Titel
Accueil
Navigation principale
Contenu
Recherche
Aide
Fonte
Standard
Gras
Identifiant
Interrompre la session?
Une session sous le nom de
InternetUser
est en cours.
Souhaitez-vous vraiment vous déconnecter?
Interrompre la session?
Une session sous le nom de
InternetUser
est en cours.
Souhaitez-vous vraiment vous déconnecter?
Accueil
Plus de données
Partenaires
Aide
Mentions légales
D
F
E
La recherche est en cours.
Interrompre la recherche
Recherche de projets
Projet actuel
Projets récents
Graphiques
Identifiant
Titel
Titel
Unité de recherche
OFEN
Numéro de projet
SI/502188
Titre du projet
UC-DPC – Energieverbrauchs- und Komfort-Optimierung in Wohn- und Büroräumen durch eine nutzerzentrierte, prädiktive Regelung
Données de base
Textes
Participants
Catégories
Titel
Textes relatifs à ce projet
Allemand
Français
Italien
Anglais
Description succincte
-
-
Textes saisis
Catégorie
Texte
Description succincte
(Allemand)
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.
Description succincte
(Anglais)
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%.
SEFRI
- Einsteinstrasse 2 - 3003 Berne -
Mentions légales