Research Outputs
Development of a Hardware-in-the-Loop Test Method for Heat Pumps and Chillers
The work presents the development of a Hardware-in-the-Loop test method which enables the solving of integrated energy design problems at a system and concept level for the heat and cold supply of NZEBs based on electrically and thermally driven heat pumps and chillers. The main result is the realization of a test rig consisting of hardware (e.g. thermally driven chiller, or heat pump etc.), of software (e.g. LabView, TRNSYS) and the interface for the interaction of hardware and software.
HiL-Tests auf Basis von PCP zur Optimierung der energetischen Versorgung von Gebäuden
Comparison of Black Box Models for Load Profile Generation of District Heating Networks
Black box modeling is a fast and efficient way of creating models for generating the heat demand of a district heating networks. A sufficient amount of high quality data has to be collected to form the basis for a valid model that can serve as training and test stand for the models. The model parameters and their influence on the heat demand are investigated and a model structure is derived. With this structure, five data mining algorithms, namely Multiple Linear Regression (LR), Support Vector Regression (SVR), Random Forest (RF), k-Nearest Neighbor (k-NN) and Artificial Neural Networks (ANN) are utilized for creating the load models for a small district heating network located in southeast of Austria. Except for LR, all algorithms showed a good performance. They are well suited for that kind of task. K-NN has the best regression score metric with an average MAPE of 13.49 %.
Verknüpfung eines urbanen Strom- und Fernwärmenetzes zu einem funktionalen Stromspeicher
Künstliche Neuronale NARX-Modelle zur Wärmelastprognose von Nahwärmenetzen
Im Kontext des Smart Grid und der hybriden Netzbetrachtung stellen Wärmenetze eine Flexibilität für das Stromnetz bereit, die durch intelligente Nutzung eine bessere Integration der erneuerbaren Energieträger ermöglichen kann. Dafür sind Wärmelastprognosen für das Wärmenetz erforderlich, um prädiktiv die Wärmebereitstellung zu regeln. Die Stärken des NARX-Modelles in Kombination mit Neuronalen Netzen liegen dabei in der Lernfähigkeit und Adaptierbarkeit des Modells. Trotz einer suboptimalen Menge an Trainingsdaten und der geringen Größe des betrachteten Nahwärmenetzes, liefert das Modell gute Prognosewerte in einem Prädiktionshorizont von bis zu 24 Stunden.