl sung vorliegen Mit Hilfe des Trainingsdatensatzes k nnen die Parameter des Modells mit Hilfe geeigneter Methoden identifiziert werden Im Ergebnis erh lt man ein Modell welches die Zielgr e z B t glicher Enenergieverbrauch anhand der gemessenen unabh ngigen Gr en z B Au entemperatur gen gend genau abbilden kann e Anwenden des kalibrierten Modells zur Betriebs berwachung Im Anschluss kann das Modell genutzt werden um den aktuellen Betrieb zu berwachen indem die Abweichung des aktuellen Messwertes der Zielgr e zum Vorhersagewert des Modells bestimmt und bewertet wird Bei Abweichungen die au erhalb eines gewissen Toleranzbereichs liegen wird eine Unregelm igkeit bzw ein Fehler gemeldet e Modell regelm ig anpassen bei ver nderten Randbedingungen Schlie lich muss unter Umst nden eine Anpassung des Modells erfolgen f r den Fall dass sich der Betrieb signifikant ndert z B durch eine Nutzungs nderung einen Umbau oder eine Sanierung Im einfachsten Fall muss dann die Trainingsphase noch mal durchlaufen werden sobald ein neuer Trainingsdatensatz in gen gendem Umfang vorliegt Im Sinne des Top Down Ansatzes von ModBen wurde zun chst der naheliegende Ansatz verfolgt den Endenergiebedarf von Geb uden mit Bl
313. te Verantwortlichkeitsbereiche mit wenig Ankn pfungspunkten bzw Austausch Die oben genannten Gr nde f hren dazu dass evtl trotz der Einf hrung eines Energiemanagements Einsparpotenziale unerkannt und ungenutzt bleiben Continuous Commissioning Kontinuierliche Betriebs berwachung Um die oben genannten Probleme im Geb udebetrieb zu vermeiden bedarf es einer kontinuierlichen Qualit tssicherung die von den Anforderungen des Geb udebesitzers bzw Geb udenutzers ausgeht und die auf ein Anlagen und Energiemonitoring gest tzt ist Der aus den USA kommende Begriff Continuous Commissioning CC etwa kontinuierliche Inbetriebnahme umschreibt einen solchen Prozess Das Continuous Commissioning Guidebook 3 gibt folgende Definition Continuous Commissioning is an ongoing process to resolve operating problems improve comfort optimize energy use and identify retrofits for existing commercial and institutional buildings and central plant facilities Eine andere Definition des ICBCS Annex 40 4 betont den Aspekt der Qualit tssicherung im Sinne der Einhaltung der Nutzeranforderungen CC Clarifying Owner s Project Requirements OPR from viewpoints of environment energy and facility usage and auditing and verifying different judgments actions and documentations in the Commissioning Process CxP in order to realize a performance of building system requested in the OPR through the life of the building
314. telle Field 1 Farameter Index 11002 0 65535 Werte Konfiguration e Nach Aktivierung der Anweisungen schreibt die Modbus Anweisung den von der Referenz ID bermittelten Wert in das gew hlte Register des Reglers e Zur berpr fung des Schreibvorgangs ist es notwendig dass eine weitere Modbus Anweisung zum Lesen des Registers erstellt wird Diese sind wie folgt aufgebaut o Aussagekr ftiger Name o Adresse O o Angepasster Speicher und Messzyklus z B 1 Min o im Eingabefeld Adresse ModBus Anweisungen muss die Modbus Adresse Stationsadresse des Reglers eingetragen werden o Modbus Funktion 0x03 Read Single Register o Anzahl der Worte 1 o Parameter Index gibt an an welcher Stelle des Modbus Registers ein Wert gelesen werden soll In Tabelle 1 sind die relevanten Register zur Parametrierung des Regelkreises 1 und in Tabelle 2 die f r Regelkreis 2 o Unter Werte Konfiguration sind entsprechend der Anzahl der festgelegten Worte Konfigurationswerte vom Typ SIGNED_WORD anzulegen Fraunhofer ISE 05 07 2011 Anhang Seite XLIII Modellbasierte Methoden fur Fehlererkennung und Optimierung Beispiel Werte Konfiguration ModBus Werte Konfiguratio T_Soll_Tag_RK1 SIGNED WORD e Nachdem alle Werte in die passenden Register geschrieben wurden k nnen die Anweisungen deaktiviert werden J 1 2 Raumsollwert Tag Nacht anpassen Der Raumsollwert spielt in der Heizkennlinienanpassung n
315. tem Weiterhin k nnen White Box Modelle durch Black Box Modelle erg nzt werden um Ph nomene die nicht mit dem physikalischen Modell abgebildet werden zu ber cksichtigen 19 Die Black Box Anteile an den Gray Box Modellen werden in der Physik und den Ingenieurwissenschaften auch als empirische Modelle bezeichnet und haben in diesen Bereichen teilweise eine lange Tradition In der Vergangenheit wurden daf r Fraunhofer ISE 05 07 2011 Seite 35 Modellbasierte Methoden fur Fehlererkennung und Optimierung statistische Methoden verwendet die durch neuere Entwicklungen wie z B neuronale Netze erg nzt wurden Eingangsgr en Black Box Modell z B Unter i modell m System Ausgangsgr en Abbildung 11 Gray Box Modell im Sinne dass Untermodelle mit gemischtem Charakter in einem Modell f r verschiedene Teile verbunden sind Eingangsgr en White Box Modell z B Geb ude Black Box Modell zur Korrektur z B Neuro nales Netz Ausgangsgr en Abbildung 12 Gray Box Modell im Sinne dass einem White Model durch ein Black Model zur Fehlerkorrektur h herer Ordnung erg nzt wird Fraunhofer ISE 05 07 2011 Seite 36 Modellbasierte Methoden fur Fehlererkennung und Optimierung In der Literatur finden sich auch Beispiele von Gray Box Modellen die durch Kalibrierung von Black Box Modellen mit Hilfe von White Box Modellen gewonnen werden 14 Dabei werden z B lineare polynomische oder harmon
316. tem Heizkreis zu modellieren und das Modell zur FED einzusetzen Mit dem Modell wird versucht Abweichungen zwischen tats chlichem und erwartetem modelliertem Verhalten als Indikation f r Fehler verwenden zu k nnen Im Ergebnis hat sich gezeigt dass typische Fehler mit Modellen die einen relativ geringem manuellen Modellierungsaufwand besitzen und mit stochastischen Methoden arbeiten erkannt werden k nnen Umsetzungen in der Praxis sind denkbar ben tigen jedoch weitere Entwicklungsarbeit e FED auf Ebene Gesamtgeb ude mit probabilistischen Methoden Bei der Simulation von Geb uden als Gesamtsystem von Bauk rper und Anlagentechnik bestehen aufgrund der oft l ckenhaften Informationsbasis aber auch aufgrund z B des Einflusses der Nutzer mehr oder weniger gro e Unsicherheiten was die Festlegung von Parametern des Simulationsmodells betrifft Im Rahmen von ModBen auf Basis der Bayes sche Wahrscheinlichkeitstheorie ein probabilistischer Ansatz entwickelt der es erm glicht diese Unsicherheiten der Parameter als Wahrscheinlichkeitsdichten in das Modell Fraunhofer ISE 05 07 2011 Seite 211 Modellbasierte Methoden fur Fehlererkennung und Optimierung mit einzubeziehen Der Ansatz Ist aufgrund seiner Allgemeingultigkeit und aufgrund der M glichkeit auch unsicheres Wissen Uber ein System in formal eindeutiger Weise einzubinden auBerst interessant Allerdings ist der Ansatz auch numerisch sehr aufwendig Zur Anwendung muss eine
317. ten gt 1 4 5 2 4 3 Monatliche Daten 2 Analyse Pr fung aktueller Verbrauch auf Jahresbasis Pr fung aktueller Verbrauch auf Monatsbasis Signaturen Deutliche Abweichungen Deutliche erkennbar Abweichungen erkennbar 3 Ma nahme 4 N chster Schritt Schritt 1 Schritt 1 Schritt 4 Betriebs berwachung Fraunhofer ISE 05 07 2011 Schritt 1 Modellbasierte Methoden f r Fehlererkennung und Optimierung gt 1 4 8 33 4 1 3a 4 2 34 4 3 St ndliche Daten Pr fung aktueller Verbrauch auf T glicher St ndl Basis Signaturen Mus ter Deutliche Abweichungen erkennbar Schritt 1 gt 3b 4 1 3b 4 2 St ndliche Daten Modell Pr fung aktueller Verbrauch auf T glicher St ndl Basis Signaturen Muster Vergleich mit Modell Deutliche Abweichungen erkennbar Anhang Seite XV Modellbasierte Methoden fur Fehlererkennung und Optimierung E Datenerfassung und Transfer in den Demonstrationsgebauden Fraunhofer ISE 05 07 2011 Anhang Seite XVI Modellbasierte Methoden fur Fehlererkennung und Optimierung DVZ Barnim GLT Server OPC Server Ennovatis indirekte Netzwerkverbindung VEC Controlling Rechner fur asynchrone Controlling Daten bertragung Ennovatis Controlling St rung im Netz werden Fe OPC Datenabfrage DCOM http Service http z B Port 80 oder 8080 DCOM Datenquelle EEE Webserver Sr Pe Apache 2 2
318. tensatzes hat sich als wertvoll f r die Analyse erwiesen Eine der urspr nglichen Ideen von ModBen die Betriebsanalyse mit der Zertifizierung gem EnEV zu verkn pfen hat sich leider aufgrund des Entwicklungsstandes der EnEV bzw der dahinter liegenden Norm DN V 18599 als nicht tragf hig erwiesen Weiterhin wurden zahlreiche modellbasierte Ans tze zur Fehlererkennung Diagnose und zur Optimierung gepr ft Die Mehrzahl der Ans tze hat sich als hilfreich f r die Betriebsanalyse erwiesen Ein Teil der gepr ften Ans tze wurde vom Projektpartner ennovatis in seine Software integriert und steht somit als Produkt dem Markt zur Verf gung Am Fraunhofer ISE wurde mit dem Werkzeug datastorage eine Plattform f r weitergehende Forschung Bereich Betriebsanalyse geschaffen die auch in Folgeprojekten eingesetzt wird Allerdings wurde auch deutlich dass die Praxistauglichkeit der Ans tze beim derzeitigen Stand der Technik sehr unterschiedlich ist Daraus ergibt sich ein weiterer Entwicklungsbedarf der letztlich auf eine bessere Integration der Betriebsanalyse in die Geb udetechnik bzw die Gebaudeautomation abzielen sollte Die folgenden Abschnitte geben einen berblick ber die Ergebnisse von ModBen Generelle Ergebnisse Wie bereits erw hnt hat ModBen gezeigt dass ber die Einf hrung eines Continuous Commissioning gem 7 1 Einsparungen im Bereich von 10 20 erzielt werden k nnen Die statische Amortisation des Verfahr
319. ter Basisfunktion abgeleitet die mit x x bezeichnet wird bei neuronalen Netzen wird diese auch als Aktivitatsfunktion bezeichnet e x ist eine Funktion des skalaren Variable x e Typischerweise sind die g skalierte und verschobene Versionen von x F r den skalaren Fall d 1 nur ein Regressor ergibt sich so lo Il Pr Yk K Bx Yk mit Bk Parameter Gewichtung Vk Parameter Translation Abbildung 10 zeigt einige h ufig verwendete nichtlineare Funktionen f r die Mutter Basistunktion Neutrale Zone binar limiter sigmoid Abbildung 10 H ufig verwendete Funktionen f r die Mutter Basisfunktion F r den Fall dass die Dimension des Regressor Vektors gr er als 1 ist d gt 1 ist gx eine Funktion mehrerer Variabler In den meisten F llen wird diese aus der skalaren Version von in einfacher Weise konstruiert Diese Konstruktionen werden bei Neuronalen Netzen auch als Propagierungstunktion bezeichnet Typische Beispiele sind Fraunhofer ISE 05 07 2011 Seite 33 Modellbasierte Methoden fur Fehlererkennung und Optimierung e Skalare Konstruktion Der Funktionswert wird mit dem skalaren Produkt der Vektoren von Gewichtungsparametern und Regressoren berechnet Qk gkko Bx Yk K Bx Yk e Radiale Konstruktion Der Funktionswert wird mit dem Abstand der Vektoren von Gewichtungsparametern und Regressoren berechnet go Gk Br Yk K O yK Br ye Das somit entstanden
320. thode setzt jedoch die exakte Kenntnis der Struktur und der Parameter des Modells voraus White Box Modell 5 1 2 Fehlerdiagnose Ziel der Fehlerdiagnose ist es aus den ermittelten Symptomen zur ck zu schlie en auf Ort Art und Ausma des zugrunde liegenden Fehlers Dies setzt Wissen dar ber voraus wie Symptome und Fehler zusammen h ngen Hierbei k nnen zwei F lle unterschieden werden Kausalitat von Fehler und Symptom nicht bekannt In diesem Fall k nnen Klassifizierungs Methoden zur Fehlerdiagnose herangezogen werden Diese Methoden versuchen auftretende Fehler anhand hnlicher Symptome zu klassifizieren Die Klassen m ssen experimentell bzw durch Lernen ermittelt werden Dadurch entsteht eine unstrukturierte Wissensdatenbank Kausalit t von Fehler und Symptom bekannt Ist der kausale Zusammenhang zwischen Fehler und Symptom bekannt k nnen durch kausales Folgern die Fehler ermittelt werden Je nachdem ob die beobachteten Symptome diskreter bzw bin rer oder kontinuierlicher Natur sind k nnen verschiedene Verfahren zur Folgerung bzw zur Sch tzung eingesetzt werden Abbildung 18 gibt einen groben berblick ber die verschiednen existierenden Methoden der ebenfalls aus 17 entnommen ist Fraunhofer ISE 05 07 2011 Seite 45 2 Modellbasierte Methoden f r Fehlererkennung und Optimierung Fehlerdiagnose Klassifizierung Kausales Mustererkennung Folgern Muster Statistische Approxi Dichte m Approxi
321. timierung vorgestellt Das von der Texas A amp M University entwickelte relativ einfache Geb udesimulations programm AirModel enth lt sehr einfache Optimierungsmethoden Sie sind auf die Regelung bestimmter Haustechnikkomponenten amerikanischen Typs cold deck und hot deck beschr nkt 48 Die Parameter Solltemperaturen werden in der Simulation schrittweise ge ndert um das Optimum zu suchen Diese Software ist in Deutschland und Europa kaum anwendbar In 46 und 8 wird die Kopplung von EnergyPlus als Gebaudemodell mit verschiedenen Optimierungsalgorithmen u a GPS und GA verglichen Dabei werden u a Geb udeparameter wie z B Fensterdimensionen optimiert die nur in der Planungsphase angepasst werden k nnen Dabei zeigt sich jedoch dass im Zusammenhang mit Gebaudesimulationen kaum allgemeing ltige Aussagen zur Wahl der Optimierungsalgorithmen gemacht werden k nnen Auch bei 49 werden Parameter der Geb udeh lle mit GenOpt und EnergyPlus optimiert Dort wird berichtet dass aufgrund der Importm glichkeiten von EnergyPlus das Gebaudemodell in zwei Stunden erzeugt werden konnte und mit lediglich ca Fraunhofer ISE 05 07 2011 Seite 68 Modellbasierte Methoden fur Fehlererkennung und Optimierung 120 Iterationsschritten Simulationsl ufen das Optimum in einem Parameterraum von ca 3 10 M glichkeiten gefunden werden konnte Dabei wurde eine Energieeinsparung von 22 5 erzielt Diese Methoden wurden hier f
322. timmte Bedingung erf llt z B Teilmenge der Daten eines Heizkreises wenn die Umw lzpumpe in Betrieb ist Somit kann das Verhalten der Messgr en unter bestimmten Radbedingungen untersucht werden e Gruppierung Messdaten k nnen weiterhin nach bestimmten Bedingungen gruppiert werden z B mittlere t gliche Heizleistung an Werktagen und Wochenenden Verschiedene Betriebszust nde k nnen somit direkt miteinander verglichen werden Obwohl die zeitliche Aufl sung des Mindestdatensatzes in der Regel 5 10 Minuten betr gt ist in manchen Fallen die zeitliche Verdichtung zu Tageswerten sinnvoll um dynamische Effekte zu reduzieren F r eine Erstanalyse sollten mindestens 2 3 Monate an Messdaten vorliegen Die folgenden Abbildungen zeigen Beispiele f r die verschiedenen Visualisierungstypen Temperature C Outdoor Air Temp C 01 12 08 12 15 12 22 12 29 12 Dec 08 Jan 09 Abbildung 41 Zeitreihenplot klassische Zeitreihendarstellung einer Messgr e Wird im Rahmen von ModBen nur als Referenz f r die detaillierte Analyse des zeitlichen Verlaufs herangezogen Zeitliche Aufl sung 1 Stunde Fraunhofer ISE 05 07 2011 Seite 103 Modellbasierte Methoden fur Fehlererkennung und Optimierung Color scale C on BE or Time gt SSMTWT F S S M T WT FR SS MT Day Date gt Abbildung 42 _ Idealisierter Carpetplot w rde sich z B ergeben wenn ein Ventilator von montags bis freitags jeweils von 8 00 bis 18 00 bet
323. tragung Erl uterung E T F o D e fF ef Eee 5 un p 5 5 5 5 5 5 o a ara jr EEE re a ae any 2 Eee j VN Ss a a i NIE BF es m Er 5 IE er TE a 1 m EEE Hauptnutzungen entsprechend DIN W 13598 Teil 10 Nur Nutzungen angeben die mehr als 10 der NGF abdecken oder einen deutichen Einfluss auf den Energieverbrauch haben z B Rechenzenirum Zonen hnlicher Nutzung z B Einzelbura Gruppenb ro k nnen zusammengefasst werden Verkehrsfachen werden der Haupinutzung zugeordnet E Anlagentec hore any Fraunhofer ISE 05 07 2011 Anhang Seite XXIV Modellbasierte Methoden fur Fehlererkennung und Optimierung ModBen ig E we jE Datenerfassung Stufe 1 ee BM O B e n Feld nacht ausflllen Bereich j l Erl uterung 1 Erfassungsjahr 2 Erfassungsjahr 3 Erfassungsjahr Gebaudeautomabonssysten Monatswerte Energies Je Energietrager ausweisen Werte als separate Liste Wasserverbrauch miscucken wenn m glich f r die letzten 3 vorhanden Erfassungsjahre kein Einirag hen G Gesamt Summe aller Nuizungsbereiche Nicht vorhanden u a i gt 5 5 5 te un D or D x lt x lt Fraunhofer ISE 05 07 2011 Modellbasierte Methoden fur Fehlererkennung und Optimierung ModBen HE HH H _ 3734 Datenerfassung Stufe 1 an EM O d B mo n Fed nacht austen Bll Einheit Wert Eintragung Erl uterung
324. trobereiche weisen eine durchschnittliche elektrische Last von ca 5 W m Nutzfl che auf Falls der Wert f r ein entsprechendes Geb ude deutlich h her liegt kann dies ein Hinweis auf ineffiziente Auslegung oder Betrieb der anlagentechnischen Systeme sein Typisches Erscheinungsbild Der Wasserverbrauch zeigt hnliche Signaturen wie der Stromverbrauch aus teilweise denselben Gr nden Viele Nicht Wohngeb ude haben keinen klimaabh ngigen Anteil der Wasserverbrauchs A Eine positive Steigung B kann z B von K hlt rmen B verursacht werden die im Sommer den Wasserverbrauch erh hen Der Grund f r eine negative Steigung C kann z B geringere Belegung im Sommer durch Ferienzeiten sein insbesondere z B bei Universit ten oder Schulen C Changepoint Die Signatur des Wasserverbrauchs der meisten Geb ude besitzt keinen Changepoint da der klimaabh ngige Anteil des Verbrauchs sehr gering ist Ausnahmen k nnen z B bei gro en K hlt rmen auftreten Steigung Die Steigung der Signatur kann sowohl mit klimaabhangigen Verbrauchsanteilen z B Bew sserung im Sommer aber auch mit Belegungseffekten Ferienzeiten zu tun haben Unterschied zwischen Werktagen und Wochenenden Viele Nicht Wohngebaude weisen aufgrund einer fehlenden oder reduzierten Nutzung am Wochenende eine deutliche Differenz des Wasserverbrauchs an Werktagen und Wochenenden auf Der Wasserverbrauch ist der wichtigste Indikator f r
325. tueller bzw berechneter Datenpunkte Filterung der Daten Oft werden auch Verwaltungs bzw Datenbankfunktionalit ten wie die Erfassung und Darstellung von Tarifen bzw Kosten und Kostenstellen angeboten Fraunhofer ISE 05 07 2011 Seite 52 3 3 Modellbasierte Methoden f r Fehlererkennung und Optimierung Aus der bersicht wird folgendes deutlich e Visualisierung ist die einzige Funktionalit t die alle Werkzeuge aufweisen In den Produktunterlagen wird diese Funktionalit t auch oft besonders betont als intuitive Schnittstelle zum Benutzer Dabei geht die Art der Visualisierung meist deutlich ber die reine Zeitreihendarstellung hinaus z B XY Diagramme oder carpetplots Weitere Funktionalit ten die viele Werkzeuge besitzen sind Filter oder Gruppierungen f r die Daten e Fast alle Werkzeuge besitzen Schnittstellen zur direkten Ankopplung an die Geb udeautomation Diese Funktionalit t wird von den Anbietern ebenfalls oft als wichtige Eigenschaft betont Nur so wird eine kontinuierliche berwachung erm glicht e Fast alle Werkzeuge verwenden zur Fehlerdetektion entweder regelbasierte Methoden auf Basis von Wenn Dann Verkn pfungen oder Black Box Modelle Die regelbasierten Methoden kommen dabei h ufig bei einzelnen Komponenten oder Subsystemen z B L ftungssystem zum Einsatz bei denen sich eine berschaubare Anzahl von Regeln bzw Fehlern auf Grundlage eines festen Satzes an Messdaten definieren l sst z
326. tzungszeit bei tiefen Au entemperaturen zu verhindern Fraunhofer ISE 05 07 2011 Anhang Seite XLVIII Modellbasierte Methoden fur Fehlererkennung und Optimierung Parametrierung des Reglers mittels Smartbox Anhang Tabelle 9 AuBentemperatur Abschaltwert Nenn und Reduzierbetrieb Regelkreis 1 Register Beschreibung Umrechnung Werkseinstellung analog digital 1035 AT Abschaltwert Nennbetrieb Temp 10 d h 200 20 C 220 22 C 1036 AT Abschaltwert Reduzierbetrieb Temp 10 d h 200 20 C 150 15 C 1037 AT Einschaltwert Nennbetrieb Temp 10 d h 200 20 C 150 15 C Anhang Tabelle 10 Au entemperatur Abschaltwert Nenn und Reduzierbetrieb Regelkreis 2 Beschreibung Umrechnung Werkseinstellung 1235 AT Abschaltwert Nennbetrieb Temp 10 d h 200 20 C 220 22 C 1236 AT Abschaltwert Reduzierbetrieb Temp 10 d h 200 20 C 150 15 C 1237 AT Einschaltwert Nennbetrieb Temp 10 d h 200 20 C 150 15 C Fraunhofer ISE 05 07 2011 Anhang Seite XLIX Modellbasierte Methoden fur Fehlererkennung und Optimierung J 3 Sommerbetrieb Hinweis Der Sommerbetrieb wird nur im Automatikbetrieb wirksam Ma gebend f r die Einleitung des Sommerbetriebs ist die H he der Tagesdurchschnittstemperatur ermittelt zwischen 7 00 und 22 Uhr im eingestellten Wirksamkeitszeitraum berschreitet sie an n_aufeinanderfolgenden Tagen den Au entemperaturgrenzwert Sommer wird am folgenden Tag der Sommerbetrieb w
327. ubten Betrachter eine zwar manuelle jedoch schnelle und sichere Identifikation von Fehlern und Optimierungspotenzialen im Betrieb Ein typisches Beispiel fur solch ein Muster ist z B die Signatur der Heizleistung die sich aus der Darstellung der mittleren taglichen Heizleistung uber dem Tagesmittel der Au entemperatur ergibt Der Mindestdatensatz gem 7 2 erlaubt hierbei eine weitgehende Standardisierung und Automatisierung da von jedem Geb ude die gleichen Daten erfasst werden Obwohl der Mindestdatensatz zun chst berschaubar erscheint kann er sich in Abh ngigkeit der Anzahl der Heiz K hlkreise und RLT Anlagen im Einzelfall auf mehrere hundert Datenpunkte aufbl hen Ein weiterer Vorteil einer standardisierten und automatisierten Datenvisualisierung ist daher eine schnelle und einheitliche Prozessierung auch gro er Datenmengen 8 5 2 Beschreibung Auf Basis des Mindestdatensatzes wurden f r die enthaltenen Datenpunkte in den Bereichen Energieverbrauch Heiz K hlkreise und RLT Anlagen standardisierte Visualisierungen inklusive Vorprozessierung der Daten entwickelt Prinzipiell werden folgenden Visualisierungstypen verwendet e Zeitreihenplots Die klassische Darstellung des zeitlichen Verlaufs einer Messgr e als Linienplot e Relationaler Plot Scatterplot oder XY plot Scatterplots zeigen die Abh ngigkeit zweier Datenpunkte Zus tzliche Information kann erschlossen werden wenn die Daten evtl Zus tzlich gruppiert
328. uer eines Geb udes ist dass dieser Prozess kontinuierlich bzw regelm ig durchlaufen wird um auf evtl nderungen zu reagieren Diese nderungen k nnen gewollt sein Fraunhofer ISE 05 07 2011 Seite 19 4 2 Modellbasierte Methoden fur Fehlererkennung und Optimierung z B Sanierung des Geb udes Umbau eines Geb udeteils als auch ungewollt z B Degradation eines Energieerzeugers aufgrund eines Fehlers Modelle Unter Modellen sollen hier Abbildungen von Systemen verstanden werden mit denen Aussagen ber das Verhalten unter bestimmten Randbedingungen gemacht werden k nnen Bei einem geeigneten Modell wird die Komplexit t m glichst stark reduziert ohne die geforderten wesentlichen Abbildungseigenschaften zu verlieren um die Modellerstellung Validierung zu vereinfachen und eine m glichst hohe Rechengeschwindigkeit zu erreichen Modelle k nnen auf verschiedenen Ebenen betrachtet werden Die realen Systeme werden in mathematischen Formeln als physikalisches bzw in Abbildung 4konzeptionelles Modell abgebildet Diese mathematische Formulierung muss in der Regel mit numerischen Methoden implementiert werden Beschreibuns Validierungs ebene ebene Reales System technische TN Konzeptionelle physikalische Validierung Konzeptionelles mathematische a Modell 9 numerische ade informatische Verifikation Computer Implementierung Modell Abbildung 4 Modell und Validierungsebenen 10 Um verschiedene Arten von Modellen
329. ufgelistet welche Komponenten f r die Implementierung im Geb udebereich ben tigt werden Fraunhofer ISE 05 07 2011 Seite 147 Modellbasierte Methoden fur Fehlererkennung und Optimierung e Es gibt ein Basiswissen mit Informationen ber das behandelte Problem in diesem Fall die Geb udeenergiediagnose o Physikalische Grundlagen die beschreiben wie das System auf Antriebskr fte reagiert o Es gibt eine logische Anordnung der Systeme d h der R cklauf ist mit dem Kessel verbunden wird dort geheizt und dann im Vorlauf zu den W rme bergabesystemen gebracht o Die Geometrie und die physikalischen Parameter des Geb udes sind bekannt e Es gibt eine Hypothesen Menge die alle Hypothesen enth lt die beantwortet werden sollen o Die einfachste Frage ist verh lt sich das Geb ude wie erwartet o Sind die Wahrscheinlichkeitsverteilungen bestimmter Parameter wie erwartet o Mit welcher Wahrscheinlichkeit liegt ein bestimmter Fehler vor z B ein kaputter Ventilantrieb e Es werden Messungen am Geb ude durchgef hrt um diese Fragen bzw Hypothesen zu beantworten o Bei unsicheren Parametern ist es mit den Messdaten m glich mehr ber diese herauszufinden o Die Messdaten erlauben es das Geb udeverhalten zu bewerten o Die Messdaten erm glichen es Fragen zu nicht beobachteten Variablen nicht gemessen durch Inferenz zu beantworten und sind daher f r die vorliegende Aufgabe sehr hilfreich In dem fo
330. uge lassen die Integration traditioneller Bausteine oft zu so dass In kritischen Fallen die Rechenleistung gesteigert werden kann Allgemeine Numerik Werkzeuge Vor allem im Bereich der Black Box Modelle bzw f r die Kalibrierung von Modellen und die Optimierung von Systemen sind weitere numerische Werkzeuge notwendig die die entsprechenden Algorithmen zur Verf gung stellen Es handelt sich dabei haupts chlich um verschiedene Minimierungs Algorithmen linear nichtlinear und spezielle statistische Verfahren z B robuste lineare Regression Diese Werkzeuge werden somit im Allgemeinen nicht zur Simulation von dynamischen Systemen sondern f r die Datenanalyse die Kalibrierung von Modellen und die Optimierung eingesetzt Beispiele sind etwa Matlab R scipy GenOpt oder octave 12 http Awww mathworks de 13 http www dynasim se bzw http Avww modelica org 14 http Awww mathcore com 1 gt http www fchart com 16 http www mathworks de 17 http www r project org 18 http www scipy org 1 http gundog lbl gov GO 20 http vww octave org Fraunhofer ISE 05 07 2011 Seite 41 Modellbasierte Methoden fur Fehlererkennung und Optimierung 5 Fehlererkennung und Diagnose Modellbasierte Fehlererkennung f r technische Systeme spielt etwa seit Mitte der 1970er im wissenschaftlich technischen Bereich eine zunehmend bedeutendere Rolle Ausgangspunkte der Entwicklung waren die Raum und Luftfahrt sowie die chemische
331. uglichkeit auch in Fraunhofer ISE 05 07 2011 Seite 212 12 3 Modellbasierte Methoden f r Fehlererkennung und Optimierung Kombination bzw nach einer manuellen Fehlerdiagnose und Behebung eingesetzt werden kann Hierf r wurde ein Algorithmus entwickelt der mit Hilfe eines linearen Modells in Kombination mit einem Clustering zur Erkennung von Typtagen Tage mit hnlicher Verbrauchsstruktur in der Lage ist eine Ausrei erdetektion f r den Energieverbrauch auf Basis von Tagesdaten bereitzustellen siehe auch 8 9 Das entwickelte Verfahren ist in der Lage die Verbrauchsprofile f r W rme und Strom sehr gut zu identifizieren und bekannte sowie eingebaute Ausrei er weitgehend zu detektieren Allerdings wurde auch offensichtlich dass der zeitliche Umfang der notwendigen Trainingsdaten im Bereich von 5 7 Monaten liegt Insbesondere bei signifikanten nderungen des Betriebs und der dann notwendigen Re Kalibrierung des Modells erscheinen diese Zeitr ume sehr gro und bei Geb uden die h ufigen nderungen unterliegen nicht angemessen Hier sind weitere Verbesserungen und Entwicklungen notwendig um auch bei h ufigen Betriebs nderungen eine zeitnahe und zuverl ssige Ausrei erdetektion zu gew hrleisten Hemmnisse Dieser Abschnitt fasst noch einmal alle Hemmnisse zusammen die bei der Implementierung des in 7 beschriebenen Verfahrens sowie in der Diskussion mit potentiellen Anwendern und Fachleuten aufgetreten sind 12
332. ukturen die aus verschiedenen Einzelkomponenten aufgebaut sind z B die Heizungsverteilung W rmeerzeugung Warmwasserbereitung Lufterhitzung W hrend im Falle von Einzelkomponenten durch die Hersteller oftmals detaillierte Inbetriebnahmeregeln geliefert werden und u U sogar Intelligente Regelungen die eine automatische Optimierung oder Betriebs berwachung zulassen ist die Einregulierung und Optimierung im Falle von Systemen oder Subsystemen der Fachkenntnis der Sorgfalt und nicht zuletzt dem Zeit und Kostenplan der Planer und Austuhrenden berlassen Im Extremfall k nnen dadurch Systeme entstehen bei der die Einzelkomponenten f r sich korrekt funktionieren das Gesamtsystem jedoch erhebliche Optimierungspotenziale aufweist z B kann es beim Einsatz von hydraulischen Weichen zur Kopplung mehrerer W rme oder K lteerzeuger und Verbraucher zu erheblichen Effizienzverlusten bzw Exergieverlusten kommen Daher erscheint es sinnvoll diesen Weg weiterzuverfolgen auch weil eine enge Kopplung mit der Geb udeautomation denkbar ist und so eine gute Integration in die Abl ufe der Betriebsf hrung erfolgen kann Interoperabilit t Ans tze zur Betriebsoptimierung im Sinne von Kapitel 4 1 aber auch Methoden zur FED die mit White oder Gray Box Modellen arbeiten leiden Fraunhofer ISE 05 07 2011 Seite 215 Modellbasierte Methoden fur Fehlererkennung und Optimierung nach wie vor darunter dass eine vollst ndige aktuelle
333. ulationsrechnungen untersucht wurde finden sich jedoch noch nicht in der Praxis wieder Die Anzahl der verf gbaren Werkzeuge ist berschaubar und viele sind noch in der Entwicklung begriffen Sie setzen bei der Fehlererkennung sehr stark auf Visualisierung einfache Regeln zur Fehlerdiagnose bei hinreichend gut bekannten Systemen und Black Box Modelle zur Detektion ungew hnlicher Energieverbr uche Auff llig erscheint dass physikalisch basierte Modelle White Box in der Praxis bisher praktisch keine Rolle spielen jedoch lange Zeit ein Hauptgegenstand der Forschung Fraunhofer ISE 05 07 2011 Seite 53 Modellbasierte Methoden fur Fehlererkennung und Optimierung waren bzw immer noch sind Die offensichtlichen Schwierigkeiten der Integration von Systemmodellen zur FED in bestehende Anlagen weist noch einmal deutlich darauf hin dass die verwendeten Modelle m glichst einfach sein sollten Gleichwohl sind White Box Modelle von hohem Interesse da sie prinzipiell nicht nur Abweichungen vom normalen Betrieb detektieren sondern auch zur Optimierung verwendet werden k nnen Die Schwierigkeiten bei der Einf hrung von FED in den Geb udebetrieb stellt aber nicht der Mangel an verf gbaren und validierten Modellen von haustechnischen Komponenten und Systemen dar Es fehlt jedoch eine Systematisierung der Integration von einzelnen Ans tzen zu einer bergeordneten Betriebs berwachung die nicht nur einzelne Komponenten sondern auch die E
334. und Ihre Verwendung besser beschreiben zu k nnen soll hier zun chst kurz der allgemeine Aufbau von Modellen erl utert werden Im Kern besteht ein Modell aus einer mathematischen Vorschrift f r die Verkn pfung von Eingangsgr en Ausgangsgr en und Parametern die hier als Modellstruktur bezeichnet wird Die Randlage der Ein und Ausgangsgr en sowie der Parameter in Abbildung 5 weist darauf hin dass diese Gr en von au en zug nglich bzw beeinflussbar sind Eingangsgr en und Parameter werden vom Analysten oder von anderen Modellen oder Prozessen vorgegeben Die Ausgangsdaten stehen wiederum f r andere Modelle oder zur Auswertung durch den Analysten zur Verf gung Die Modellstruktur hingegen bleibt im Allgemeinen unver ndert Fraunhofer ISE 05 07 2011 Seite 20 Modellbasierte Methoden fur Fehlererkennung und Optimierung B Schnittstelle Eingangsgr en Modellstruktur Prinzipieller mathematischer Zusammenhang zwischen Parametern und Ein und Ausgangsgr en Berechnete Ausgangsgr en u Abbildung 5 Allgemeiner Aufbau eines Modells Ein wichtiger Aspekt dieser Repr sentation von Modellen ist dass sie auch f r Untermodelle verwendet werden kann d h tur Modelle die Bestandteil der Modellstruktur gr erer Modelle sind Abh ngig von der Art bzw der physikalischen Bedeutsamkeit der Parameter soll folgende f r Modelle bliche Unterscheidung getroffen werden e White Box Modell Physi
335. ung Tabelle 29 Vergleich der Optimierungsalgorithmen SHM Modell Optimum Pumpenlaufzeit Parametervariation 07 00 16 45 Uhr Algorithmus Allgemeine Mustersuche 07 00 17 30 Uhr Partikel Schwarm Algorithmus 07 00 16 45 Uhr Kombination AMS und PSO 07 00 17 30 Uhr Zielfunktion Anzahl der kWh erforderlichen Simulationen 18 347 441 18 356 72 18 347 138 18 356 201 Abbildung 79 zeigt den Temperaturverlauf vor und nach der Optimierung Mit dieser Ma nahme kann der j hrliche Nutzenergiebedarf von 21 500 kWh auf 19 288 kWh reduziert werden was einer Einsparung von 10 3 entspricht Weiterhin kann gezeigt werden dass die Temperatur im Geb ude aufgrund der W rmespeicherung durch die Gebaudemasse nicht auf kritische Temperaturen Frostschutz f llt Bei der Jahressimulation ist die tiefste erreichte Temperatur 13 2 C welche am 31 12 2007 um 7 00 Uhr auftritt 25 24 T Luft SHM 23 T Luft SHM_ optimiert 22 H 24 1 Yu N Temperatur in C UN 19 18 17 16 15 01 01 2007 00 00 08 01 2007 00 00 Datum Zeit 15 01 2007 00 00 Abbildung 79 Temperaturverlauf vor und nach der Optimierung des SHM Modells Fraunhofer ISE 05 07 2011 Seite 168 8 9 Modellbasierte Methoden f r Fehlererkennung und Optimierung e Fazit Das SHM Modell erwies sich sowohl bez glich der Rechenzeit als auch bei der Er
336. ung der Funktion 4 Punkt Kennlinie im Regler ist nur dann m glich wenn die Funktion Adaption inaktiv gesetzt ist Fraunhofer ISE 05 07 2011 Anhang Seite XLV Modellbasierte Methoden fur Fehlererkennung und Optimierung Parametrierung des Reglers mittels Smartbox Anhang Tabelle 5 Alle relevanten Register fur 4 Punkt Kennlinie Regelkreis 1 Fraunhofer ISE 05 07 2011 1034 Berechnung der Heizkennlinie 0 INAKTIV 1 AKTIV 0 anhand der 4 Punktkennlinie 1031 Adaption 0 INAKTIV 1 AKTIV 0 1012 Au entemperatur 1 Punkt Temp 10 d h 200 20 C 150 15 C 1013 Au entemperatur 2 Punkt Temp 10 d h 200 20 C 50 5 C 1014 Au entemperatur 3 Punkt Temp 10 d h 200 20 C 50 5 C 1015 Au entemperatur 4 Punkt Temp 10 d h 200 20 C 150 15 C 1016 Vorlauftemperatur Tagbetrieb Temp 10 d h 200 20 C 700 70 C 1 Punkt 1017 Vorlauftemperatur Tagbetrieb Temp 10 d h 200 20 C 550 55 C 2 Punkt 1018 Vorlauftemperatur Tagbetrieb Temp 10 d h 200 20 C 400 40 C 3 Punkt 1019 Vorlauftemperatur Tagbetrieb Temp 10 d h 200 20 C 250 25 C 4 Punkt 1020 Vorlauftemperatur Nachtbetrieb Temp 10 d h 200 20 C 600 60 C 1 Punkt 1021 Vorlauftemperatur Nachtbetrieb Temp 10 d h 200 20 C 400 40 C 2 Punkt 1022 Vorlauftemperatur Nachtbetrieb Temp 10 d h 200 20 C 200 20 C 3 Punkt 1023 Vorlauftemperatur Nachtbetrieb Temp 10 d h 200 20 C 200 20 C 4
337. ung zeigt eine gute Ubereinstimmung mit den Messdaten Die errechnete Nutzenergiemenge f r den Dezember betr gt 5 700 kWh Das ist eine gute bereinstimmung mit dem gemessenen Wert von 5 453 kWh Abweichung 4 5 35000 Q SHM 30000 Q_ gemessen 25000 20000 S 15000 HH IH N i MIN 10000 EE IH NAA 5000 N Hie ane WAN gt WM Mil 01 12 2007 08 12 2007 or 22 in 2007 29 12 2007 00 00 00 00 00 00 00 00 00 00 Datum Zeit Abbildung 78 Vergleich der Heizleistung des Simple Hourly Method SHM Modells mit Messwerten In Tabelle 29 ist ein Vergleich der Algorithmen untereinander aufgef hrt Die Parametervariation zeigt dass sowohl die allgemeine Mustersuche als auch die Kombination aus allgemeiner Mustersuche und Partikel Schwarm Algorithmus lediglich ein lokales Minimum finden Die allgemeine Mustersuche erwies sich bei der Optimierung des IDA ICE Modells als geeignet Das zeigt dass sich je nach Optimierungsproblem verschiedenen Algorithmen am besten eignen Zu beachten ist jedoch dass auch mit Parametern bei denen lediglich ein lokales Optimum vorliegt Einsparungen bei der Implementierung im Geb ude erzielt werden k nnen Der Partikel Schwarm Algorithmus konvergiert zum globalen Minimum was anhand der Parametervariation nachgewiesen werden kann Fraunhofer ISE 05 07 2011 Seite 167 Modellbasierte Methoden fur Fehlererkennung und Optimier
338. ungen im Smartbox Manager in Angriff genommen Dazu geh ren neben der Neugestaltung des Event Management Systems EMS vor allem neue M glichkeiten zur Formulierung von Regeln zur berwachung und zur Beschreibung von Steuer und Regelalgorithmen Neue Entwicklungen bei der Smartbox umfassen e Erkennung von Defekten Fehlern Unregelm igkeiten oder unn tigen Energiefressern durch die permanente Beobachtung von Lastg ngen So fallen ungewollte oder zu hohe Energie Verbr uche sofort auf und k nnen umgehend mit oft sehr einfachen und kosteng nstigen Mitteln beseitigt werden e Stormeldungsmanagement wie permanente Kennwertvergleiche automatische Signalisierung der St rung z B durch SMS E Mail oder Schaltausgang Schalten von Relais aufgrund von vordefinierten Ereignissen e Kontigurierung ber Smartbox Manager Fraunhofer ISE 05 07 2011 Seite 202 Modellbasierte Methoden fur Fehlererkennung und Optimierung Als Beispiel tur die Konfigurierung zeigt Abbildung 97 die Oberfl che zur Konfigurierung einer St rmeldung Konfiguration der Anweisung am Beispiel ALARM EIN 1 Name ALARM EIN i Adresse 1 gt EMS Kornwestheim Aktiv x Speicherzyklus 1440 Minuten 1Tag Messzyklus 10 Sekunden Art Telefon ID 159 gt EIN 1 ID des EIN 1 Rechners Typ Warning ist gleich als 1 000 Standardformat x Textfeld ALARMMELDUNG Handbetrieb Markt 1 3 eingeschaltet entsprechend der Funktion des Schalt
339. untersucht wird Zu diesem Zweck werden regelm ige Netze definiert deren Unterteilung sukzessiv verfeinert wird Ein Vertreter dieser Gruppe ist der Hooke Jeeves Algorithmus Hooke1996 Dabei wird immer entlang der Koordinatenachsen im Definitionsbereich der Zielfunktion gesucht Wenn die Zielfunktion bei einem Schritt in eine Richtung 77 im gesamten Parameterraum 78 Interessant erscheint auch der Gedanke das Suchkriterium zu hinterfragen Manchmal ist es vorteilhafter ein Gebiet mit m glichst vielen eng benachbarten lokalen Minima zu finden als ein eng begrenztes globales Minimum 2 Da f r konvexe konkave Funktionen keine lokalen Minima neben dem globalen existieren ist f r diese Funktionen f r alle Optimierungsverfahren f r die ein Beweis f r die lokale Konvergenz existiert gleichzeitig die globale Konvergenz bewiesen F r die Zielfunktionen im Gebaudebereich aus Gebaudesimulationsprogrammen sind in der Regel keine Aussagen ber die Konvexitat m glich 3 Bei Geb udesimulationen Parameterraum Fraunhofer ISE 05 07 2011 Seite 57 Modellbasierte Methoden fur Fehlererkennung und Optimierung reduziert werden kann wird mit zunehmender Schrittweite z B verdoppeln in diese Richtung gesucht F hrt dies zu keiner Reduktion der Zielfunktion mehr wird vom letzten niedrigster Zielfunktionswert ausgehend wieder entlang aller Koordinatenachsen positive und negative Richtung mit der urspr nglichen Schrittweite gesucht
340. uration des L ftungsger ts bekannt sein Abbildung 51 zeigt die Maximalkonfiguration einer L ftungsanlage mit K hlregister Heizregister und Vorheizregister sowie einer W rmer ckgewinnung Die Heiz und K hlregister werden bez glich der Datenvisualisierung wie Heiz und K hlkreise behandelt siehe Kapitel 8 5 4 Daher werden hier nur die Plots f r die Luftseite der L ftungsanlage vorgestellt Cooling coil Pre heating col Heating coil EXH Air OUT_Air Abbildung 51 Vereinfachtes Schema der Maximalkonfiguration einer L ftungsanlage jedoch ohne Befeuchtung Fraunhofer ISE 05 07 2011 Seite 124 Modellbasierte Methoden fur Fehlererkennung und Optimierung Scatterplots Signaturen Der Scatterplot f r L ftungsanlagen zeigt die Tagesmittel der Systemtemperaturen auf der Luftseite Zuluft Abluft Differenz zwischen Zu und Abluft und die Temperaturdifferenzen Spreizung auf der Wasserseite der Register Uber dem Tagesmittel der AuBentemperatur Die Lufttemperaturen werden falls vorhanden mit der Betriebsr ckmeldung bzw dem Stellsignal der Ventilatoren gefiltert so dass nur Temperaturen w hrend Betrieb der Anlage dargestellt werden Entsprechendes gilt f r die wasserseitigen Temperaturen im Bezug auf die betreffenden Pumpen Die Daten werden gruppiert nach Werktagen und Wochenenden Die folgende Abbildung zeigt ein Beispiel HC dTsup ret K hen oon ot aa Ma workdays m weekends
341. urknoten Temperaturen der Warmekapazitaten ergibt sich folgendes Gleichungssystem Fr Fa Fst Esa O 15C T Or Dar DAR Pst Fo _ Fo Fo Cats DoAS Gleichung 12 esc Fraunhofer ISE 05 07 2011 Seite 151 Modellbasierte Methoden fur Fehlererkennung und Optimierung umgestellt T 0 q S ge i 0 15R C 0 015R C 0 0009R C 0 06R C Gleichung 13 T 0 765T T 04 a 0 34R C 0 1445R C 0 425R C Die Outputvariablen7 T sind gleichzeitig Zustandsvariablen 7 T ihre Ableitungen T T und q sind Inputvariablen und R C sind Parameter Diese Gleichung kann in der so genannten Zustandsraumdarstellung in Matrixdarstellung folgenderma en dargestellt werden x Ax Bu ac Gleichung 14 x Ist der Vektor der Zustandsableitungen x und usind Vektoren der Zustands und Inputvariablen y ist der Vektor der Outputvariablen A B C und D sind Matrizen der Parameter A wird Systemmatrix genannt B Eingangsmatrix C Ausgangsmatrix und D Durchgangsmatrix Im Beispiel ergibt sich damit konkret folgendes System 0 075 l T 0 0009R C 0 06R C T 1 0 0765 T 0 34R C 0 1445R C 0 015R C 0 15C q Gleichung 15 1 r 0 0 _ T 0 425R C J Be Era Viele Modellierungs und Simulationsprobleme die hunderte oder sogar tausende Gleichungen enthalten k nnen in einer hnlichen Art und Weise reduziert werden Zustand
342. weiterung des Systems in einer sp teren Entwicklungsphase um Analysefunktionalit ten Im Rahmen eines Notrufsystems muss sichergestellt werden dass das System als Ganzes stets fehlerfrei funktioniert Dazu geh ren e Keine Meldungen d rfen verloren gehen e Bei Problemen muss ein verlustfreier Neustart des Systems bzw der Prozesse gew hrleistet sein e System muss zeitnah in der Lage sein zu erkennen dass einzelne Komponenten nicht mehr korrekt funktionieren und ohne Verlust an Information diese neu starten sowie e dass beim Ausfall eines Rechners schnell ein zweiter aufgesetzt werden kann um da anzukn pfen wo der erste aufgeh rt hat 2 A Energy Bureau Secure Area Windows Internet Explorer ud r K http ueb enerit com Ennovatis UEB_Entry_Ennovatis nsf x 7 X Pr File Edit View Favorites Tools Help we te a Energy Bureau Secure Area D dh Page Cf Tools ennovatis G o T 332 200 Schiller d Difference in consumption compared to base year 2008 1 5 Yo sense oo Building co2 m2 kwh m2 m2 Rank Ass Waldorfschule 23 69 159 13 1 2 EEE Schiller Gymnasium 16 93 146 22 2 4 nes Gesamtschule 14 115 12 3 1 W J Schulzentrum Seeblick 119 283 49 4 3 ee i Energy Champion Nis Andresen y King details wre Ph 49 0 7154 33600 68 en ae am eae Snes E mail n andresen ennovatis de Check the electricity bill Things to do Meetings to go to
343. wie die Wetterbereinigung und die Trennung von klimaabh ngigem und unabh ngigem Verbrauch sollten klar beschrieben sein F r diese Art von Referenzwerten sind weitere Untersuchungen bzw Datenerhebungen notwendig so dass sich die entsprechenden Datengrundlagen erst ber die Jahre erstellen lassen 12 2 2 Stufe 2 Datenerhebung Ermittlung Zielwert Eine der Ausgangsideen von ModBen war es die Daten die im Rahmen der Erstellung eines Energieausweise Bedarfsausweis erstellt werden f r die Betriebsanalyse zu verwenden um so Synergien zu erzeugen Insgesamt war es im Rahmen von ModBen jedoch nicht m glich mit Hilfe der Berechnungsmethodik der DIN V 18599 geeignete Zielwerte f r den Energieverbrauch abzuleiten Dies hat folgende Gr nde e Der Strombedarf gem EnEV bezieht sich nur auf die Haustechnik und ist somit nicht vergleichbar mit gemessenem Gesamt Stromverbrauch der im Monitoring erhoben wird e Beim Endenergiebedarf f r Heizung wird trotz der Anpassung von Nutzungsprofilen und der Kennwerte der Anlagentechnik der Energiebedarf in den meisten F llen bersch tzt e Obwohl die Norm sehr umfangreich und detailliert erscheint sind einige Technologien insbesondere im Bereich K hlung Klimatisierung nicht abbildbar o Fernk lte o Direktkuhlung ber Grundwasser Erdsonden R ckk hlwerke o Reversible W rmepumpen o Sorptiv gest tzte K hlung e Eine Berechnung der Aufteilung der Last aut mehrere Erzeuge
344. www ise fraunhofer de Die Forschung des Fraunhofer Instituts f r Solare Energiesysteme ISE schafft technische Voraussetzungen f r eine effiziente und umweltfreundliche Energieversorgung Dazu entwickelt das Institut Materialien Komponenten Systeme und Verfahren auf den Gebieten Solarthermie Solares Bauen Solarzellen elektrische Energieversorgung chemische Energiewandlung und Speicherung sowie rationelle Energienutzung Die Arbeit des Instituts reicht von der Erforschung der naturwissenschaftlich technischen Grundlagen der Solarenergienutzung ber die Fraunhofer ISE 05 07 2011 Seite 13 Modellbasierte Methoden fur Fehlererkennung und Optimierung Entwicklung von Produktionstechniken und Prototypen bis hin zur Ausf hrung von Demonstrationsanlagen Das Fraunhofer ISE mit derzeit ber 1 000 Mitarbeitern besch ftigt sich seit 25 Jahren mit der Konzeption von Energieeffizienten Geb uden sowie mit dem Monitoring von Raumklima und Anlagentechnik 3 3 2 Kurzvorstellung ennovatis www ennovatis de Die ennovatis GmbH ist der f hrende Anbieter von durchg ngigen Energiemanagement Systemen in Deutschland Als Systemhaus entwickelt und produziert das innovative Unternehmen Software und Hardwaresysteme f r die Verbesserung der Energieeffizienz in Geb uden Als Partner der Facility Management Industrie ist die ennovatis GmbH ein kompetenter Dienstleister bis hin zu Einf hrung und Betrieb seiner Energiemanagement Systeme 3 3 3 Kurzv
345. zeigt ein deutliches Wochenprofil der Nutzung des Gebaudes mit Kernzeiten an Werktagen von ca 8 00 19 00 Uhr Sa So und Feiertage keine Nutzung Dieses Profil weist auf regelm ige Anwesenheitszeiten hin Die gemessenen Wassermengen aus dem Hausanschluss f r das gesamte Geb ude zeigen dass nachts kein Wasser verbraucht wird Die Werte aus den Wasserz hlern f r die Dampferzeugung oder die K hlt rme zeigen aber einen Wasserverbrauch au erhalb der Anwesenheitszeiten Die Heizlast zeigt ebenfalls ein Wochenprofil das jedoch sehr unscharf ist Die Einstellungen zum Absenkbetrieb muss berpr ft werden Aus den Messdaten l sst sich eine Nennlast von ca 1 MW extrapolieren Der Gasverbrauch zeigt eine hohe Grundlast Dies kann durch die Dampfproduktion f r die L ftungsanlagen und die Labors erkl rt werden Eine Wochenendabsenkung ist nicht eindeutig erkennbar Es sollte berpr ft werden ob tats chlich Bedarf f r Dampf am Wochenende besteht Der Stromverbrauch kann bis heute aufgrund diverser technischer Probleme bei der Daten bertragung der Stromz hler leider nicht richtig erfasst werden Die Behebung der Ger te und Einstellungsfehler soll bis Ende Juli 2009 erledigt werden Dann k nnen nach der n chsten Beobachtungsperiode Schl sse zum Stromverbrauch gezogen werden Heizkreise 9 5 2 Heizkreise Die Heizkreise sind durchg ngig in Betrieb Auch im Juni sind die Kreise w hrend der Arbeitszeiten in Betrieb Um Energie zu s
346. zen die hier nicht ausf hrlich besprochen werden sollen Gemessen an der Anzahl der Ver ffentlichungen die die Erstellung und Anwendung der oben genannten Modelle behandeln ist ein starkes Interesse an diesen Ans tzen auszumachen Eine Online Recherche beim Verlag Wiley Interscience in den Bereichen Engineering und Mathematics and Statistics liefert ber 230 Artikel die sich mit der Erstellung und Anwendung neuronaler Netze befassen Fraunhofer ISE 05 07 2011 Seite 34 Modellbasierte Methoden fur Fehlererkennung und Optimierung Die Vorteile von nichtlinearen Black Box Modellen wie sie etwa neuronale Netze darstellen liegt auf der Hand Mit ihnen k nnen prinzipiell beliebige reale nichtlineare dynamische Systeme abgebildet werden bei gleichzeitig berschaubarem numerischen Aufwand Allerdings sind auch einige deutliche Nachteile zu nennen die eng mit dem Black Box Charakter verbunden sind d h Zur Parametersch tzung ben tigen diese Modelle gro e Datenmengen w hrend gleichzeitig eine Extrapolation ber den Bereich der Trainingsdaten nicht gegeben ist Da die Parameter nicht physikalisch sind eignen sie sich nicht zur Optimierung Zum Abschluss soll noch erw hnt werden dass auch f r oszillierende Prozess Signale Modelle existieren die Black Box Charakter haben wie z B die Fourier Analysen Diesen wird im FED und Optimierungsprozess bei Geb uden jedoch eine weniger bedeutende Rolle beigemessen 4 2 4 Gray Box Model
347. zufassen kann der Posterior visualisiert oder in Tabellenform dargestellt werden Dies wird erschwert durch die Tatsache dass der Parameterraum hochdimensional sein kann Wenn ein Problem mit vielen Parametern behandelt wird ist es unter Umst nden interessant nur eine Teilmenge dieser Parameter zu betrachten Mit der folgenden Formel kann ber Parameter 8 kontinuierlich gemittelt werden 1 PIDE HR ASX POISE Ne Gleichung 11 Damit kann ber Parameter marginalisiert werden an denen wir kein Interesse haben Das ist der Fall wenn ein Problem z B zwei Parameter 8 und hat aber wir lediglich an dem Parameter 8 interessiert sind Das hat gro en praktischen Nutzen weil die Dimensionalit t der A posteriori Verteilungen reduziert werden kann Die Marginalisierung ist ein Vorteil der Bayes schen Sichtweise weil sie es erlaubt Simulationsergebnisse und Inferenzen in einer kompakten Form zusammenzufassen 8 7 4 Beispiel Evaluation in den Demonstrationsgeb uden Wie oben schon kurz beschrieben sind Inferenzen ber Modell Parameter d h Kalibrierungen genauso einfach wie Inferenzen ber Parameter die mit Fehlern im Geb ude assoziiert sind Das folgende Beispiel zeigt wie ein einfaches Zustandsraum Geb ude Energiemodell mit realen Messdaten kalibriert werden kann Das kann ein hochdimensionales Problem sein ist hier aber so einfach gehalten dass Tabellen und Graphiken zweidimensional gezeigt werden k nnen
348. zum Energiemanagement liegt darin dass neben dem Energieverbrauch weitere Betriebsgr en wie Temperaturen oder Betriebsr ckmeldungen aufgenommen werden E Aufwand Messungen Analyse nur wo und wann erforderlich E 4 Schritte E Soweit m glich Automatisierung Benchmarking Bestandsdatenerfassung Installation Messtechnik en Fehlererkennung f r Mindestdatensatz und Optimierung Betriebs berwachung Abbildung 25 Schema der allgemeinen Methodik in ModBen Es wurde ein 4 stufiger Ansatz entsprechend Abbildung 25 entworfen der mit einer Grobanalyse beginnt Benchmarking an das sich je nach Ergebnis in weitere detailliertere Untersuchungen anschlie en Ein kontinuierliches Monitoring kann prinzipiell bereits auf der ersten Stufe aufsetzen Allerdings erlaubt das Benchmarking in der Regel keine Analyse sondern liefert nur die Aussage dass der Energie oder Wasserverbrauch zu hoch liegt Beim Auftreten von erh hten Verbr uchen sind f r die Analyse daher weitere Stufen notwendig Tabelle 9 gibt einen groben berblick ber die Details des Verfahrens Flussbilder zu den einzelnen Schritten finden sich im Anhang Der Schwerpunkt der Arbeiten in ModBen lag auf der Entwicklung von Analyseverfahren f r Stufe 3 Fehlererkennung Diagnose und Optimierung die in der Tabelle rot markiert sind siehe auch 8 Fraunhofer ISE 05 07 2011 Seite 73 Tabelle 9 Modellbasierte Methoden fur Fehlererkennung und Optimierung

Download Pdf Manuals

Related Search

Related Contents

Panasonic Toughpad FZ-M1 128GB 4G Black, Silver  

Copyright © All rights reserved. Failed to retrieve file