Prognose von Raumtemperatur und Speicherladezustand
Die Prognosen von Raumtemperatur und Speicherladezustand stellen die wesentliche Basis des entwickelten Regelungskonzeptes dar. Die genannten Größen können mit Hilfe der Kombination aus "ANN" und LSI recht genau prognostiziert werden. Für die Überprüfung dieser Aussage wurden Messdaten einer real existierenden Anlage genutzt, um "ANN"-Netze zu trainieren. Die trainierten "ANN"-Netze konnten folgende Genauigkeiten (jeweils für das 80-Prozent-Quantil) erzielen: Raumtemperatur +/- 0,5 K, Speicherladezustand +/-10 K. Nochmals zu betonen ist, dass all diese Prognoseergebnisse ohne Simulation erreicht werden. Dieser Ansatz stellt daher ein hervorragendes Instrument zur schnellen und kostengünstigen Prognose dar.
Die "ANN"-Regelung übernimmt die Sollwertermittlung der Vorlauftemperatur des Heizkreises und die Regelung der Zuschaltung einer möglichen fossilen Nachheizung. Die übrigen Funktionen entsprechen im Wesentlichen denen einer konventionellen Regelung. Für die "ANN"-Regelung wird auf die weiter oben beschriebenen "ANN"-Prognosen zurückgegriffen. Bei der Ermittlung des Sollwertes der Heizungsvorlauftemperatur wird dieser Wert solange variiert, bis die prognostizierte Raumtemperatur der gewünschten entspricht. Dieser Ansatz entspricht einer automatischen Heizkurvenermittlung, die zusätzliche Einflüsse, wie etwa passive solare Nutzung oder den Betrieb eines Kaminofens, berücksichtigt. Für die Entscheidung über die Einschaltung der fossilen Nachheizung wird überprüft, ob die notwendigen Speichertemperaturen innerhalb eines Prognosezeitraums auch ohne Nachheizung erreicht werden. Unnötige Brennerstarts unterbleiben dann und der solare Ertrag wird maximiert.
Das Fraunhofer ISE hat die Funktionsfähigkeit des Regelungsansatzes eineinhalb Jahre lang in einem realen Gebäude erfolgreich getestet. Damit konnte die prinzipielle Funktionstüchtigkeit des Ansatzes nachgewiesen werden. An dem Projekt haben sich die drei Industriepartner Prozeda, Sorel und Steca beteiligt. Ein Feldtest mit mehr Anwendungen sollte nun folgen. Es gibt bereits mehrere Industriefirmen, die Interesse am Produkt angemeldet haben.
Fazit
Künstliche neuronale Netze bieten eine hervorragende Möglichkeit, Heizungsanlagen kostengünstiger und effizienter zu regeln: Wesentliche Vorteile ergeben sich durch die Möglichkeit, ohne Simulation oder Parametrisierung der Regelung automatisch Heizkurven zu erzeugen, die gegenüber einer konventionellen Heizkurve auch Effekte wie die passive solare Erwärmung des Gebäudes berücksichtigen. Das reduziert die Aufwände bei Installation und Inbetriebnahme der Regler. Erwartet werden Einsparungen von mehreren Stunden an Handwerkerdienstleistung.
Darüber hinaus bietet die Prognose des zukünftigen Speicherladezustandes die Möglichkeit, die möglicherweise fossile Nachheizung zu minimieren und Erträge von solarthermischen Anlagen zu maximieren. Gegenüber einer optimierten konventionellen Regelung bei Bestandsgebäuden haben sich in dem Forschungsprojekt Einsparpotentiale von mindestens sieben Prozent ergeben. Gegenüber nicht optimierten Regelungen, wie sie sehr häufig in der Praxis vorkommen, liegt das Einsparpotential sogar in der Größenordnung von zwölf Prozent und mehr.
Damit bietet dieser Ansatz eine sehr kostengünstige und wirksame Möglichkeit, Energieeinsparung für unterschiedliche Heizungssysteme insbesondere in Bestandsgebäuden zu realisieren.
Frage zum Artikel
