Selvlærende ventilation skal spare energi
Ny algoritme skal gøre det muligt for ventilationsanlæg selv at tilpasse sig bygningen og dermed fjerne behovet for tidskrævende manuel opsætning.
Ved hjælp af maskinlæring og tidsrækkeanalyse er det ambitionen at udvikle en algoritme, der selv kan estimere et rums termiske egenskaber ud fra data fra anlæggets egne sensorer – uden at en tekniker skal konfigurere det manuelt.. Foto: Erik Bjørn/Airmaster
Teknologisk Institut, Airmaster og Aalborg Universitet vil udvikle en selvlærende algoritme, der skal gøre prædiktiv styring af ventilation lettere at tage i brug.
Teknologien gør det muligt at tilpasse ventilation og temperatur efter blandt andet vejr, brugsmønstre og elpriser. I dag kræver det dog manuel opsætning med oplysninger om eksempelvis rummets isolering, størrelse og vinduer.
I projektet SAAVER skal maskinlæring i stedet bruges til automatisk at beregne rummets termiske egenskaber ud fra ventilationsanlæggets egne sensorer.
Et tidligere projekt med prædiktiv styring viste en energibesparelse på 44 procent over tre sommermåneder sammenlignet med en fast temperaturindstilling. Partnerne forventer dog mere moderate besparelser over et helt år.
Projektet har et budget på 5,25 mio. kr. og har fået 2,6 mio. kr. fra EUDP. Teknologien skal blandt andet testes på 28 Airmaster-anlæg hos Kamstrup i Stilling.
