Refine
Document Type
- Article (peer reviewed) (3)
- Report (3)
- Conference Proceeding (2)
Is part of the Bibliography
- no (8)
Keywords
- Forschung (2)
- HVAC (2)
- fault detection (2)
- Abschlussbericht (1)
- Building Simulation (1)
- Computational cost (1)
- Cross comparison (1)
- Energiespeicher (1)
- Gebäudemonitoring (1)
- Gebäudesimulation (1)
Faults in Heating, Ventilation and Air Conditioning (HVAC) systems affect the energy efficiency of buildings. To date, there rarely exist methods to detect and diagnose faults during the operation of buildings that are both cost-effective and sufficient accurate. This study presents a method that uses artificial intelligence to automate the detection of faults in HVAC systems. The automated fault detection is based on a residual analysis of the predicted total heating power and the actual total heating power using an algorithm that aims to find an optimal decision rule for the determination of faults. The data for this study was provided by a detailed simulation of a residential case study house. A machine learning model and an ARX model predict the building operation. The model for fault detection is trained on a fault-free data set and then tested with a faulty operation. The algorithm for an optimal decision rule uses various statistical tests of residual properties such as the Sign Test, the Turning Point Test, the Box-Pierce Test and the Bartels-Rank Test. The results show that it is possible to predict faults for both known faults and unknown faults. The challenge is to find the optimal algorithm to determine the best decision rules. In the outlook of this study, further methods are presented that aim to solve this challenge.
The energy efficiency of the building HVAC systems can be improved when faults in the running system are known. To this day, there are no cost-efficient, automatic methods that detect faults of the building HVAC systems to a satisfactory degree. This study induces a new method for fault detection that can replace a graphical, user-subjective evaluation of a building data measured on site with an automatic, data-based approach. This method can be a step towards cost-effective monitoring. For this research, the data from a detailed simulation of a residential case study house was used to compare a faultless operation of a building with a faulty operation. We argue that one can detect faults by analysing the properties of residuals of the prediction to the actual data. A machine learning model and an ARX model predict the building operation, and the method employs various statistical tests such as the Sign Test, the Turning Point Test, the Box-Pierce Test and the Bartels-Rank Test. The results show that the amount of data, the type and density of system faults significantly affect the accuracy of the prediction of faults. It became apparent that the challenge is to find a decision rule for the best combination of statistical tests on residuals to predict a fault.
Building Energy Simulation (BES) tools play a key role in the optimization of the building system during the different phases, from pre-design through commissioning to operation. BES tools are increasingly used in research as well as in companies. New BES tools and updated versions are continuously being released. Each tool follows an independent validation process but rarely all the tools are compared against each other using a common case study. In this work, the modelling approaches of widespread dynamic simulation tools (i.e. EnergyPlus, TRNSYS, Simulink libraries CarnotUIBK and ALMABuild, IDA ICE, Modelica/Dymola and DALEC), as well as PHPP (a well-known quasi-steady-state tool), are described and the results of all the tools modelling the same characteristic office cell, defined within the IEA SHC Task 56, are compared on a monthly and hourly basis for the climates of Stockholm, Stuttgart and Rome. Unfortunately, different tools require different levels of input detail, which are often not matching with available data, hence the parametrization process highly influences the quality of the simulation results. In the current study to evaluate the deviation between the tools, frequently used statistical indices and normalization methods are analysed and the problems related to their application, in a cross-comparison of different tools, are investigated. In this regard, the deviation thresholds indicated by ASHRAE Guideline 14-2014 are used as a basis to identify results that suggest an acceptable level of disagreement between the predictions of a particular model and the outcomes of all models. The process of reaching a good agreement between all tools required several iterations and great effort on behalf of the modellers. To aid the definition of building component descriptions and future references for inter-model comparison a short history of the executed steps is presented in this work. Together with the comparison of the results of the tools, their computational cost is evaluated and an overview of the modelling approaches supported by the different tools for this case study is provided aiming to support the users in choosing a fit-for-purpose simulation tool.
Modellierung und Bewertung von strombasierten Versorgungskonzepten für hocheffiziente Gebäude
(2017)
The applications for occupancy detection range from controlling building automation and systems, determining heat transfer coefficients and even assessing the risk of infection in rooms. Studies in the literature use various statistical models, physical models and machine learning techniques to detect occupancy. All these methods require data for training the occupancy detection models. However, data generation is time-consuming and expensive. This study demonstrates the feasibility of using simulated learning data. Using three different data sources, we tested the suitability of different methods for generating learning data. We conducted two experiments in two office spaces with a real user and an artificial user, and we generated a third data set using a building simulation model. In addition, this study compares two different machine learning approaches (Random Forest and LASSO) using environmental parameters. Both machine learning approaches could develop models with a sensitivity of at least 83 % and a specificity of at least 97 % with both training data sets. This work shows that it is possible to determine the presence in rooms using simulated data. The results compared to measured data were just slightly less accurate, and the added value due to the lower effort was considerable
Gebäuden haben einen Anteil von 40% am deutschen Gesamtenergiebedarf und sind damit eine entscheidende Stellschraube beim Erreichen der Klimaziele. Der Energiebedarf von Gebäuden wird von der Gebäudehülle und der Gebäudetechnik bestimmt. Ein Großteil der Gebäudetechnik wird nicht in optimaler Weise betrieben. So können durch die Analyse des Gebäudes im Rahmen eines technischen Monitorings und anschließender Optimierung, Energieeinsparungen im Bereich von 5% bis 30% erzielt werden. Mit der Optimierung der Gebäudetechnik kann der Energiebedarf von Gebäuden ohne zusätzlichen Ressourcenaufwand reduziert werden. Jedoch ist die Implementierung eines technischen Monitorings in Gebäuden aufwändig und wird daher, trotz des möglichen Einsparpotentials, in nur wenigen Gebäuden umgesetzt.
Um die Verbreitung von technischem Monitoring, und damit die Analysemöglichkeiten von Gebäuden, voranzutreiben, wurde im Projekt EnOB: InSitu Nachweisverfahren erforscht, wie mit geringem Aufwand Rückschlüsse auf den Zustand von Gebäude getroffen werden können. Hierfür wurde untersucht welche Parameter gemessen werden müssen um aus einem einfachen Basismonitoring, das üblicherweise in situ stattfindet, Aussagen zur Gebäudequalität, Anlagenqualität und Nutzerverhalten treffen zu können. Der Schwerpunkt der Untersuchungen im Projekt wurde zum einen auf Untersuchungen zur Detektierung der Anwesenheit von Personen in Räumen gelegt, als auch auf die automatische Fehlererkennung von Anlagenfehlern. Dabei war ein maßgeblicher Arbeitsaufwand die Entwicklung geeigneter Versuchsreihen und die Aufbereitung der Daten. Für die Umsetzung wurden Messungen in einer Forschungswohnung, als auch im Labor für intelligente Gebäudetechnik, kurz LiGT, erzeugt. Im Rahmen des Projekts wurde das LiGT umgebaut und mit entsprechender Mess- und Gebäudetechnik ausgestattet. Für die Analysen der Daten wurden Methoden des Maschinellen Lernens und der Statistik, wie zum Beispiel Random Forest und LASSO, eingesetzt. Für die Erkennung der Anwesenheit sind drei Messreihen durchgeführt worden. Darunter ein Versuch mit zwei realen Personen, ein Versuch mit fünf künstlichen Nutzern und ein weiterer Versuch mit der Kombination von Simulations- und Messdaten. Um das Ziel der kostengünstigen Analyse zu erreichen, sollten ohnehin in Gebäuden verfügbare Raumklimasensoren verwendet werden. Die Analyse erfolgte daher auf Raumebene. Unter der Verwendung von CO2-, Temperatur-, Feuchtesensoren in den Innenräumen und Solarstrahlungs- und Temperatursensoren im Außenbereich konnte die Personenanzahl im Raum mit hoher Genauigkeit bestimmt werden. Für die Anwesenheit von bis zu fünf Personen wurde eine Trefferquote von 86,5% und für den Versuch mittels Simulationen eine Sensitivität von mindestens 83% und eine Spezifität von mindestens 97% erzielt.
Für die automatische Fehlererkennung wurden zwei unterschiedliche Ansätze 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 Zwillingshäuser am Fraunhofer Institut für Bauphysik in Holzkirchen verwendet anhand welcher die entwickelte Methoden getestet wurde. Mit dem Ansatz konnte fehlerbehaftete Zeiträume identifiziert werden, jedoch nicht die Art des Fehlers. Im zweiten Ansatz wurden die Fehler selbst simuliert und als Trainingsdaten für die statistischen Modelle verwendet. Zur Validierung des Verfahrens wurden Daten eines realen Gebäudes analysiert. Zur Generierung der Messdaten wurden im LiGT Messungen durchgeführt. Hierbei wurden zu unterschiedlichen Zeitpunkten drei unterschiedliche Fehler künstlich herbeigeführt. Die Qualität der Fehlererkennung ist dabei maßgeblich von der Qualität der Simulation und der Art des Fehlers abhängig. Im Projekt wurden sowohl Methoden zur Anwesenheitserkennung, als auch zur automatisierten Fehlererkennung von Anlagen entwickelt. Diese Erkenntnisse können in einem Basismonitoring zur Untersuchung von Gebäudequalität, Anlagenqualität und Nutzerverhalten verwendet werden. Automatisierte Methoden haben in Zukunft einen wesentlichen Einfluss auf den Erfolg und die Anwendbarkeit von technischem Monitoring.