Beyond - Virtual Reality-fähige Energiedienste für intelligente Energiesysteme

Ausgangssituation/Motivation

Die österreichische Regierung hat sich verpflichtet, den Übergang des Energiesystems zu beschleunigen und bis 2040 CO2-Neutralität zu erreichen. Damit das gelingen kann, muss Österreich die Bemühungen zur Dekarbonisierung in allen Teilen seines Energiesektors erheblich verstärken.

Gebäude- und Dienstleistungssektoren machen etwa ein Drittel des gesamten Energiebedarfs aus. Die Regierung plant, Öl- und Kohleheizsysteme bis 2035 auslaufen zu lassen und die Verwendung von Erdgas zum Heizen in Neubauten ab 2025 zu beschränken.

Europa tritt nun in die vierte Welle der Energieeffizienz ein, die durch die zunehmende Digitalisierung der Gesellschaft, den Einsatz dezentraler Energieressourcen (DER) und den sich ändernden Charakter des Energieangebots und der Energienachfrage gekennzeichnet ist.

Intelligente Energy-Services wie Predictive Maintenance, Demand Side Management und Model Predictive Control sind zentrale Komponenten, um den Energieverbrauch von Gebäuden zu reduzieren und Gebäude zu aktiven, intelligenten Akteuren in übergeordneten intelligenten Energiesystemen der nächsten Generation zu transformieren.

Die nachfrageseitige Einführung von IoT-Technologien in Wohngebäuden, Gewerbe- und Industriegebäuden sowie Bildungs- und Gemeinschaftseinrichtungen bietet ein enormes Potenzial zur Effizienzsteigerung durch umfassende Energiemanagementsysteme.

Inhalte und Zielsetzungen

Das Ziel von BEYOND ist es, das technologische Fundament für die „Next Generation Energy Services" zu entwickeln, welches durch ein Zusammenspiel der folgenden Technologien ermöglicht wird:

• Virtual Reality zur Visualisierung und Echtzeitinteraktion mit dem realen Bauwerksobjekt;
• Machine Learning und physikalische Simulation, um die realen Auswirkungen von Handlungen und Entscheidungen darzustellen;
• IoT-Plattformen für die bidirektionale Echtzeitkommunikation mit dem Gebäude und den Nutzer:innen.

Die technologischen Entwicklungen werden anhand von zwei Anwendungsfällen, der Energy Services „Predictive Maintenance und Fehlerdiagnose" und "Human Aspects in Buildings", getestet und evaluiert.

Methodische Vorgehensweise

Der erste Anwendungsfall „Human Aspects in Buildings" wird es ermöglichen, die Auswirkungen von Nutzer:innen-Entscheidungen auf die Leistung von Gebäuden zu verstehen. Zu diesem Zweck werden White Box-Modelle von bestehenden BIM-Modellen in Kombination mit Blackbox-Modellen zur Vorhersage des Energieverbrauchs in Gebäuden und Gebäudesimulationen zur Bewertung des Tageslichts (einschließlich unterschiedlicher Verglasungs- und Schattierungen) abgeleitet.

Die Modelle stützen sich auf eine Reihe von gemessenen Variablen: 

• Energieverbrauch, 
• CO₂, 
• Feuchtigkeit, 
• Lufttemperatur, 
• Klimadaten, 
• Tageslicht, 
• PV-Strom usw. 

Diese Modelle werden in die VR-Technologien integriert, um die Wahrnehmung der Nutzer:innen durch visuelle Informationen (z. B. Wärmeverlust, Wärmeleistung, Tageslicht usw.), akustische Warnungen (z. B. akustische Warnhinweise bei Überschreitung von Temperaturen oder niedrigen Tageslichtwerten usw.) und haptische Informationen (z. B. Temperaturänderungen usw.) zu stärken und die Entscheidungen der Nutzer:innen in Echtzeit zu bewerten.

Im zweiten Anwendungsfall „Predictive Maintenance and Error Diagnosis" werden überwachte Daten verwendet, um Modelle für maschinelles Lernen für die vorausschauende Wartung zu entwickeln, mit denen frühzeitig vorhergesagt werden soll, wann ein System (z. B. HLK-Systeme usw.), eine Maschine oder eine ihrer Komponenten wahrscheinlich ausfällt, um rechtzeitig Wartungsarbeiten durchführen zu können, bevor ein Fehler auftritt.

Zu diesem Zweck werden in den Modellen erhebliche Mengen an überwachten Daten verwendet, die auf potenzielle Anzeichen eines System- (oder Komponenten-) Ausfalls und deren Zuverlässigkeit hinweisen: 

• Physikalische Gesundheitsaspekte der Geräte
• Maschinen oder Bauteile (z. B. Druck, Schwingungen, Temperatur, Viskosität, Akustik, Durchflussrate usw.)
• Energiedaten (z. B. Strom- und Gasverbrauch)
• Umweltdaten (z. B. Innentemperatur und relative Luftfeuchtigkeit)

Der Anwendungsfall umfasst auch maschinelles Lernen, Integritätsfaktoren (z. B. visuelle Aspekte, Abweichung vom Original, Verschleiß usw.), statistische Referenzansätze und andere statistische Techniken, die auf historischen Daten für die automatische Fehlerdiagnose beruhen.

Diese Modelle werden auch in die VR integriert, um die Instandhaltung vor Ort zu unterstützen, indem Probleme in der Frühphase (d. h. vor dem Ausfall) und akute Fehler visualisiert, unterstützt und gelöst werden können.

Erwartete Ergebnisse

Die Entwicklung der beiden Anwendungsfälle im Zusammenhang mit VR wird die Grundlage für die Erforschung interaktiver Lernmethoden und benutzerfreundlicher Gebäudeoptimierungsmechanismen und der Wartung von Systemen schaffen. Dies wird das Know-how für die Gebäudeplanung, aber auch für die Nutzung bestehender Gebäude liefern.

Von den Entwicklungen in BEYOND profitieren unter anderem innovative Firmen im Bereich von Energiedienstleistungen, Gebäudeautomation, Simulationssoftware oder VR-Technologie. Weiteres profitieren politische Entscheidungsträger:innen und Endbenutzer:innen von den neuen Möglichkeiten der Interaktion mit Energy Services.

Projektleitung

Institut für Bauphysik, Gebäudetechnik und Hochbau, Technische Universität Graz

Projekt- bzw. Kooperationspartner:innen

• Institute of Interactive Systems and Data Science (ISDS), Technische Universität Graz
• Institute of Software Technology (IST), Graz University of Technology
• EAM Systems
• EnaLytics

TU Graz
Institut für Bauphysik, Gebäudetechnik und Hochbau
Univ.-Prof. Dipl.-Ing. Dr. Christina J. Hopfe
Lessingstraße 25/III
A-8010 Graz
Tel.: +43 (316) 873 - 6240
E-Mail: c.j.hopfe@tugraz.at
Web: www.tugraz.at/institute/ibpsc/