Masterarbeit Julian Schaefer

 

Kalibrierung von dynamischen Gebäudemodellen unter Unsicherheit mithilfe des maschinellen Lernens

Metamodell Urheberrecht: EBC Metamodell eines Gebäudearchetypen unter Verwendung der statistischen Kennzahl R2 (schwarze Punkte: Trainingsdaten, eingefärbte Fläche: Metamodell)

Die dynamische Simulation von Energiesystemen auf urbaner Ebene als zusätzliches Entscheidungskriterium gewinnt immer mehr an Bedeutung. Ein wichtiger Baustein ist die dynamische Betrachtung des Wärme- und Kältebedarfs von Gebäuden. Für die meisten Liegenschaften gilt jedoch, dass nur wenige Informationen über den topologischen und physikalischen Aufbau der Gebäude bekannt sind. Gebäudearchetypen sind ein weit verbreiteter Ansatz um dieses Problem zu umgehen. Mit Hilfe dieser Archetypen werden die fehlenden Informationen mit statistisch ermittelten Werten vervollständigt und so eine dynamische Simulation ermöglicht. Studien zeigen, dass durch die Verwendung von Archetypen das dynamische Bedarfsverhalten eines kumulierten Gebäudebestandes wiedergegeben werden kann. Jedoch wird das individuelle dynamische Verhalten von einzelnen Gebäuden oft nicht ausreichend dargestellt, insbesondere wenn die tatsächlichen Eigenschaften des Gebäudes vom statistischen Durchschnitt abweichen.

Um die individuelle Bedarfsvorhersage von Gebäuden anhand von Archetypen zu verbessern, wird in dieser Arbeit eine Bayes‘sche Kalibrierung unter Verwendung des Softwaretools TEASER umgesetzt. Die Methodik ermöglicht mithilfe hochauflösender Messdaten eine automatisierte Kalibrierung von Archetypen unter Berücksichtigung der Unsicherheiten im Gebäudemodell, der zu kalibrierenden Parameter und der Messdaten. Darüber hinaus wird ein Verfahren vorgestellt, das eine Bayes'sche Kalibrierung auf der Grundlage statistischer Kennzahlen ermöglicht. Die Bewertung des Verfahrens erfolgt anhand von realen Messdaten ausgewählter Gebäude des Forschungszentrums Jülich. Die Ergebnisse zeigen, dass die Bayes'sche Kalibrierung in konventioneller Umsetzung sowie auf Basis ausgewählter statistischer Kennzahlen eine signifikante Verbesserung der individuellen Bedarfsvorhersage erreicht. Durch die Kalibrierung kann die Wurzel der mittleren quadratischen Abweichung zwischen dem gemessenen und dem vorhergesagten Wärmebedarf um bis zu 57% reduziert werden. Die Kalibrierung anhand statistischer Kennzahlen ermöglicht zudem eine deutliche Verbesserung der Laufzeit bei moderater Reduzierung der Kalibrierungsgenauigkeit.