„nachhaltige technologien 01 | 2023"

Sammlung von Fallstudien Die Schwerpunktbereiche für die Fallbeispiele wurden durch strukturierte Diskussionen mit verschiedenen Interessengruppen und durch Aktivitäten im Rahmen des Projekts ermittelt. Die Fallstudien enthalten all- gemeine Informationen wie generelle Projektinfor- mationen sowie Informationen zu Ort, angewandten Technologien, Datenverfügbarkeit oder Umsetzungs- status, Informationen zu technischen Details und Ge- schäftsmodellen sowie Interessensgruppen und Fra- gen zur Wissensgenerierung ("lessons learnt"). Jede Fallstudie kann sich auf ein bestimmtes Gebäude, eine bestimmte Technologie oder einen bestimmten Datensatz konzentrieren. Bislang wurden die Fallstudien von den Mitgliedern des Projekts (mehr als 100 Personen aus 19 Ländern und 4 Kontinenten), die an der Entscheidungsfindung oder Umsetzung von Smart-Building-Technologien beteiligt waren, freiwillig beigesteuert. Die Fallstudi- en werden online unter einer Creative-Commons-Li- zenz veröffentlicht. Jeder Eintrag kann durch visuelle Informationen (z. B. Bilder, Diagramme, Arbeitsab- läufe) und ergänzende Unterlagen wie z. B. Gebäu- depläne, Modelle, Links zu externen Datensätzen, Veröffentlichungen oder Projektinformationen ergänzt werden. Die derzeit veröffentlichten Fallstu- dien umfassen Gebäude in Österreich, Australien, Kanada, Deutschland, Italien, Japan, den Niederlan- den und den USA. Lessons Learnt aus den Fallstudien Die Innovationsbeschleunigung im Bereich der in- telligenten Gebäudetechnologien kann durch den Zugang zu offenen Daten, die Förderung der Stan- dardisierung und Interoperabilität, den Austausch von Erfahrungen und bewährten Verfahren durch Informationsrepositorien und Best Practice Examples vorangetrieben werden. Alle neun Fallstudien, die auf der Website [2] darge- stellt sind, hatten zum Ziel, den Energieverbrauch zu reduzieren und den Nutzer*innenkomfort zu ver- bessern. Dazu wurden unterschiedliche Methoden angewendet. Die Lessons learnt bezogen sich auf a) Datenerfassung und -qualität und b) Belegung und Gebäudebetrieb. Zu den in den Gebäuden geteste- ten datengesteuerten Technologien gehörten die modellprädiktive Regelung (MPC) sowie die Fehlerer- kennung und -diagnose (FDD). In diesem Artikel wird ein Überblick über die gewonnenen Erkenntnisse gegeben. Detailliertere Analysen finden sich für drei der Fallstudien in separaten Artikeln in diesem Heft. MPC basiert auf einer Modell-basierten Regelungs- strategie, die automatisch kurzfristige Steuerungssi- gnale zur Erreichung von Zielwerten in der Betriebs- führung (z. B. Reduktion des Energieverbrauchs und der CO 2 -Emissionen, Erreichung der Komfortbedin- gungen) generiert. Das Gebäudemodell wird unter Nutzung von Betriebsdaten des Gebäudes und der Haustechniksysteme entwickelt, als Stellvertreter zur Abschätzung der Gebäudeantwort genutzt und dient der Feinabstimmung der Regelungsstrategie. FDD beruht auf der Fähigkeit einer Technologie, Daten, die vom Gebäude und der Haustechniksys- teme aufgezeichnet werden, zu nutzen, um Fehler im Betrieb aufzuzeigen und in manchen Fällen die Hauptursachen einzugrenzen. Die Datenqualität und die -verfügbarkeit der instal- lierten Sensoren waren bei allen Projekten Thema. Lücken in der Datenaufzeichung bzw. Zugang zu standardisierten Sensorinformationen waren in meh- reren Fallstudien problematisch. Nicht vorhandene Metadaten können die Rentabilität der Maßnahmen reduzieren. Methoden wie die Brick-Ontologie, wie Das LBNL-Bürogebäude ("Gebäude 59" oder Wang Hall) ist ein Bürogebäude auf dem Gelände des Lawrence Berkeley Na- tional Laboratory in Berkeley, Kalifornien mit über 10 400 m 2 auf vier Etagen: Model Predictive Control wurde implementiert, um den HLK-Betrieb zu optimieren (Zulufttemperatur-Soll- wert, Luftklappenstellung, Ventilatorgeschwindigkeit, Warm- wasserventilstellung) und Energie einzusparen Foto: IEA EBC Task 81 Büro und Laborgebäude des Australischen Forschungsinstituts CSIRO in Canberra: Verwendung einer Cloud-basierten Optimierunssoftware für die Kaltwasserbereitstellung Foto: IEA EBC Task 81