Aufhauser, D. (2017). Simulation eines Heizungssystems mit nichtinvasivem Energiemonitoring [Diploma Thesis, Technische Universität Wien]. reposiTUm. https://doi.org/10.34726/hss.2017.45298
simulation; heating system; Machine Learning; Hidden Markov Model; Support Vector Machine; Autoregression-Model; energy monitoring
en
Abstract:
Die vorliegende Diplomarbeit beschäftigt sich mit der Entwicklung eines nichtinvasiven Energiemonitoring-Systems für den thermischen Energiebedarf von Gebäuden. Im Verlauf dieser Arbeit wird analysiert und beschrieben welche Informationen über ein Heizungssystem aus verschiedenen Sensoren herausgelesen werden. Neben der Aufspaltung des Gesamtenergieverbrauchs auf einzelne Verbraucher wird ein Augenmerk auf das automatische Erkennen fehlerhafter Komponenten des Heizungssystems gelegt. Der nichtinvasive Zugang ermöglicht eine preiswerte Integration eines Energiemonitoring-Systems in bereits bestehende Gebäude und deren Heizungssysteme. Speziell soll neben dem Wärmezähler nur kostengünstige Hardware, beispielsweise Thermometer, verwendet werden. Am Beginn des Prozesses steht ein Simulationsmodell für ein Heizungssystem eines Gebäudes, mit dem ausreichend Testdaten zu Raumtemperatur, Heizleistung und anderen Werten generiert werden sollen. Dieses Modell umfasst mehrere Stockwerke und beschreibt neben dem Heizungssystem mit Heizkörpern und deren Regelung auch den Wärmeaustausch zwischen den Räumen sowie Umgebungsbedingungen. Zur Analyse der Datensätze im Rahmen des Energiemonitorings werden anschließend vier Ansätze verfolgt: ein Hidden Markov Models, ein linearisiertes Modell zur Schätzung von Systemparametern, Clustering mittels Support Vector Machines und ein Autoregressions-Modell. Die erste Herangehensweise versucht mehrere Hidden Markov Models miteinander verschränkt zu trainieren und so Aussagen über den Einzelverbrauch zu treffen. Hierbei dient ausschließlich der Gesamtenergieverbrauch als Grundlage für die Berechnung. Die größten Erfolge werden mit einem Algorithmus erreicht, der den Energieeintrag eines Heizkörpers aus der Gesamtenergie und einem linearisierten Modell der Wärmeübertragung in den Raum schätzt. Jeder neue Heizzyklus fließt in die existierenden Berechnungen ein und verbessert die jeweilige Schätzung. Das Clustering mittels Support Vector Machines untersucht die Unterschiede im Heizverhalten der einzelnen Räume. Ein Algorithmus basierend auf einem Autoregressions-Modell erlaubt es, atypisches Heizverhalten zu erkennen. Die Methode stellt sicher, dass keine fehlerhaften Daten das Energiemonitoring des Einzelverbrauchs verfälschen. Die in der Arbeit festgehaltenen Ergebnisse liefern einen Überblick über die Anwendungsgebiete von Verfahren für Energiemonitoring-Systeme. Zusätzlich zum Erreichen und Einhalten von Energiesparzielen sind solche Systeme hilfreich für Gebäudeverwalter, die auf Basis der Erkennung von atypischen Heizverhalten Wartungszyklen optimieren können.
de
This thesis deals with the development of an energy monitoring system for thermal energy consumption of buildings. The information that can be extracted from different sensors of a heating system are discribed and analysed in this work. Beside the disaggregation of the energy consumption, a focus lies on recognizing erroneous components of the heating system. Non-invasive sensors allow effortless and cheap installation in existing building and their heating. Just a heat meter and additional hardware is used for the energy monitoring system. To start this process, a simulation model of a building is created, which generates test data for room temperature, heating power and other values for later research. The model contains three floors and describes the heat flow between the rooms and as well as with the environment. To analyse the data in the context of energy monitoring, four attempts are formulated: a Hidden Markov Model, a linearized model for parameter estimation, clustering based on a Support Vector Machine, and an auto-reggression model. The first approach involves several Hidden Markov Models which are trained in parallel. The overall energy consumption is the only data used for this training. The biggest success are reached with an algorithm that estimates the energy consumption of one heater from the overall consumption and a linearized model of the heat flow into the room. The clustering with a Support Vector Machine investigates the heating behavior of each room. The last approach allows to recognise atypical heating behavior, based on an auto-regression model. This method is used to remove erroneous data from the energy monitoring. The listed results offer an overview of methods for energy monitoring systems. These systems help reaching energy saving goals and allow facility manager to schedule maintenance cycles.
en
Additional information:
Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers