Masterarbeit Simon Thul

 

Automatisierte Fehlererkennung für ein Wärmepumpensystem am Beispiel des E.ON ERC Hauptgebäudes

Gemittelte Scores Urheberrecht: EBC Gemittelte Scores und deren Standardabweichungen für die Kreuzvalidierung eines experimentell ermittelten Fehlerdatensatzes

Um die Ziele des Klimaschutzplan 2050 der Bundesregierung in Deutschland zu erreichen, müssen insbesondere auch die direkten und indirekten Treibhausgasemissionen im Gebäudesektor reduziert werden. Dazu ist es nötig, den Einsatz fossiler Energieträger zur Gebäudebeheizung zu reduzieren. Wärmepumpen zur Kälte- und Wärmebereitstellung in Gebäuden ermöglichen es, den aus regenerativen Energieträgern erzeugten Strom als zentralen Energieträger im zukünftigen Energiesystem Deutschlands zu nutzen. Um dieses Potential voll auszunutzen, ist ein effizienter Wärmepumpenbetrieb unerlässlich.

Im realen Wärmepumpenbetrieb liegen oft Fehlerzustände vor, die nicht erkannt werden und die Anlageneffizienz verringern. Datenbasierte Fehlererkennungs- und Diagnoseverfahren können dazu beitragen, diese Fehler früher zu erkennen und zu beseitigen. Dazu werden Algorithmen des maschinellen Lernens anhand gesammelter und aufbereiteter Betriebsdaten trainiert, um dann anhand der im laufenden Anlagenbetrieb gemessenen Werte Fehlerzustände zu erkennen.

In der vorliegenden Arbeit wird die datenbasierte Fehlererkennung anhand der Wärmepumpe im Hauptgebäude des E.ON Energy Research Center in Aachen untersucht. Die Betriebsdaten aus dem dortigen Anlagenbetrieb enthalten zu wenige Informationen über die aufgetretenen Fehler, um diese zum Training und zur Validierung der Algorithmen zu verwenden. Deshalb werden zum Training der Algorithmen Daten aus der Laboruntersuchung einer anderen Wärmepumpe verwendet. Dafür werden die verwendeten Algorithmen zunächst anhand eines Teils der Trainingsdaten validiert, um deren Eignung für die Fehlererkennung der Wärmepumpe zu demonstrieren. Anschließend werden anhand der in beiden Anlagen verfügbaren Messgrößen Algorithmen zur Anwendung an den Daten der ERC-Wärmepumpe trainiert.

Die Anwendung der fremd-trainierten Algorithmen zeigt insgesamt, dass sich die beiden Anlagen zu stark unterscheiden, um eine ausreichende Fehlererkennungsgenauigkeit zu erreichen. Einzelne Algorithmen erzielen aber in bestimmten Zeiträumen eine gute Vorhersagegenauigkeit. Daraus wird geschlossen, dass die Verwendung fremd-trainierter Algorithmen bei ausreichender Anlagenähnlichkeit möglich ist.

Die Untersuchung der am ERC gesammelten Daten hat gezeigt, dass das Sammeln großer Mengen von Betriebsdaten allein für eine Fehlererkennung nicht ausreicht. Die Klassifikation von Fehlerzuständen setzt eine durchgängige Bezeichnung der Betriebsdaten mit Klassenbezeichnungen voraus.