Masterarbeit Dawid Nickel

 

Analyse und Entwicklung von Methoden und Modellen für die Vorhersage des Wärmebedarfs von Wohngebäuden

Um das Ziel der Bundesregierung bei der Integration von erneuerbaren Energien im Bereich der
Wärmeerzeugung zu erreichen,werden dezentrale Energiesysteme,wie Wärmepumpen, Blockheizkraftwerk,
Solarthermie etc. integriert. Da diese Energiesysteme aufgrund von Wetterbedingungen
sehr stark fluktuieren können, bedarf es Energiemanagementsysteme, wodurch die dezentralen
Energieerzeuger koordiniert werden. Um mit Hilfe dieser Systeme eine stabile Energieversorgung
trotz fluktuierender erneuerbarer Energien gewährleisten zu können, müssen geeignete Fahrpläne
derWärmeerzeuger erstellt werden, die den Komfort der Bewohner sicherstellen. Für die Erstellung
eines effizienten Fahrplanes ist eine Wärmebedarfsvorhersage von großem Vorteil und dient somit
als Input für ein effektiveres EMS.
Aus dem Grund wurden im Rahmen dieser Arbeit drei Modelle für die Vorhersage des Wärmebedarfs
für Wohngebäude untersucht. Diese sind ein erweitertes Regressionsmodell, ein künstliches
neuronales Netz und ein Grey-Box-Modell. Es werden zwei unterschiedliche Vorgehensweisen für
die Vorhersage des Wärmebedarfs betrachtet. Auf der einen Seite wird unter der Bedingung einer
konstanten Innenraumtemperatur der direkte Wärmebedarf bestimmt, um dieWärmeverluste auszugleichen
und die Temperatur konstant zu halten. Auf der anderen Seite wird das Verhalten der
Innenraumtemperatur abgebildet und darüber die Wärmeerzeugung bestimmt, die für den Erhalt
einer komfortablen Temperatur nötig ist.
Mit Hilfe des Regressionsmodells wurde ein polynomialer Zusammenhang zwischen den Umgebungsbedingungen
und dem Wärmebedarf hergestellt. Durch die Integration eines Tiefpassfilters
wurde die thermische Trägheit eines Gebäudes abgebildet. Bei der Vorhersage der Wärmeverluste
konnte ein relativer Fehler von 28% und ein Bestimmtheitsmaß von 0.95 erzielt werden. Die Innenraumtemperatur
konnte nicht abgebildet werden.
Bei dem künstlichen neuronale Netz wurden verschiedene Strukturen, sowie die Anzahl der Neuronen
und der Schichten analysiert. Dabei erreichte das autoregressive Netz mit der Berücksichtigung
von exogenen Eingangsdaten die besten Resultate. Die Abweichung bei der Wärmeverlustvorhersage
lag bei 29% und das Bestimmtheitsmaß bei 0.84.
Über das Grey-Box-Modell wurde ein vereinfachtes physikalisches Verhalten eines Wohngebäudes
abgebildet. Obwohl sich bei der Bestimmung der Wärmeverluste ein Fehler von 37% ergab (Bestimmtheitsmaß
von 0.94), weist es das größte Potential der untersuchten Modelle auf. Denn es
kann eine Vorhersage sowohl unter der Bedingung einer konstanten als auch dynamischen Innenraumtemperatur
erstellt werden. Bei der Vorhersage der Innenraumtemperatur betrug die durchschnittliche
Temperaturdifferenz 0.57 K.