@techreport{SpindlerWellischKrauseetal.2023, author = {Spindler, Uli and Wellisch, Ulrich and Krause, Harald and Hanfstaengl, Lucia and Parzinger, Michael and Puntigam, Stephan and Sigg, Ferdinand and Wirnsberger, Markus}, title = {Entwicklung einer Methodik zur Bestimmung der Energieeffizienz von Geb{\"a}uden auf Basis von optimierten in situ Messungen}, organization = {Projekttr{\"a}ger J{\"u}lich}, pages = {132}, year = {2023}, abstract = {Geb{\"a}uden haben einen Anteil von 40\% am deutschen Gesamtenergiebedarf und sind damit eine entscheidende Stellschraube beim Erreichen der Klimaziele. Der Energiebedarf von Geb{\"a}uden wird von der Geb{\"a}udeh{\"u}lle und der Geb{\"a}udetechnik bestimmt. Ein Großteil der Geb{\"a}udetechnik wird nicht in optimaler Weise betrieben. So k{\"o}nnen durch die Analyse des Geb{\"a}udes im Rahmen eines technischen Monitorings und anschließender Optimierung, Energieeinsparungen im Bereich von 5\% bis 30\% erzielt werden. Mit der Optimierung der Geb{\"a}udetechnik kann der Energiebedarf von Geb{\"a}uden ohne zus{\"a}tzlichen Ressourcenaufwand reduziert werden. Jedoch ist die Implementierung eines technischen Monitorings in Geb{\"a}uden aufw{\"a}ndig und wird daher, trotz des m{\"o}glichen Einsparpotentials, in nur wenigen Geb{\"a}uden umgesetzt. Um die Verbreitung von technischem Monitoring, und damit die Analysem{\"o}glichkeiten von Geb{\"a}uden, voranzutreiben, wurde im Projekt EnOB: InSitu Nachweisverfahren erforscht, wie mit geringem Aufwand R{\"u}ckschl{\"u}sse auf den Zustand von Geb{\"a}ude getroffen werden k{\"o}nnen. Hierf{\"u}r wurde untersucht welche Parameter gemessen werden m{\"u}ssen um aus einem einfachen Basismonitoring, das {\"u}blicherweise in situ stattfindet, Aussagen zur Geb{\"a}udequalit{\"a}t, Anlagenqualit{\"a}t und Nutzerverhalten treffen zu k{\"o}nnen. Der Schwerpunkt der Untersuchungen im Projekt wurde zum einen auf Untersuchungen zur Detektierung der Anwesenheit von Personen in R{\"a}umen gelegt, als auch auf die automatische Fehlererkennung von Anlagenfehlern. Dabei war ein maßgeblicher Arbeitsaufwand die Entwicklung geeigneter Versuchsreihen und die Aufbereitung der Daten. F{\"u}r die Umsetzung wurden Messungen in einer Forschungswohnung, als auch im Labor f{\"u}r intelligente Geb{\"a}udetechnik, kurz LiGT, erzeugt. Im Rahmen des Projekts wurde das LiGT umgebaut und mit entsprechender Mess- und Geb{\"a}udetechnik ausgestattet. F{\"u}r die Analysen der Daten wurden Methoden des Maschinellen Lernens und der Statistik, wie zum Beispiel Random Forest und LASSO, eingesetzt. F{\"u}r die Erkennung der Anwesenheit sind drei Messreihen durchgef{\"u}hrt worden. Darunter ein Versuch mit zwei realen Personen, ein Versuch mit f{\"u}nf k{\"u}nstlichen Nutzern und ein weiterer Versuch mit der Kombination von Simulations- und Messdaten. Um das Ziel der kosteng{\"u}nstigen Analyse zu erreichen, sollten ohnehin in Geb{\"a}uden verf{\"u}gbare Raumklimasensoren verwendet werden. Die Analyse erfolgte daher auf Raumebene. Unter der Verwendung von CO2-, Temperatur-, Feuchtesensoren in den Innenr{\"a}umen und Solarstrahlungs- und Temperatursensoren im Außenbereich konnte die Personenanzahl im Raum mit hoher Genauigkeit bestimmt werden. F{\"u}r die Anwesenheit von bis zu f{\"u}nf Personen wurde eine Trefferquote von 86,5\% und f{\"u}r den Versuch mittels Simulationen eine Sensitivit{\"a}t von mindestens 83\% und eine Spezifit{\"a}t von mindestens 97\% erzielt. F{\"u}r die automatische Fehlererkennung wurden zwei unterschiedliche Ans{\"a}tze untersucht. Beim ersten Ansatz, welcher auch im Rahmen des Annex 71 vorgeschlagen wurde, wurde ein statistisches Modell mit Messdaten aus einem fehlerfreien Zeitraum trainiert. Mithilfe diesem Modells werden Abweichungen vom fehlerfreien Zustand identifiziert. Dazu wurden Simulationen der Zwillingsh{\"a}user am Fraunhofer Institut f{\"u}r Bauphysik in Holzkirchen verwendet anhand welcher die entwickelte Methoden getestet wurde. Mit dem Ansatz konnte fehlerbehaftete Zeitr{\"a}ume identifiziert werden, jedoch nicht die Art des Fehlers. Im zweiten Ansatz wurden die Fehler selbst simuliert und als Trainingsdaten f{\"u}r die statistischen Modelle verwendet. Zur Validierung des Verfahrens wurden Daten eines realen Geb{\"a}udes analysiert. Zur Generierung der Messdaten wurden im LiGT Messungen durchgef{\"u}hrt. Hierbei wurden zu unterschiedlichen Zeitpunkten drei unterschiedliche Fehler k{\"u}nstlich herbeigef{\"u}hrt. Die Qualit{\"a}t der Fehlererkennung ist dabei maßgeblich von der Qualit{\"a}t der Simulation und der Art des Fehlers abh{\"a}ngig. Im Projekt wurden sowohl Methoden zur Anwesenheitserkennung, als auch zur automatisierten Fehlererkennung von Anlagen entwickelt. Diese Erkenntnisse k{\"o}nnen in einem Basismonitoring zur Untersuchung von Geb{\"a}udequalit{\"a}t, Anlagenqualit{\"a}t und Nutzerverhalten verwendet werden. Automatisierte Methoden haben in Zukunft einen wesentlichen Einfluss auf den Erfolg und die Anwendbarkeit von technischem Monitoring.}, language = {de} }