Xuelei, Li (2016)
Anwendung Künstlicher Neuronaler Netzwerke zur Modellierung des thermischen Energieverbrauchs von Gebäuden am Beispiel eines Passivhauses.
Technische Universität Darmstadt
Masterarbeit, Bibliographie

Kurzbeschreibung (Abstract)

Als Folge der Energiewende, widmen sich die verschiedenen energieintensiven Wirtschaftszweige vermehrt der Erforschung von unterschiedlichen Nachhaltigkeitskonzepten. Das Bau- und Umweltingenieurwesen gehört gemeinhin zu einem der energieintensivsten Sektoren der Wirtschaft. Aus diesem Grund werden bereits seit einigen Jahren neuartige energieeffiziente Technologien in den Bereichen Konstruktion, Gebäudetechnik, sowie Gebäudebetrieb und Energiemanagement entwickelt und eingesetzt, um Energiekosten zu senken und Emissionen zu reduzieren. Eine dieser Technologien ist das Passivhaus. Passivhäuser weisen zahlreiche spezielle Eigenschaften im Vergleich zu traditionellen Gebäuden auf. Auf Grund ihrer speziellen Konstruktionsweise können Passivhäuser sehr unterschiedliche Verbrauchsmuster aufweisen. In dieser Arbeit wird das Passivhaus „Casa Passiva“ der Universität Bucharest in Rumänien als Studienobjekt verwendet, um ebendiese Besonderheiten zu untersuchen. Um die expliziten oder impliziten Verbrauchsmuster zu erkennen und Energieverbräuche genauer vorhersagen zu können, setzen Forscher verschiedene Methoden aus unterschiedlichen mathematischen Disziplinen ein. Künstliche Neuronale Netzwerk( KNN) als eine Methode aus der Familie der Maschinellen Lernalgorithmen, wird in diesem Artikel systematisch hinsichtlich seiner Prognosefähigkeit untersucht. Im vorliegenden Fall stehen Energieverbrauchsdaten, welche vor Ort erhoben wurden, sowie Wetterdaten aus einem Wetterarchiv zur Verfügung. Diese Daten werden als Trainingsdaten und Validierungsdaten für die KNN-Modellinstanzen bereitgestellt. Wegen der übergroßen Anzahl von Eingabevariablen und deren zunächst unbekannten Einflussstärke, ist eine Serie von Untersuchungen notwendig, so dass die wesentlichsten Eingabevariablen mittels Sensitivitätsprüfung herausgefunden werden können. Die Plausibilitätsprüfung der Prognosen von KNN-Modelinstanzen kann in einem gewissen Rahmen auch durch einen Abgleich der Eingabesensitivitäten mit bekannten bauphysikalischen Grundprinzipien erfolgen. Im Rahmen dieser Arbeit wurde ein Framework zur Nutzung der KNN-Methode für Energieprognosen entwickelt. Das Framework schließt Funktionalitäten für Datenbereitstellung, Validierung (Cross- Validation), Sensitivitätsprüfung, Objektorientierte Modellierung, Datenspeicherung sowie zur Visualisierung der Ergebnisse ein. Das Framework kann helfen, die Untersuchungen an KNN-Modelinstanzen parametrisch zu organisieren. Schließlich werden einige KNN-Topologien und Modelinstanzen von optimierter Leistungen ausgewählt. Es zeigt sich, dass die KNN-Modelinstanzen, für verschiedene Zeitintervalle eine unterschiedliche Güte aufweisen. Dies kann bedeuten, dass die Menge an verfügbaren Eingabevariablen unzureichend war und die vorhandenen Eingaben die korrekten Korrelationen durch Einsatz von KNN-Methoden möglicherweise nicht ausreichend abbilden konnten. Zukünftige Studien mit ähnlicher Zielsetzung, sollten deshalb versuchen weitere Eingabevariablen, wie beispielsweise solare Einstrahlungsdaten in die Modellierung der KNN-Instanzen einzubeziehen.

Frage zum Eintrag

Redaktionelle Details anzeigen