Kurzbeschreibung
(Deutsch)
|
Die Energieeffizienz in Gebäuden ist stark abhängig von der lokalen Automation sowie deren stetiger Anpassung. Ein grosses Potential liegt dabei bei Optimierungen des Wärmesystems, spezifischer bei einer optimal eingestellten Heizkurve. Wir adaptieren und validieren in diesem Projekt ein bekanntes, datengesteuertes, vollautomatisches und stichprobeneffizientes Verfahren auf Heizkurven eines Gebäudes zur Senkung des Energiebedarfs und des Betriebsaufwandes sowie zur Erhöhung des Raumkomforts.
|
Kurzbeschreibung
(Englisch)
|
Energy efficiency in buildings is heavily dependent on local automation and its constant adaptation. There is great potential in optimizing the heating system, more specifically in an optimally adjusted heating curve. In this project, we are adapting and validating a well-known, data-driven, fully automatic and sample-efficient method for heating curves in a building to reduce energy consumption and operating costs and increase room comfort.
|
Kurzbeschreibung
(Französisch)
|
L'efficacité énergétique dans les bâtiments dépend fortement de l'automatisation locale et de son adaptation permanente. Un grand potentiel réside dans l'optimisation du système de chauffage, et plus spécifiquement dans le réglage optimal de la courbe de chauffage. Dans le cadre de ce projet, nous adaptons et validons un procédé connu, commandé par des données, entièrement automatique et efficace en matière d'échantillonnage sur les courbes de chauffage d'un bâtiment afin de réduire les besoins en énergie et les dépenses d'exploitation et d'augmenter le confort ambiant.
|
Schlussbericht
(Deutsch)
|
Dieses Forschungsprojekt konzentriert sich auf die Optimierung von Heizsystemen in Gebäuden, mit dem Ziel, den Energieverbrauch und die CO2-Emissionen zu reduzieren, die wesentlich durch den Heizbedarf beeinflusst werden. In der Schweiz sind Gebäude für einen grossen Anteil des nationalen Energieverbrauchs und der Emissionen verantwortlich, wobei das Heizen den grössten Teil ausmacht. Herkömmliche Heizsysteme basieren auf statischen Heizkurven, die bei der Inbetriebnahme festgelegt werden. Diese werden im Laufe der Zeit oft obsolet und führen zu Ineffizienzen. Das vorliegende Projekt stellt einen adaptiven Ansatz vor, der die Heizkurve kontinuierlich anpasst, um den Energieverbrauch zu optimieren und gleichzeitig den thermischen Komfort sicherzustellen. Das Hauptziel dieses Ansatzes besteht darin, die Heizkurve autonom auf Basis weniger Eingangsdaten – wie Raumtemperatur, Aussentemperatur und Heizenergie – anzupassen. Dadurch soll der Energieverbrauch und die Abweichung vom Komfortniveau mithilfe eines Optimierungsalgorithmus minimiert werden. Die Methode beruht auf der Optimierung der Heizkurvenparameter zur Minimierung einer Zielfunktion, die Energieverbrauch und Komfortabweichungen kombiniert. Hierfür werden surrogatbasierte Modelle mittels Gaussian Process Regression eingesetzt, welche über kontextuelle Bayes’sche Optimierung die optimalen Heizkurvenparameter im Zeitverlauf bestimmen. Zur Validierung der Wirksamkeit des Systems wurden Simulationen des Heizsystems auf Basis detaillierter EnergyPlus-Modelle für Gebäude wie Bülsweg – ein Mehrfamilienhaus – und NEST Sprint – ein Bürogebäude – durchgeführt. Diese Simulationen nutzen reale Daten, darunter Messungen von Wärmezählern und Sensoren, um den Heizenergieverbrauch und den Komfort zu bewerten. Die Methode umfasst zudem die Prognose der durchschnittlichen Aussentemperatur für die nächsten 24 Stunden, die Nutzung dieser Schätzung zur Vorhersage der optimalen Vorlauftemperatur sowie die kontinuierliche Aktualisierung des Modells nach jedem Zyklus, um die Systemleistung schrittweise zu verbessern. Feldtests des Algorithmus werden in Zusammenarbeit mit Lippuner AG in Bülsweg und NEST Sprint durchgeführt. Diese Praxistests bewerten den Einfluss des Algorithmus auf den Energieverbrauch, wobei Vergleiche anhand linearer Regression, Normalisierung über Heizgradtage und maschinelles Lernen gezogen werden. Zwei digitale Zwillinge dienen der Validierung – einer mit und einer ohne Algorithmus – um die Effekte der Optimierung robust zu quantifizieren. Der adaptive Heizansatz erzielte Energieeinsparungen von etwa 4 – 6 % gegenüber der statischen Referenz, bei nahezu unverändertem Komfortniveau (Comfort Score: 0.24 . 0.23). Von den vier Bewertungsmethoden – Lineare Regression, Heizgradtage-Normalisierung, Machine-Learning-Vorhersage und Digital Twin Analyse – erwies sich der HDD-basierte Ansatz als am zuverlässigsten, da er Wettereinflüsse berücksichtigt und eine robuste Modellgüte aufweist. Obwohl der Digitale Zwilling diese Effizienzgewinne aufgrund begrenzter Extrapolation (30 – 45 °C) nicht reproduzieren konnte, bestätigten reale Felddaten messbare Verbesserungen. Weitere Analysen deuten darauf hin, dass eine Erweiterung des Optimierungsbereichs bis 20 °C zusätzliches Einsparpotenzial freisetzen könnte. Das Bayes’sche Optimierungsmodell zeigte eine stabile Konvergenz nach 30 – 40 Iterationen, jedoch auch eine asymmetrische Sensitivität: robust gegenüber positiven, aber anfällig gegenüber negativen Ausreissern. Dies unterstreicht die Notwendigkeit einer verbesserten Rauschbehandlung und Regularisierung in zukünftigen Versionen. Die nächste Entwicklungsphase konzentriert sich auf die Skalierung und Verfeinerung des adaptiven Heizrahmens, um eine autonome, datengetriebene Optimierung über mehrere Gebäude hinweg zu ermöglichen. Ziel ist die Automatisierung der Datenverarbeitung und des Modell-Updates, die Erhöhung der Robustheit gegenüber Sensorausfällen und Ausreissern sowie die Erweiterung des Optimierungsbereichs, um das volle Energieeinsparpotenzial des Systems zu erschliessen. Weitere Feldversuche – insbesondere in Einfamilienhäusern mit Wärmepumpen – werden die Übertragbarkeit und Zuverlässigkeit der Methode unter unterschiedlichen Betriebsbedingungen bewerten. Darüber hinaus soll die Integration zusätzlicher kontextueller Faktoren wie Wind, solare Einstrahlung und Belegungsdynamik direkt in das Lernmodell die Vorhersagegenauigkeit und den Komfort weiter verbessern. Diese Weiterentwicklungen stärken den adaptiven Heizansatz als skalierbare und robuste Alternative zu statischen Regelstrategien und fördern den Übergang zu einer intelligenten, energieeffizienten Gebäudebewirtschaftung.
|
Schlussbericht
(Englisch)
|
This research focuses on optimizing heating systems in buildings, particularly to reduce energy consumption and CO2 emissions, which are significantly impacted by heating demand. In Switzerland, buildings are responsible for a large portion of the nation's energy use and emissions, with heating accounting for most of this. Traditional heating systems rely on static heating curves, set during installation, which often become outdated over time and lead to inefficiencies. This project introduces an adaptive approach that continuously adjusts the heating curve to optimize energy consumption while maintaining thermal comfort. The main objective of this approach is to autonomously adjust the heating curve based on minimal data inputs such as room temperature, outdoor temperature and heating energy. By doing so, the system aims to minimize energy consumption and comfort deviations using an optimization algorithm. The method involves optimizing the heating curve parameters to minimize a score function that combines energy consumption and comfort deviations. Gaussian Process regression surrogate models are employed to adapt the system and find via Contextual Bayesian Optimization the optimal heating curve parameters over time. Simulations of the heating system, based on detailed EnergyPlus models for buildings like Bülsweg - a multi family residential building – and NEST, Sprint – a multi-office building – have been conducted to validate the system's effectiveness. These simulations use real data, including measurements from heat meters and sensors, to assess the heating energy usage and comfort levels. This method includes estimating the average outdoor temperature for the next 24 hours, using this estimate to predict the optimal inlet temperature, and continuously updating the model after each cycle to improve system performance over time. Field testing of the algorithm is being conducted in collaboration with Lippuner AG in Bülsweg and NEST, Sprint. The real-world test assesses the impact of the algorithm on energy consumption, with comparisons made using linear regression, normalization by heating degree days, and machine learning predictions. Two digital twins are used for validation – one with the algorithm and one without – as control. This allows for a more robust comparison of the effects of the optimization algorithm. The adaptive heating approach achieved energy savings of approximately 4 – 6% compared to the static baseline while maintaining nearly unchanged comfort levels (Comfort Score: 0.24 . 0.23). Among the four evaluation methods: Linear Regression, Heating Degree Day normalization, Machine Learning prediction, and Digital Twin analysis. The HDD-based estimate proved most reliable, balancing weather normalization and model robustness. Although the Digital Twin failed to reproduce these gains due to limited extrapolation beyond its training range (30 – 45 °C), real-world data confirmed measurable efficiency improvements. Further analysis suggests that extending the optimization range downward to 20 °C could unlock additional savings potential. The Bayesian Optimization model demonstrated stable convergence after 30 – 40 iterations, but robustness tests revealed asymmetric sensitivity: tolerant to strong positive outliers yet vulnerable to negative ones. This finding highlights the need for improved noise handling and regularization in future iterations. Future work will focus on scaling and refining the adaptive heating framework to enable autonomous, data-driven optimization across multiple buildings. The next development phase aims to automate data processing and model retraining, enhance robustness against sensor noise and outliers, and expand the optimization range to fully capture the system’s energy-saving potential. Additional field tests, including applications in single-family houses with heat pumps, will assess the method’s transferability and reliability under diverse operating conditions. Furthermore, integrating additional contextual factors— such as wind, solar radiation, and occupancy dynamics, directly into the learning model will improve both predictive accuracy and comfort control. These developments will strengthen the adaptive heating approach as a scalable and robust alternative to static control strategies, advancing the transition toward intelligent, energy-efficient building operation.
Zugehörige Dokumente
|
Schlussbericht
(Französisch)
|
Cette recherche se concentre sur l’optimisation des systèmes de chauffage dans les bâtiments, dans le but de réduire la consommation d’énergie et les émissions de CO2, fortement influencées par la demande de chauffage. En Suisse, les bâtiments représentent une part importante de la consommation énergétique nationale et des émissions, le chauffage en constituant la plus grande part. Les systèmes de chauffage traditionnels reposent sur des courbes de chauffe statiques, définies lors de l’installation, qui deviennent souvent obsolètes au fil du temps et entraînent des inefficacités. Le présent projet introduit une approche adaptative qui ajuste en continu la courbe de chauffe afin d’optimiser la consommation d’énergie tout en maintenant le confort thermique. L’objectif principal de cette approche est d’ajuster de manière autonome la courbe de chauffe à partir d’un minimum de données d’entrée, telles que la température intérieure, la température extérieure et l’énergie thermique. L’algorithme vise à minimiser la consommation d’énergie et les écarts de confort à l’aide d’un processus d’optimisation. La méthode consiste à optimiser les paramètres de la courbe de chauffe afin de minimiser une fonction de coût combinant la consommation d’énergie et les écarts de confort. Des modèles de substitution basés sur la régression par processus gaussiens (Gaussian Process Regression) sont utilisés, permettant, via l’optimisation bayésienne contextuelle, d’identifier au fil du temps les paramètres optimaux de la courbe de chauffe. Pour valider l’efficacité du système, des simulations EnergyPlus détaillées ont été réalisées pour des bâtiments tels que Bülsweg – un immeuble résidentiel multifamilial – et NEST Sprint – un bâtiment de bureaux. Ces simulations utilisent des données réelles, incluant les mesures de compteurs de chaleur et de capteurs, afin d’évaluer la consommation de chauffage et les niveaux de confort. La méthode inclut également l’estimation de la température extérieure moyenne sur les 24 heures suivantes, l’utilisation de cette prévision pour déterminer la température d’entrée optimale, et la mise à jour continue du modèle après chaque cycle, améliorant ainsi progressivement les performances du système. Des tests sur le terrain du nouvel algorithme sont menés en collaboration avec Lippuner AG sur les sites de Bülsweg et de NEST Sprint. Ces essais évaluent l’impact de l’algorithme sur la consommation énergétique, à l’aide de comparaisons fondées sur la régression linéaire, la normalisation par degrésjours de chauffage et des prédictions issues de l’apprentissage automatique. Deux jumeaux numériques servent à la validation – l’un intégrant l’algorithme et l’autre non – afin de comparer de manière robuste les effets de l’optimisation. L’approche de chauffage adaptative a permis d’obtenir des économies d’énergie de l’ordre de 4 à 6 % par rapport à la configuration statique, tout en maintenant un niveau de confort quasi identique (Comfort Score : 0.24 . 0.23). Parmi les quatre méthodes d’évaluation – régression linéaire, normalisation par degrés-jours de chauffage, prédiction par apprentissage automatique et analyse par jumeau numérique – l’estimation basée sur les degrés-jours s’est révélée la plus fiable, équilibrant la normalisation météorologique et la robustesse du modèle. Bien que le jumeau numérique n’ait pas reproduit ces gains, en raison de sa capacité limitée d’extrapolation (30 – 45 °C), les données réelles ont confirmé des améliorations mesurables en efficacité. Une analyse complémentaire indique qu’étendre la plage d’optimisation jusqu’à 20 °C pourrait libérer un potentiel d’économie supplémentaire. Le modèle d’optimisation bayésienne a montré une convergence stable après 30 à 40 itérations, mais également une sensibilité asymétrique : tolérant aux fortes valeurs aberrantes positives mais vulnérable aux valeurs négatives. Cela souligne la nécessité d’un meilleur traitement du bruit et de la régularisation dans les futures versions. La prochaine phase de développement visera à étendre et perfectionner le cadre de chauffage adaptatif, afin de permettre une optimisation autonome et fondée sur les données à l’échelle de plusieurs bâtiments. Elle se concentrera sur l’automatisation du traitement des données et de la réactualisation des modèles, le renforcement de la robustesse face aux bruits de capteurs et aux valeurs aberrantes, ainsi que l’élargissement de la plage d’optimisation pour exploiter pleinement le potentiel d’économie d’énergie du système. Des essais supplémentaires – notamment dans des maisons individuelles équipées de pompes à chaleur – permettront d’évaluer la transférabilité et la fiabilité de la méthode dans des conditions d’exploitation variées. Enfin, l’intégration de facteurs contextuels supplémentaires, tels que le vent, le rayonnement solaire et la dynamique d’occupation, directement dans le modèle d’apprentissage, améliorera la précision prédictive et la gestion du confort. Ces développements renforceront l’approche de chauffage adaptatif en tant qu’alternative évolutive et robuste aux stratégies de contrôle statiques, contribuant ainsi à la transition vers une exploitation des bâtiments plus intelligente et plus économe en énergie.
|
