TU Darmstadt / ULB / TUbiblio

Softwarekonzept für die Prognose thermischer Energieverbräuche in Wohngebäuden unter Anwendung maschineller Lernmethoden

Irmler, Robert :
Softwarekonzept für die Prognose thermischer Energieverbräuche in Wohngebäuden unter Anwendung maschineller Lernmethoden.
TU Darmstadt
[Diplom- oder Magisterarbeit], (2013)

Kurzbeschreibung (Abstract)

Als Folge der eingeleiteten Energiewende Deutschlands, nehmen regenerative Energien zunehmend eine zentrale Rolle in der deutschen Energieversorgung ein. Als mögliche Lösung, um klimatisch bedingte Schwankungen in der erneuerbaren Energiegewinnung kompensieren zu können, werden oftmals so genannte Smart Grids diskutiert. Smart Grids sind intelligente Netze, bei denen durch eine umfangreiche Kommunikation aller Netzkomponenten eine effiziente und optimale Nutzung aller Ressourcen erreicht werden soll. Für die effizente Arbeit derartiger Netze werden unter anderem auch umfangreiche Daten zum vorherrschenden Energiebedarf der verschiedenen Netzkomponenten benötigt. Dabei wäre es von Vorteil, wenn sich der Energiebedarf der verschiedenen Verbraucher bereits im Vorfeld prognostizieren lassen würde. In diesem Kontext war es das Ziel dieser Arbeit, ein Softwaretool zu entwickeln, welches die Prognose thermischer Energieverbräuche von Wohngebäuden ermöglicht. Um eine derartige Prognose umzusetzen kamen verschiedene maschinelle Lernverfahren zum Einsatz. Maschinelles Lernen ist ein Teilgebiet der Künstlichen Intelligenz, bei dem ein System anhand von Beispielen derart trainiert wird, dass es in der Lage ist, Gesetzmäßigkeiten zwischen den Beispieldaten abzubilden und auf neue Daten zu generalisieren. Als maschinelle Lernverfahren wurden im Rahmen dieser Arbeit sowohl Künstliche Neuronale Netzwerke, als auch Support Vector Machines hinsichtlich ihrer Eignung für die Prognose thermischer Energieverbräuche untersucht. Für die Untersuchung der verschiedenen Verfahren wurde die .NET-Anwendung „EnergyPredictionWithR“ entwickelt, welche das Trainieren entsprechender Lernalgorithmen ermöglicht. Die Implementierung der Algorithmen erfolgt dabei mittels verschiedener Bibliotheken der Statistiksoftware „R“, welche über die Schnittstelle R.NET in die .NET-Anwendung integriert wurde. Im Rahmen umfangreicher Testreihen wurden verschiedene Modelle analysiert und hinsichtlich ihrer Prognosequalität bewertet. Als Trainingsparameter wurden die vorherrschende Außentemperatur, die mittlere Innentemperatur des betrachteten Gebäudes, sowie der Zeitpunkt des Jahres gewählt. Zielparameter war der korrespondierende Heizenergiebedarf. Sowohl für Künstliche Neuronale Netze, als auch Support Vector Machines, konnten Prognosefehler von durchschnittlich weniger als 1% erreicht werden.

Typ des Eintrags: Diplom- oder Magisterarbeit
Erschienen: 2013
Autor(en): Irmler, Robert
Titel: Softwarekonzept für die Prognose thermischer Energieverbräuche in Wohngebäuden unter Anwendung maschineller Lernmethoden
Sprache: Deutsch
Kurzbeschreibung (Abstract):

Als Folge der eingeleiteten Energiewende Deutschlands, nehmen regenerative Energien zunehmend eine zentrale Rolle in der deutschen Energieversorgung ein. Als mögliche Lösung, um klimatisch bedingte Schwankungen in der erneuerbaren Energiegewinnung kompensieren zu können, werden oftmals so genannte Smart Grids diskutiert. Smart Grids sind intelligente Netze, bei denen durch eine umfangreiche Kommunikation aller Netzkomponenten eine effiziente und optimale Nutzung aller Ressourcen erreicht werden soll. Für die effizente Arbeit derartiger Netze werden unter anderem auch umfangreiche Daten zum vorherrschenden Energiebedarf der verschiedenen Netzkomponenten benötigt. Dabei wäre es von Vorteil, wenn sich der Energiebedarf der verschiedenen Verbraucher bereits im Vorfeld prognostizieren lassen würde. In diesem Kontext war es das Ziel dieser Arbeit, ein Softwaretool zu entwickeln, welches die Prognose thermischer Energieverbräuche von Wohngebäuden ermöglicht. Um eine derartige Prognose umzusetzen kamen verschiedene maschinelle Lernverfahren zum Einsatz. Maschinelles Lernen ist ein Teilgebiet der Künstlichen Intelligenz, bei dem ein System anhand von Beispielen derart trainiert wird, dass es in der Lage ist, Gesetzmäßigkeiten zwischen den Beispieldaten abzubilden und auf neue Daten zu generalisieren. Als maschinelle Lernverfahren wurden im Rahmen dieser Arbeit sowohl Künstliche Neuronale Netzwerke, als auch Support Vector Machines hinsichtlich ihrer Eignung für die Prognose thermischer Energieverbräuche untersucht. Für die Untersuchung der verschiedenen Verfahren wurde die .NET-Anwendung „EnergyPredictionWithR“ entwickelt, welche das Trainieren entsprechender Lernalgorithmen ermöglicht. Die Implementierung der Algorithmen erfolgt dabei mittels verschiedener Bibliotheken der Statistiksoftware „R“, welche über die Schnittstelle R.NET in die .NET-Anwendung integriert wurde. Im Rahmen umfangreicher Testreihen wurden verschiedene Modelle analysiert und hinsichtlich ihrer Prognosequalität bewertet. Als Trainingsparameter wurden die vorherrschende Außentemperatur, die mittlere Innentemperatur des betrachteten Gebäudes, sowie der Zeitpunkt des Jahres gewählt. Zielparameter war der korrespondierende Heizenergiebedarf. Sowohl für Künstliche Neuronale Netze, als auch Support Vector Machines, konnten Prognosefehler von durchschnittlich weniger als 1% erreicht werden.

Fachbereich(e)/-gebiet(e): Fachbereich Bau- und Umweltingenieurwissenschaften, Civil and Environmental Engineering > Institut für Numerische Methoden und Informatik im Bauwesen
Fachbereich Bau- und Umweltingenieurwissenschaften, Civil and Environmental Engineering
Hinterlegungsdatum: 14 Jan 2015 13:40
Zusätzliche Informationen:

Betreuer: Christian Schwöbel

Export:

Optionen (nur für Redakteure)

Eintrag anzeigen Eintrag anzeigen