Ist es möglich, den Energieverbrauch von Gebäuden dank Machine Learning zu optimieren? Eine Studie von Forschern der Florida Tech Universität zeigt, dass dies tatsächlich möglich ist und dass diese Methode einen Beitrag zur Reduzierung des Energieverbrauchs und der Umweltbelastung leisten kann.

Mehr als 40% des Energieverbrauchs und der Treibhausgasemissionen in den USA sind auf den Bausektor zurückzuführen. Die aktuelle Praxis für die Gebäudesimulation erfordert eine manuelle Eingabe von großen Listen detaillierter Eingaben, wie beispielsweise Merkmale des Gebäudes wie Wand-, Gebäudehüllen- und Fenstermaterialien oder Betriebsparameter wie Solltemperaturen für verschiedene thermische Zonen.

„Wenn es um die Optimierung von Gebäudesimulationen geht, ist es aufgrund der Vielzahl von Variablen und der Möglichkeit, Gebäudesimulationen mit Tausenden oder Millionen von verschiedenen Kombinationen dieser Variablen zu entwickeln, äußerst herausfordernd“, erklärt Professor Hamidreza Najafi, Leiter der Studie.

Um dies zu lösen, haben die Forscher eine Python-Skriptsprache entwickelt und in eine physikbasierte Gebäudesimulationssoftware namens EnergyPlus integriert. Durch die Eingabe von Variablen über das Python-Skript werden große Datensätze erstellt, die für die Entwicklung von energieeffizienten Modellen für Gebäude genutzt werden können.

Anschließend wird ein maschinelles Lernverfahren verwendet, insbesondere künstliche neuronale Netze, um diese Datensätze zu trainieren. Zwei Optimierungsansätze, genetischer Algorithmus und bayesianische Optimierung, werden auf das Modell angewendet, um eine optimale Gebäudeoptimierung zu erreichen.

Diese Methode könne automatisiert werden, so dass die Daten aus Sensoren im Gebäude kontinuierlich in Computermodelle eingespeist werden können, um eine kontinuierliche Anpassung an den aktuellen Betriebszustand des Gebäudes zu ermöglichen. Dadurch könne der Energieverbrauch vorhergesagt werden und eine angemessene Planung und Budgetierung für den Energieverbrauch erfolgen.

Diese Studie war Teil eines breiteren Bemühens, die Modellierung von Gebäuden zu verbessern und ihre Anwendungen zu erweitern. Die modellierten Gebäude können als digitaler Zwilling genutzt werden und dem Eigentümer oder Entwickler nicht nur vor sondern auch während des gesamten Lebenszyklus des Gebäudes nutzen.

„In dieser Studie haben wir den Einfluss von COVID-19 auf die Energieleistung von Gebäuden untersucht und wie sich die BEM an die neuen Betriebsbedingungen anpassen kann“, sagt Najafi. „Wir haben eine Fallstudie an der Florida Tech’s Folliard Alumni Center durchgeführt und ein datengetriebenes Modell entwickelt, das sich an die neuen Betriebsbedingungen im Zusammenhang mit COVID-19 anpassen konnte.“

Insgesamt zeigt die Studie, dass maschinelles Lernen eine wichtige Rolle bei der Modellierung und Optimierung von Gebäudeenergieverbrauch spielen kann. Während die Forschung zeigt, dass weitere Arbeit erforderlich ist, um die Technologie zu perfektionieren, wird diese Arbeit letztlich dazu beitragen, Energiekosten und Treibhausgasemissionen zu reduzieren und den Umweltplaneten für zukünftige Generationen zu erhalten.

In Other News Around the World:

Von Michael Lewis

Michael Lewis ist ein anerkannter Schriftsteller und Journalist, der über die Welt der Finanzen, Politik und Sport schreibt. Seine Bücher, darunter "The Big Short" und "Moneyball", wurden für ihre engagierende Geschichten erzählt und aufschlussreich analysiert.

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert