TU Darmstadt / ULB / TUbiblio

Anwendung Künstlicher Neuronaler Netzwerke zur Modellierung des thermischen Energieverbrauchs von Gebäuden am Beispiel eines Passivhauses

Xuelei, Li :
Anwendung Künstlicher Neuronaler Netzwerke zur Modellierung des thermischen Energieverbrauchs von Gebäuden am Beispiel eines Passivhauses.
TU Darmstadt
[Masterarbeit], (2016)

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.

Typ des Eintrags: Masterarbeit
Erschienen: 2016
Autor(en): Xuelei, Li
Titel: Anwendung Künstlicher Neuronaler Netzwerke zur Modellierung des thermischen Energieverbrauchs von Gebäuden am Beispiel eines Passivhauses
Sprache: Englisch
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.

Freie Schlagworte: Gebäude-Energieverbrauch, KNN, Künstliche Neuronale Netzwerke, Passivhaus
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: 30 Mär 2016 09:20
Zusätzliche Informationen:

Betreuer: Robert Irmler

Datum der Begutachtung bzw. der mündlichen Prüfung / Verteidigung / mdl. Prüfung: 10 März 2016
Schlagworte in weiteren Sprachen:
Einzelne SchlagworteSprache
ANN, Artificial Neural Network, Building Energy Consumption, Passive HouseEnglisch
Alternatives oder übersetztes Abstract:
AbstractSprache
As the concept of sustainability is becoming more popolar and being studied more widely, many disciplines related to energy have been paying attention to the potential of reducing unnecessary energy consumption in various fields. Since the civil engineering field is one of the most energy-intensive disciplines, new technologies incorporating energy efficient construction, equipment, operation and management are being studied actively to help saving energy costs as well as reduce emission. One of these technologies is the passive house technology. Because passive house has many different characteristics compared to traditional houses, it may have different energy consumption patterns due to their system specialties. In this thesis, the passive house Casa Pasiva in Bucharest, Romania is taken as the study object for exploring these specialties. In order to recognize these patterns explicitly or implicitly and to predict the energy consumption more accurately, researchers have applied various approaches from different perspectives. This thesis exploits one of these approaches, the Artificial Neural Network (ANN) model as a member of the family of Supervised Learning algorithms, for energy consumption prediction. In this study case, a set of energy consumption data is available which is recorded on site and weather data is obtained from online weather archives. These sets of data are then used for training and validating ANN model instances. Since the weather data contains many features and some features of them may not be effective for the model and even impact the model performance, a number of experiments are performed to select the most crucial features with the help of sensitivity analysis. The plausibility of model parameter settings and feature selection are checked by comparing feature sensitivity with some prior knowledge. Additionally, a framework of applying ANN methods for energy prediction is developed, including the concepts for data preprocessing, cross validation, sensitivity testing, object-oriented modeling, model and data storage and visualization utilities. This framework helps to experiment ANN instances in a more parametric way and helps to finally select some ANN topologies as well as instances with most promising performance. It can be found that within some time interval the trained ANN instance can give more accurate prediction results as in other time intervals. This means the inclusion of features may not effectively contain the correlation and further studies of similar methods applied on more abundant training data and feature tests are to be expected.Englisch
Export:

Optionen (nur für Redakteure)

Eintrag anzeigen Eintrag anzeigen