Cloud-basierte Software
optimiert Energieverbrauch von HLK-Systemen

Cloud-basierte Software optimiert Energieverbrauch von HLK-Systemen
In grossen Gewerbebauten können mit dem Building IQ Energieoptimierungssystem die Energiekosten um 10 bis 25% gesenkt werden.
28.10.2015 | Die Cloud-basierte Softwareplattform PEO reduziert mittels proaktiver Algorithmen den Energieverbrauch von Grossgebäuden um bis zu 25 Prozent. Für die Analyse und Visualisierung der mehrere Gigabyte grossen Datensätze setzt deren Entwicklerin BuildingIQ auf MATLAB.

Bürogebäude, Krankenhäuser und andere grosse Gewerbebauten machen etwa 30 % des weltweiten Energieverbrauchs aus. Die Heizungs-, Lüftungs-, Klimaanlagensysteme (HLK) in diesen Gebäuden sind oft ineffizient, da Wetterveränderungen, schwankende Energiekosten oder die thermischen Eigenschaften des Gebäudes nicht berücksichtigt werden.


BuildingIQ hat die Cloud-basierte Softwareplattform Predictive Energy Optimization™ (PEO) entwickelt, die bei Normalbetrieb den HLK-Energieverbrauch um 10 bis 25% verringert. PEO wurde in Zusammenarbeit mit der Commonwealth Scientific and Industrial Research Organisation (CSIRO) entwickelt, der staatlichen Behörde für wissenschaftliche und industrielle Forschung Australiens. Die in MATLAB® umgesetzten fortschrittlichen Algorithmen und Methoden für maschinelles Lernen optimieren die HLK-Leistung ständig auf Basis von kurzfristigen Wettervorhersagen und Energiekostensignalen.


„Bei CSIRO wurde MATLAB verwendet, um die Anfangstechnologie zu entwickeln. Wir setzen MATLAB weiter ein, weil es das beste zur Verfügung stehende Tool für das Prototyping von Algorithmen und Durchführen von komplexen mathematischen Berechnungen ist“, stellt Borislav Savkovic, leitender Datenwissenschaftler bei BuildingIQ, fest. „MATLAB hat es uns ermöglicht, unsere Prototyp-Algorithmen direkt in Algorithmen für die Produktionsebene zu überführen, die verlässlich das Hintergrundrauschen und Ungewissheiten im realen Betrieb bewältigen.“

Die Herausforderung

Die Herausforderung
Grossansicht Bild
Validierung von tatsächlichen Energiedaten und Modelllastverhalten in MATLAB.

BuildingIQ musste Algorithmen entwickeln, die ununterbrochen Gigabytes an Informationen aus einer Vielzahl verschiedener Quellen wie Stromzähler, Thermometer, HLK-Drucksensoren sowie Wetter- und Energiekostendaten verarbeiten können. Ein einziges Gebäude erzeugt oft Milliarden Datenpunkte. Die Wissenschaftler und Ingenieure benötigten Werkzeuge für eine effiziente Filterung, Verarbeitung und Visualisierung dieser Daten.


Um ihre Optimierungsalgorithmen auszuführen mussten die Wissenschaftler und Ingenieure ein präzises mathematisches Modell der thermischen Dynamik und Leistungsdynamik eines Gebäudes erstellen. Der Algorithmus verwendet dieses berechnete Modell, um beschränkte Optimierungen auszuführen, die den Komfort für die dort arbeitenden Menschen sicherstellen und gleichzeitig die Energiekosten minimieren.


BuildingIQ benötigte eine Methode, mit der mathematische Modelle schnell entwickelt, Optimierungen und Ansätze für maschinelles Lernen getestet, Prototypen von Algorithmen erstellt und diese in eine IT-Produktionsumgebung implementiert werden konnten.

Die Lösung

Die Lösung
Grossansicht Bild
Darstellung der BuildingIQ Plattform zur Energieoptimierung (PEO).

BuildingIQ setzte MATLAB ein, um die Entwicklung und Implementierung von Prognose-Algorithmen zur Energieoptimierung zu beschleunigen.


Der Optimierungs-Workflow beginnt in MATLAB. BuildingIQ-Ingenieure importieren und visualisieren Temperatur-, Druck- und Energiedaten, die über 3 bis 12 Monate gesammelt wurden und zusammen mehrere Milliarden Datenpunkte umfassen. Mit der Statistics and Machine Learning Toolbox™ wurden Spitzen und Lücken in den Daten ermittelt sowie Rauschen entfernt, das durch Sensorausfälle und weitere Quellen verursacht wird, die die Filterfunktionen der Signal Processing Toolbox verwenden. BuildingIQ-Ingenieure passten ein mathematisches Modell in MATLAB an diese entrauschten Daten an unter Verwendung von Kleinster-Quadrate-Anpassungsfunktionen aus der Optimization Toolbox. Dieses Messungs- und Verifikationsmodell setzt Umgebungstemperatur und Luftfeuchtigkeit mit dem Stromverbrauch des HLK-Systems in Beziehung.


Im Rahmen des Modellierungsprozesses verwendete das Team SVM-Regression, Gauss‘sche Mischverteilungsmodelle und k-Mittelwerte von Clustering-Algorithmen für maschinelles Lernen aus der Statistics and Machine Learning Toolbox, um die Daten zu segmentieren und den relativen Beitrag von Gas, elektrischem Strom, Dampf- und Solarenergie zu Aufheiz- und Abkühlprozessen zu ermitteln.


Das Team baute ein PEO-Modell in MATLAB, das die Wirkung des HLK-Systems und der Umgebungsbedingungen auf die Innentemperatur in jeder Zone sowie den Gesamtstromverbrauch des Gebäudes erfasst. Unter Verwendung von Control System Toolbox™ analysierten sie die Pol- und Nullstellen des HLK-Steuerungssystems, um den Gesamt­energieverbrauch abzuschätzen und zu bestimmen, wie schnell sich jede Zone sich voraussichtlich dem jeweiligen Sollwert annimmt.


BuildingIQ-Ingenieure verwendeten die Optimization Toolbox und das PEO-Modell, um multi-objektive Optimierungen mit Hunderten von Parametern durchzuführen, sowie nichtlineare Kostenfunktionen mit Randbedingungen, um die Energieeffizienz ständig in Echtzeit zu optimieren. Diese Optimierungen berücksichtigen Wettervorhersagen sowie prognostizierte Energiepreise für die nächsten zwölf Stunden, um optimale HLK-Sollwerte zu ermitteln. Im Betrieb werden die MATLAB-Optimierungsalgorithmen in regelmässigen Abständen über den Tag verteilt durch eine Cloud-basierte Java®-Software aufgerufen.


BuildingIQ berechnet täglich die Grundenergiekosten auf Basis des Messungs-/Verifikationsmodell und ermittelt so, wie viel der Kunde für HLK-Energie ohne Einsatz der BuildingIQ PEO-Plattform bezahlt hätte. Die Einsparungen reichen von 10 bis 25 Prozent.


Bewertung Ø:
   
Meine Bewertung:

Fragen und Kommentare (0)