Open Access

Im vom BMWi geförderten Forschungsprojekt Niedrigst-Energie-Hotel wurde ein Bestandsgebäude mithilfe eines umfassenden Sanierungskonzeptes zu einem energiesparenden Nur-Strom-Gebäude entwickelt. Eine höchst wärmegedämmte Hülle, komplett neue Anlagentechnik und intelligente Verknüpfung der Anlagenteile versprechen niedrigen Energiebedarf bei gleichzeitig hohem Komfort. Doch mit steigender Komplexität der Anlagen steigt auch das Risiko, dass Bestandteile nicht optimal zusammenarbeiten oder sich sogar gegenseitig negativ beeinflussen. Beim energetischen Monitoring werden diese Anlagen und ihre Bestandteile überwacht und deren Energieströme gemessen. Dieses Wissen erlaubt schließlich die detaillierte Bewertung des innovativen Energiekonzepts in der Anwendung und in gewissem Umfang auch die Optimierung der Anlagen. Zur Auswertung der umfangreichen Datensätze wird das am Karlsruher Institut für Technologie (Fachgebiet Bauphysik & Technischer Ausbau) entwickelte Werkzeug MoniSoft verwendet. Durch die plattformunabhängige Software werden das Monitoring und die Betriebsanalyse vereinfacht. Seit 2013 wird die Software an der Hochschule Rosenheim maßgeblich mit weiterentwickelt. Projektziele - Durch das energetische Monitoring können folgende Ziele erreicht werden: Beurteilung des Betriebs der komplexen Gebäudetechnik unter realen Bedingungen, Vergleich der Messergebnisse mit den Erwartungen der Planer, Erarbeitung von Optimierungsmöglichkeiten in der Gebäudetechnik

When monitoring the energy performance of buildings, it may be of interest to identify the occupation periods of people in the room due to their possible impact on the energy balance. In order to be able to carry out a comprehensive energy assessment of the system and building, it is necessary to be able to classify user influence during the evaluation. This thesis investigates how the presence of people in a room can be determined cost-effectively and with little additional effort. The aim is to determine which sensors of a room control system provide sufficiently reliable data. The presence of 1-2 persons was examined on a test facility of the Technical University Rosenheim. The air-, mean radiation- and surface-temperatures, the air humidity as well as the CO2 and VOC concentrations were measured. For the analysis, a method of supervised machine and statistical learning, random forest, is used. The smallest model error detected in predicting the presence of 1 or 2 persons from CO2 sensor data is 1.43%. The error rates are low for all tested models if time-dynamic effects are used as predictors and the data is processed in a so-called time period form. Additionally, the ways in which this data should ideally be made available for future measurements and processed to facilitate analysis with machine and statistical learning techniques have been investigated. A further goal is to apply the models developed on measurement series in laboratory environments to real rooms and to assess the transferability of these models.