UC-DPC – Energieverbrauchs- und Komfort-Optimierung in Wohn- und Büroräumen durch eine nutzerzentrierte, prädiktive Regelung

Schrift Standard Fett
Login

Forschungsstelle

BFE

Projektnummer

SI/502188

Projekttitel

UC-DPC – Energieverbrauchs- und Komfort-Optimierung in Wohn- und Büroräumen durch eine nutzerzentrierte, prädiktive Regelung

Texte zu diesem Projekt

	Deutsch	Französisch	Italienisch	Englisch
Kurzbeschreibung		-	-

Erfasste Texte

Kategorie	Text
Kurzbeschreibung (Deutsch)	Sozialwissenschaftliche Forschung lehrt uns, dass das Bedürfnis nach Raumkomfort eine der grössten Herausforderungen beim Sparen von Energie beim Wohnen und Arbeiten ist. Gegenwärtige Automatismen zur Betriebsoptimierung, wie die prädiktive Regelung, ignorieren dieses Bedürfnis weitestgehend. Wir erforschen und testen in diesem Projekt einen Automatismus zur Maximierung des Raumkomforts, bei gleichzeitiger Minimierung des Energiebedarfs. In Echtzeit erfasste Information zum Befinden der Nutzenden am Empa NEST wird genutzt, um mithilfe von Methoden des maschinellen Lernens (Reinforcement Learning) möglichst energieeffiziente Optimierungen am Raumklima vorzunehmen. Basierend auf ersten Erfahrungen wird ein Energiesparpotential von 20% angestrebt.
Kurzbeschreibung (Englisch)	User need for comfort is one of the most critical barriers for energy efficient living and working. Recent advancements in auto-matic optimization of room climate successfully foster energy efficiency, but usually ignore comfort needs. In this project, we will introduce an approach which aims at maximizing energy efficiency and user comfort at the same time. For this purpose, Empa NEST is used as a testbed. Machine learning based state of the art energy optimization algorithms (Reinforcement Learning) are combined with real time user feedback. Our previous work suggests an energy saving potential of around 20%.

Kategorie

Text

Kurzbeschreibung
(Deutsch)

Sozialwissenschaftliche Forschung lehrt uns, dass das Bedürfnis nach Raumkomfort eine der grössten Herausforderungen beim Sparen von Energie beim Wohnen und Arbeiten ist. Gegenwärtige Automatismen zur Betriebsoptimierung, wie die prädiktive Regelung, ignorieren dieses Bedürfnis weitestgehend. Wir erforschen und testen in diesem Projekt einen Automatismus zur Maximierung des Raumkomforts, bei gleichzeitiger Minimierung des Energiebedarfs. In Echtzeit erfasste Information zum Befinden der Nutzenden am Empa NEST wird genutzt, um mithilfe von Methoden des maschinellen Lernens (Reinforcement Learning) möglichst energieeffiziente Optimierungen am Raumklima vorzunehmen. Basierend auf ersten Erfahrungen wird ein Energiesparpotential von 20% angestrebt.

Kurzbeschreibung
(Englisch)

User need for comfort is one of the most critical barriers for energy efficient living and working. Recent advancements in auto-matic optimization of room climate successfully foster energy efficiency, but usually ignore comfort needs. In this project, we will introduce an approach which aims at maximizing energy efficiency and user comfort at the same time. For this purpose, Empa NEST is used as a testbed. Machine learning based state of the art energy optimization algorithms (Reinforcement Learning) are combined with real time user feedback. Our previous work suggests an energy saving potential of around 20%.