Automatisierte Kalibrierung unterstützt durch maschinelles Lernen

Die Anwendung von modellbasierten Regelungsverfahren gewinnt für die Energieeffizienzsteigerung von gebaudetechnischen Anlagen in der Praxis zunehmend an Relevanz. Der Prozess der Modellkalibrierung wird derzeit überwiegend manuell, gestützt auf heuristischen Methoden, durchgeführt. Neben dem Nachteil des erhohten Aufwands, erfordert die manuelle Kalibrierung eine intensive Einarbeitung in die Modellarchitektur und fundiert daher auf der Expertise und der Erfahrung des Ingenieurs. Die im Rahmen der vorliegenden Arbeit entwickelte Kalibrierungsmethode, bestehend aus einer automatisierten Klassifizierung des Datensatzes in physikalische Betriebszustande, einer Sensitivitatsanalyse und einer mehrstufigen Parameterwertoptimierung, reduziert den zeitlichen Prozessaufwand bei einer gleichzeitigen Steigerung der Modellgenauigkeit. Die Methodik wird anhand von zwei Simulationsmodellen, einem Brennwertkessel- und einem Warmepumpenmodell, iterativ entwickelt und mit realen Monitoringdaten der Bezugssysteme jeweils validiert. Abschließend wird eine Erweiterung der Methode um eine automatisierte Klassenbildung mithilfe eines unüberwachten maschinellen Lernverfahrens untersucht.