Warum Big Data und Gebäudeanalysen nichts bringen:Teil 1

Im Jahr 2014 produzierten Unternehmen auf der ganzen Welt zusammen satte 8,4 Zettabyte (oder 8,4 Billionen Gigabyte) an digitalen Inhalten, gegenüber 2,7 Zettabyte im Jahr 2012. Das sind viele Informationen, die es zu analysieren gilt – daher der Begriff „Big Data“, der den Trend beschreibt Verarbeitung umfangreicher und sehr variabler Informationen, um moderne Erkenntnisse zu gewinnen und Ergebnisse zu optimieren. Die Interpretation dieses Bergs an Big Data für den Bau oder die Renovierung besserer Gewerbe- und Wohngebäude erfordert neue Denkweisen, wie beispielsweise Gebäudeanalysen.

Gebäudeanalysen sind Teil des wachsenden Trends zur vollständigeren Automatisierung von Gebäudesystemen, einem Markt, der in den nächsten vier Jahren voraussichtlich 100 Milliarden US-Dollar (87,5 Milliarden Euro) erreichen wird. Diese Systeme wurden in größere Pläne für nachhaltiges Bauen, Compliance und Ressourcenmanagement integriert. HLK-Funktionen spielen eine bedeutende Rolle dabei, wie diese Analysen einen Weg für eine effizientere Systemnutzung und ein optimiertes Prozessmanagement ebnen, sagt Kevin Burns, Präsident von Bob Jenson Air Conditioning .

Ineffizienz kostet viel Geld

Heiz- und Kühlsysteme verbrauchen in Wohngebäuden zwischen 25-30% und in Gewerbegebäuden zwischen 40-60% des jährlichen Gesamtenergieverbrauchs. Zum Beispiel verbraucht eine Kälteanlage etwa ein Drittel des gesamten HLK-bezogenen Energiebedarfs (oder etwa ein Fünftel des Gesamtenergiebedarfs eines Gebäudes).

Die Verwendung von Zählerdaten zur Identifizierung von Mängeln kann eine Herausforderung darstellen, da die Energieverschwendung oft inkrementell (und/oder nichtlinear) ist und in einem größeren Hintergrund von Verschwendungsstatistiken verborgen wird. Stattdessen können diese auffälligen und kostspieligen Zahlen mit der richtigen Systemwartung und Datenanalyse fast um die Hälfte reduziert werden.

Big Data kann Tausende von Gigabyte an Informationen über private und gewerbliche HLK-Systeme erzeugen, um umfangreiche Aufzeichnungen zu erstellen, die historische Trends auffinden, Ursache-Wirkungs-Muster analysieren, die HLK-Leistung vergleichen und jede andere Anzahl von realen Kosten berechnen können -Effizienzkennzahlen.

Diese Art des Managements könnte die Energiekosten im Normalbetrieb jedes Jahr um bis zu 20 % senken, wenn ein Gebäude seine optimale Effizienz erreicht, und die Ausfallkosten können um 35-45% gesenkt werden. Die durchschnittliche Kapitalrendite für analytische Lösungen beträgt mehr als 13 $ (11,3) für jeden ausgegebenen Dollar.

Sichtbarkeit oben

Die Auslegung vieler Gebäude und deren HLK-Systeme ist oft von Natur aus ineffizient, da unterschiedliche Komponenten (z. B. Spulen, Lüfter, Ventile) aufgrund der gekoppelten Dynamik nicht separat modelliert werden. Die schiere Anzahl von Sollwerten, Pegeln und Rückmeldungen in jedem Belüftungssystem macht die Sichtbarkeit von oben nach unten zu einer obersten Priorität.

Das Neueste im Bereich algorithmisches Lernen

Gebäudeanalysen können durch maschinelle Lernalgorithmen den Energiebedarf reduzieren, wechselnde Wetterbedingungen berücksichtigen, Belegungs- und Komfortmuster erkennen und die Spitzenlastverteilung von HLK-Systemen handhaben.

Die neuesten maschinellen Lernalgorithmen, bekannt als tiefe neuronale Netze (DNNs), verwenden künstliche Intelligenz, um komplexe Probleme zu lösen, indem sie Rohdaten verbrauchen und diese durch viele transformative Schichten verarbeiten. DNNs wurden erst vor kurzem implementiert, um HVAC-Probleme zu lösen, aber frühe Rücksendungen deuteten auf eine potenzielle Energieeinsparung von 30 % hin.

Der Autor dieses Blogs ist Kevin Burns ist der Präsident von Bob Jenson Air Conditioning 

Über den Autor

Kevin Burns ist der Präsident von Bob Jenson Air Conditioning in San Diego mit über 29 Jahren Erfahrung im HLK-Bereich. Er hat in allen Bereichen der Branche gearbeitet und Dutzende von Menschen ausgebildet. Er hat eine Leidenschaft dafür, das Richtige für jedes Zuhause und jeden Kunden zu tun und setzt diesen Standard für sein gesamtes Team.