Masterarbeit Asad Esmailzadeh

 

Automatisierte Kalibrierung von Simulationsmodellen für Energiesysteme unterstützt durch maschinelles Lernen

Parameterwertoptimierung Urheberrecht: EBC Entwurf eines Prozesses für die Kalibrierung bestehend aus einer Klassifizierung, einer Sensitivitätsanalyse und einer Parameterwertoptimierung

Die Anwendung von modellbasierten Regelungsverfahren gewinnt für die Energieeffizienzsteigerung von gebäudetechnischen Anlagen in der Praxis zunehmend an Relevanz. Durch eine Kalibrierung werden die Simulationsmodelle an die physikalischen Messdaten der Bezugssysteme angepasst, indem die Modellparameter eingestellt werden. Derzeit werden Kalibrierungsprozesse überwiegend manuell, gestützt auf heuristischen Methoden, durchgeführt. Neben dem Nachteil des erhöhten Aufwands, erfordert die manuelle Kalibrierung eine intensive Einarbeitung in die Modellarchitektur und fundiert daher auf der Expertise und der Erfahrung des Ingenieurs.

Die im Rahmen der vorliegenden Arbeit entwickelte Kalibrierungsmethode, bestehend aus einer Klassifizierung des Datensatzes in physikalische Betriebszustände, einer Sensitivitätsanalyse und einer mehrstufigen Parameterwertoptimierung, reduziert den zeitlichen Prozessaufwand bei einer gleichzeitigen Steigerung der Prädiktionsgenauigkeit. Die Methodik wird anhand von zwei Simulationsmodellen, einem Brennwertkesselmodell und einem Wärmepumpenmodell, iterativ entwickelt und mit realen Monitoringdaten der Bezugssysteme jeweils validiert. Anschließend wird ein Vergleich zu einer vorangegangenen Forschungsarbeit aufgestellt, in der eine manuelle Kalibrierung des Wärmepumpenmodells mit dem gleichen Datensatz durchgeführt wurde. In der Gegenüberstellung wird deutlich, dass die statistische Prädiktionsgenauigkeit des Wärmepumpenmodells durch eine automatisierte Kalibrierung um etwa fünf Prozent erhöht und der zeitliche Aufwand um mehr als 99 Prozent reduziert werden kann. Auch im Vergleich zu einer einfachen automatisierten Kalibrierungsmethode ist zu erkennen, dass die Anwendung einer Klassifizierung in physikalische Zustände, basierend auf einem überwachten maschinellen Lernverfahren, zu einer Steigerung der Modellqualität beiträgt.

In einem weiteren Versuch wird die sequentielle Methode um eine Clusteranalyse erweitert, um die Klassen automatisiert zu bilden und somit die Vorklassifizierung für die überwachte Trainingsphase vollständig von der individuellen Ingenieursexpertise zu entkoppeln. Der Versuch zeigt, dass die Klassendefinitionen des Ingenieurs sich mit den automatisiert gebildeten Klassen überwiegend decken. In Anlehnung an diese Erkenntnis wird eine erneute Klassifizierung auf Basis der automatisiert gebildeten Klassen durchgeführt. Das Ergebnis der Kreuzvalidierung verdeutlicht, dass die vom Clustering-Algorithmus erstellten Klassen mit einer Genauigkeit von etwa 100 Prozent durch das Klassifizierungsverfahren in einem unabhängigen Testdatensatz identifiziert werden. Zudem wird mit einer erneuten Kalibrierung des Wärmepumpenmodells verifiziert, dass die vollständige Automatisierung des Klassifizierungsverfahrens das Gesamtergebnis der Kalibrierung nicht beeinflusst und somit in die sequentielle Methode integriert werden kann.