Abstract
Gebouwen zijn verantwoordelijk voor 40% van het wereldwijde energieverbruik, waarvan 36% verwarming, ventilatie en airconditioning (HVAC) is. Daarom is optimale HVAC-regeling in gebouwen cruciaal in de overgang naar een duurzame samenleving. In dit veld is al veel onderzoek gebeurd, met veelbelovende resultaten, maar de kwaliteit van deze modellen is afhankelijk van de nauwkeurigheid van het onderliggende simulatiemodel, dus is een nauwkeurig model gedurende de hele levenscyclus van het gebouw belangrijk. Echter, door noodzakelijke vereenvoudigingen verschillen fysische modellen significant van de metingen en om dit te compenseren is expertise nodig om de complexiteit van het model te verhogen die meestal niet aanwezig is. Gezien de opkomst van slimme gebouwen, uitgerust met sensoren, zijn datagedreven oplossingen mogelijk, in de vorm van een hybride model dat de voordelen van datagedreven en fysische modellen benut. Ten eerste worden datagedreven modellen, zoals bijvoorbeeld diepe neurale netwerken (DNN's), toegevoegd aan het fysisch model op niveau van de componenten om dit verschil te dichten. Ten tweede, als componenten degraderen zal het verschil weer groeien en wordt dit op dezelfde manier gedicht. Ten derde maakt het hybride model automatische foutdetectie en -diagnose (AFDD) mogelijk gebruik makend van de resultaten van dit proces. Tot slot leidt een schatting van het energieverlies als gevolg van degradatie tot kostenoptimale onderhoudsstrategieën.
Onderzoeker(s)
Onderzoeksgroep(en)
Project type(s)