Thermische Sollwertoptimierung

Der Setpoint Optimizer (thermische Sollwertoptimierung) wurde von Lynus entwickelt, um auf bestehende oder auch neue Heiz-, Kühl- und Lüftungskreise Einfluss zu nehmen und diese in Ihrem Energieverbrauch zu optimieren.

Die Optimierung und Regelung funktioniert somit bei Kreisen mit flüssigen Medien wie auch bei Kreisen über Luft. Der Setpoint Optimizer kann aber auch auf Kreise einwirken die sowohl kühlen als auch heizen können, sogenannte Hybrid-Systeme.

Um eine solche Optimierung und Ansteuerung vorzunehmen, benötigt der Optimizer wiederum Daten aus dem Echtzeitsystem vor Ort.

Diese sind je nach vorhandenem System folgende:

  • Vorlauf
  • Rücklauf (optional)
  • Mindestens eine Raumtemperatur auf die der zu optimierende Kreis einwirkt
  • Zulufttemperaturen bei Lüftungen
  • Ablufttemperaturen bei Lüftungen
Image
Image

Die Echtzeitdaten in Kombination mit unseren eigens dafür entwickelten Algorithmen ermöglichen es, eine optimierte Heiz- oder Kühlkurve auszugeben.

Dies ergibt somit einen neuen optimierten Sollwert, der zurück auf das Echtzeitsystem geschickt wird und direkt Einfluss auf Vorlauf oder Zulufttemperatur eines jeden einzelnen Kreisen hat.

Folgende Daten sind im Setpoint Optimizer unter anderem ersichtlich:

  • Historischer Verlauf Raumtemperaturen
  • Historischer Verlauf Systemwerte (Vorlauf, Rücklauf, Zulufttemperatur usw.)
  • 24 Stunden Prediction auf die neuen optimierten Sollwerte (Vorlauf und Zulufttemperatur)

Steuerbare Kreise mit dem Setpoint Optimizer sind :

  • Heizkreise mit flüssigem Medium und dessen Vorlauf (klassische Heizung oder Heizregister)
  • Kühlkreis mit flüssigem Medium und dessen Vorlauf (klassischer Kältekreis oder Kälteregister)
  • Heizkreis über das Medium Luft und dessen Zulufttemperatur (klassische Lüftungsanlagen)
  • Kühlkreis über das Medium Luft und dessen Zulufttemperatur (klassische Lüftungsanlagen)
  • Hybridsysteme mit flüssigem Medium und dessen Vorlauftemperaturen (Heiz und Kühlregister)
  • Hybridsysteme über das Medium Luft und dessen Zulufttemperaturen (klassischen Lüftungsanlagen mit Kühl und Heizregister)
Image
Image

Der Vorteil liegt auch hier wiederum hauptsächlich am Machine Learning Teil und den Algorithmen. Dadurch haben wir die Möglichkeit diverse historische wie auch zukünftige Einflüsse in die optimierte Kurve mit einfliessen zu lassen.

Somit erreicht man wiederum eine Energieeinsparung und hinterlässt einen kleineren CO2 Abdruck seiner Anlage.

Genereller Hinweis:

Bestimmte systemrelevante Befehle werden generell auf dem Echtzeitsystem ausgeführt.

Temperaturmanagement ohne Lynus

Image

Wie man erkennen kann, reagiert eine klassisches Temperaturregelung für einen Vorlauf ohne Machine Learning nur auf den Istzustand der Anlage.

Der Ablauf auf der Grafik bei «Heute» kann wie folgt kurz beschrieben werden:

  • In den Nachtstunden sinkt die Aussentemperatur und die Vorlauftemperatur steigt parallel dazu an
  • Im Tagesverlauf bei steigender Aussentemperatur sinkt die Vorlauftemperatur
  • In den Abendstunden fällt die Aussentemperatur wieder und die Vorlauftemperatur steigt wieder an
  • Wetterprognose fliesst ins Temperaturmanagement NICHT mit ein

Der Ablauf auf der Grafik bei «Morgen» kann wie folgt kurz beschrieben werden:

  • Vorlauftemperatur war die ganze Nacht recht hoch, bzw. ist konstant unnötig gestiegen
  • Da das gute Wetter nicht mit einberechnet wurde, sind wir mit dem Vorlauf generell viel zu hoch und haben unnötige Energie ins System eingetragen
  • Somit läuft man Gefahr, dass z.B. Räume im jeweiligen Gebäude überhitzen, da der Vorlauf generell zu hoch ist und die Sonneneinstrahlung nicht mit berücksichtigt wurde
  • Da ein Heizungssystem recht träge ist, fällt die Vorlauftemperatur dann nur recht langsam ab
  • Bei fallender Aussentemperatur gegen Abend, steigt die Vorlauftemperatur wieder, obwohl am nächsten Tag wieder eine gut Wetterperiode ansteht und dadurch auf natürliche Weise Wärme ins Gebäude eingetragen werden kann

Der Ablauf auf der Grafik bei «Übermorgen» kann wie folgt kurz beschrieben werden:

  • In den Morgenstunden steigt der Vorlauf immer noch an
  • Im Laufe des Tages haben wir dann wieder gutes Wetter und der Vorlauf fällt dabei ab, ohne die folgende Schlechtwetterperiode frühzeitig zu berücksichtigen
  • Somit kann es sein, dass wir mit dem Vorlauf zu tief sind und dadurch Gefahr laufen, die Räume zu unterkühlen

Temperaturmanagement mit Lynus

Image

Das Lynus Temperaturmanagement berücksichtigt sowohl den Istzustand der Anlage, sowie auch die Zukunftsdaten. Der Machine Learning Algorithmus generiert aus den Input-Daten eine optimierte Sollwertkurve.

Der Ablauf auf der Grafik bei «Heute» kann wie folgt kurz beschrieben werden:

  • In den Nachtstunden sinkt die Aussentemperatur und die Vorlauftemperatur steigt leicht dazu an
  • Im Tagesverlauf bei steigender Aussentemperatur sinkt die Vorlauftemperatur
  • In den Abendstunden fällt die Aussentemperatur wieder und die Vorlauftemperatur steigt nicht an, sondern fällt weiter leicht ab
  • Wetterprognose fliesst ins Temperaturmanagement MIT mit ein

Der Ablauf auf der Grafik bei «Morgen» kann wie folgt kurz beschrieben werden:

  • Vorlauftemperatur war die ganze Nacht am sinken
  • Da das gute Wetter mit einberechnet wurde, sind wir mit dem Vorlauf optimal tief und haben somit keine unnötige Energie ins System eingetragen
  • Somit werden bei den Raumtemperaturen auch die Sonneneinstrahlungen berücksichtigt und man läuft nicht Gefahr, dass Räume überhitzen
  • Bei fallender Aussentemperatur gegen Abend sinkt die Vorlauftemperatur noch weiter leicht, da am nächsten Tag wieder eine gut Wetterperiode ansteht und dadurch auf natürliche Weise Wärme ins Gebäude eingetragen werden kann. Der Algorithmus weiss, dass die Raumtemperaturen gehalten werden können

Der Ablauf auf der Grafik bei «Übermorgen» kann wie folgt kurz beschrieben werden :

  • In den Morgenstunden bleibt der Vorlauf nahezu konstant
  • Im Laufe des Vormittages steigt der Vorlauf schon leicht an, bevor sich die Aussentemperatur gross ändert
  • Dies, weil gegen Abend eine Schlechtwetter-Prognose ansteht
  • Somit hat das System durch seine Trägheit schon frühzeitig reagiert

Dadurch erreichen wir

10 - 15%

Reduktion des thermischen Energieverbrauchs

Beispiel
Eine bestehende Heizungsanlage in einem Einkaufszentrum regelt ihren Vorlauf klassisch über die Aussentemperatur und einer Heizkurve.

Lynus geht auch hier einen Schritt weiter und lässt wiederum Machine Learning einfliessen. Dadurch regelt Lynus den Vorlauf nicht nur anhand der Aussentemperatur, sondern lässt auch bis zu 24 Stunden vorausschauend weitere Einflüsse auf den Vorlauf mit einwirken. Diese reichen von diversen Raumtemperaturen, Wettereinflüssen oder auch der Anzahl an Personen im Einkaufszentrum. Denn wenn die Regelung weiss, dass durch die äusseren Einflüsse wie Wetter, z.B. die Temperaturen im Gebäude locker gehalten werden können, kann mit dem Vorlauf dementsprechend tiefer gefahren werden. Dies bedeutet dann weniger Strahlungsverluste und meist auch eine geringere Spreizung zwischen Vorlauf und Rücklauf. Wenn es die Umstände zulassen, ist sogar eine komplette Abschaltung der Heizung möglich.