Neuronaler Heizungsregler - Bundesamt für Energie BFE

Jens Krauss Dr. Manuel Bauer
CSEM S.A., Advanced System Engineering ESTIA S.à.r.l.
Jaquet-Droz 1 PSE-B - EPFL
2000 Neuchâtel /NE 1015 Lausanne /VD
jens.krauss@csem.ch manuel.bauer@bluewin.ch
Christian Oberhausser Dr. Nicolas Morel
SAUTER S.A. LESO-PB
Im Surinam 55 EPFL
4016 Basel /BS 1015 Lausanne /VD
Christian.Oberhausser@ch.sauter-bc.com morel@lesomail.epfl.ch
NEUROBAT – Neuronaler Heizungsregler
Im Auftrag des BfE (Bundesamt für Energie) entwickelte das CSEM, die Firma ESTIA S.àr.l.
und das LESO-PB/EPFL ein prädiktives, auf neuronalen Netzwerken und der Fuzzy Logik
basierendes Heizungsregelsystem. Während einer ersten Projektphase wurde der aus einer
extensiven Simulationsstudie resultierende neuro-fuzzy Heizungsregler während zweier
Heizperioden in Büroräumlichkeiten des LESO-PB getestet und mit den Betriebsdaten eines
kommerziellen und fortgeschrittenen Zentralheizungsreglers verglichen. Im Hinblick auf eine
zukünftige Produkterealisierung in Zusammenarbeit mit der Firma SAUTER S.A. in Basel
wurde während der zweiten Projektphase ein industrieller Prototyp entwickelt und auf einem
Gebäudekomplex getestet.
Die Anwendung dieses neuro-fuzzy Heizungsreglers ist auch im Wohnbau von Interesse, wo
die zentrale Aufbereitung die wichtigste Rolle bei der Heizungsregulierung einnimmt. Die
simulierten und gemessenen Energieeinsparungen von 10% und mehr im Vergleich zu
modernen und kommerziellen Zentralheizungsregler, werden vor allem durch eine bessere
Nutzung der passiven Sonnenenergie im Frühjahr und Herbst, sowie mit einer über eine
Witterungsvoraussage gesteuerten Heizgrenzenautomatik erzielt. Für den Benutzer bringt das
hier vorgestellte Regelkonzept die wesentliche Vereinfachung, dass am Regler nur noch
Raumsollwert und Belegungszeiten eingegeben werden müssen und weitere, für den Benutzer
unverständliche Parameter entfallen.
Sous mandat de l’office fédéral de l’énergie (OFEN), un système de régulation du chauffage
central à caractère prédictif a été développé par le CSEM, ESTIA Sàrl et le LESO-PB/EPFL.
Cette régulation est basée sur les technologies des réseaux de neurones artificiels et de la
logique floue. Elle a été comparée pendant une première phase du projet à une régulation
commerciale moderne et performante, ceci durant deux saisons de chauffage sur des locaux
du bâtiment LESO ainsi qu‘au moyen de simulations numériques. En vue d’une réalisation
d’un produit futur en collaboration avec la compagnie SAUTER S.A. à Bâle un prototype
industriel était réalisé et testé sur un bâtiment résidentiel pendant une deuxième phase du
projet.
Les économies d’énergie mesurées et simulées s’élèvent à plus de 10%. Celles-ci proviennent
d’une meilleure gestion des apports solaires passifs à mi-saison ainsi que d‘une adaptation
plus performante à la demande effective de chauffage des locaux. Le concept développé
permet par ailleurs de simplifier l’interaction de l’utilisateur sur la régulation de chauffage.
Celle-ci se limite en effet à préciser la consigne de température intérieure ainsi que l’horaire
d’occupation. D’autres paramètres, peu compréhensibles pour l’utilisateur, sont ainsi évités.

Einleitung
Die heutigen Zentralheizungsregler verlangen bei der Inbetriebnahme anspruchsvolle technische
Kenntnisse und Funktionen wie die Heizgrenzenschaltung oder die optimierte Ein- und
Ausschaltung der Heizung, welche bei Fabrikeinstellungen nicht energieoptimal arbeiten.
Das vom BfE in Auftrag gegebene und von der Firma SAUTER S.A. unterstützte Projekt
NEUROBAT hat mittels des besseren Managements der Fremdwärme (Sonneneinstrahlung,
Abwärme von Mensch und Maschine) sowie der Adaptation der Regelparameter in
Abhängigkeit der Benutzerpräsenz und des Gebäudeverhaltens, die Reduzierung des
Energieverbrauches, die einfache und kostensparende Inbetriebnahme, die
benutzerfreundliche Bedienung und den einfachen Unterhalt zum Ziel. Unter Verwendung der
Fuzzy Logik und Neuronalen Netzwerken, welche sich aufgrund ihrer Flexibilität und
Lernfähigkeit im Besonderen für hoch nicht-lineare Regelstrecken eignen, wurde das Konzept
des NEUROBAT Heizungsreglers entwickelt.
NEUROBAT Regelkonzept
Im Vergleich zu den heute gebräulichen Heizregelsystemen, welche die Vorlauftemperatur
des Heizkreises aufgrund von vordefinierten Heizkurven ("open loop control", referenziert
durch die Aussentemperatur, wie z.B. für Zentralheizungsregler) respektive mittels einer
Rückführung der Raumtemperatur ("closed loop control" wie z.B. für Raumheizungsregler)
regeln, basiert das NEUROBAT Regelkonzept auf der Optimierung einer Kostenfunktion
über einen vordefinierten Zeithorizont. Der NEUROBAT Regler optimiert den Benutzer-
Komfort sowie den Energieverbrauch mittels der dynamischen Programmierung über einen
vordefinitierten Zeithorizont von z.B. sechs Stunden.
Klimamodell-Prädi kt i on
Gebäudemodell-Prädikt ion
Benutzermodell-
Prädikt ion
Opt imale
Heizleistung
“ Opt imal Cont rol” -Algori t hmus
Aussent emper at ur- &
Sonnenei nst rahlungs-Sensor
Raumtemperatur-
Sensor
Präsenz-
Sensor
Rücklauftemperat ur-Sensor
Vorlauftemperatur-Sensor
Bild 1: Globales Regelkonzept des NEUROBAT Zentralheizungsreglers
Sensor - Acquisitions - Modul
Venti l-Regelung
Mischventil-
Kont roll signal
NEUROBAT Regler Heizsystem

Bild 1 zeigt das Blockdiagramm der prädiktiven Optimierung der Kostenfunktion des
NEUROBAT Reglers. Den fortgeschrittenen herkömmlichen Zentralheizungsregelsystemen
gleich, stehen dem NEUROBAT Regler die Aussentemperatur, die Sonneneinstrahlung, die
Raumtemperatur, die Vorlauf- und die Rücklauftemperatur als Sensorsignale zur Verfügung.
Bestehend aus einem untergeordneten Hilfsregelkreis und einem übergeordneten
Hauptregelkreis sollen im folgenden die Regelmodule des NEUROBAT Heizungsreglers kurz
erläutert werden:
��Das Gebäudemodul bildet das Gebäudeverhalten ab, welches aufgrund der Prädiktion der
Klimadaten, der aktuellen Raumtemperatur und der Heizleistung das zukünftige
thermische Verhalten des Gebäudes vorhersagt.
��Das Klimamodul errechnet die "Wettervorhersage" mittels der aktuellen Messwerte der
Aussentemperatur und der Sonneneinstrahlung über einen vordefinierten fixen
Zeithorizont.
��Ein zusätzliches Modul bildet das Benutzerverhalten und die Komforteinstellungen ab und
bildet die Schnittstelle zwischen Benutzereingabe und Regelalgorithmus.
��Das Modul der Leistungsoptimierung entspricht dem dynamischen
Programmieralgorithmus, das eine Kostenfunktion, bestehend aus Energieverbrauch und
Benutzerkomfort über einen fixen Zeithorizont minimiert. Der den thermischen Komfort
quantifizierende PMV-Faktor entspricht heute dem europäischen Standard (EN ISO
27730) zur Beurteilung des thermischen Komforts
��Das Modul der Ventilsteuerung gewährleistet die Schnittstelle mit herkömmlichen HLK-
Anlagen. Die vom NEUROBAT Regler errechnete, optimale zu liefernde Heizleistung
wird mittels der aktuellen Rücklauftemperatur in eine nominale Vorlauftemperatur
umgerechnet.
Die Innovation des NEUROBAT Regelkonzeptes beruht nicht nur in der Reduktion des
Energieverbrauches unter Anwendung von neuro-fuzzy Technologien, sondern zeichnet sich
durch eine markante Vereinfachung der Inbetriebnahmeprozedur aus. Die Inbetriebnahme
umfasst neben der Initialisierung von lediglich drei Serviceparametern die Einstellung zweier
Benutzerparamtern (Komfortempfinden, Zeitprogramm). Der adaptive Lerncharakter des
NEUROBAT Regelkonzeptes erfordert keine weiteren Parameter-Einstellungsoptimierungen
während oder nach der Inbetriebnahme der HLK-Anlage seitens des Service-Fachmannes
oder des Benutzers. Der NEUROBAT Regler adaptiert und optimiert das Gebäudemodell
sowie das Meteomodul im Laufe der Betriebsdauer mittels lokal gespeicherter Daten. Im
Falle einer nicht optimalen Eingabe der Service-Parameter korrigiert der NEUROBAT
Regelalgorithmus die Parameter der Regelmodule. Die ausgeführten Tests und Simulationen
ergeben, dass sich der NEUROBAT Regler nach einer Betriebsdauer von drei Wochen
optimal an die Regelstrecke adaptiert, wobei auch während dieser Adaptationsphase der
NEUROBAT Regler eine Betriebseffizienz erzielt, die mit herkömmlichen
Heizungsregelsystemen vergleichbar ist.
Test- und Simulationsresultate
Das NEUROBAT Regelkonzept wurde mittels eines PC-Prototypen während zweier
Heizperioden (‘96/’97 und ‘97/’98) in Büroräumlichkeiten des LESO-PB/EPFL getestet und
mit den Betriebsdaten eines modernen und fortgeschrittenen kommerziellen Heizungsreglers
verglichen (adaptativer Heizungsregler mit Start/Stop-Algorithmus und Raumtemperaturaufschaltung).
Zwei thermisch unabhängige Büroräumlichkeiten von gleicher Dimension und
Orientierung wurden mit zwei unabhängigen Heizkreisen ausgerüstet. Die Kommutierung der

Heizungsregelsysteme mittles eines eingebauten Schalters ermöglichte den fairen Vergleich
der Betriebsdaten der beiden Heizungsregelsysteme (regelmässiges Umschalten nach einem
Zeitraum von 3 Wochen). Damit konnte das für den Betrieb eines Heizungsregelsystemes
entscheidende Verhalten der Benutzer teilweise kompensiert werden. Die im folgenden
dargestellten Testresultate entsprechen den gemittelten Heizdaten einer Heizperiode (Dez.‘96-
Dez.’97), d.h. die Betriebsdaten des NEUROBAT respektive des kommerziellen
Heizungsregelsystemes wurden unabhängig der Büroräumlichkeit aufsummiert.
Bild 2 fasst die Testresultate während der Heizperiode Dez.’96-Dez.’97 bezüglich des
Energiekonsums und der Komfortkosten zusammen. Graph links des Bildes 2 entspricht den
kumulierte PMV-Komfortkosten (PMV: Predicted Mean Vote) während den Komfortperioden
(von 8h bis 18h) während einer Heizsaison. Aufgrund des NEUROBAT
Regelkonzeptes, basierend auf der Optimierung einer Kostenfunktion bestehend aus Komfortund
Energiekosten, ist das Resultat betreffend der Komfortkosten im Graph links des Bildes 2
nicht weiter überraschend. Der Graph rechts in Bild 2 zeigt den totalen Energieverbrauch der
Regelsysteme der beiden Räumlichkeiten in der [MJ] aufsummiert. Im vorliegenden Testfall
konnte eine Energieeinsparung von 13% gemessen werden.
2.5
2
1.5
1
0.5
0
PMV Komfortkosten [-]
Kommerzieller Regler
NEUROBAT
2.22
1.22
2000
1800
1600
1400
1200
1000
800
600
400
200
0
Energieverbrauch in [MJ]
Kommerzieller Regler
NEUROBAT
Bild 2: Globale Testresultate im Vergleich (Komfortkosten und Energieverbrauch)
Der Vergleich des Leistungstransportes in Bild 3 mit dem durchschnittlichen stündlichen
Heizleistungstransport während einer Heizperiode (Monat Oktober bis Monat Mai)
unterstreicht im Besonderen den prädiktiven Charakter des NEUROBAT Reglers und das die
Gebäudezeitkonstante berücksichtigende Verhalten aufgrund des über einen fixen
Zeithorizont optimierenden dynamischen Programmieralgorithmus. Mittels den neuronalen
Prädiktionsmodulen ist der NEUROBAT Regler in der Lage, den geforderten Komfort zu
antizpieren und diesen mittels der passiven Energie (Sonnenenergie, Abwärme)
energiesparend zu erhalten. Dies führt, wie bereits aus den globalen Testresultaten des
Bildes 2 ersichtlich ist, zu einer markanten Reduktion der Ueberheizwerte einerseits und des
Energieverbrauches andererseits.
1627
1410

Heizleistung [W]
800
600
400
200
NEUROBAT
0
0 5 10 15 20
Heizleistung [W]
800
600
400
200
Kommerzieller
Regler
0 5 10 15 20
Tageszeit [h]
Bild 3: Gemittelter Heizleistungstransport während einer Heizsaison im Vergleich
Tests eines industriellen NEUROBAT Prototypen
auf einem Wohngebäude
Um die Machbarkeit des NEUROBAT Konzepts in einem industriellen Kontext zu
analysieren , wurde während einer zweiten Phase des Projektes ein industrieller NEUROBAT
Prototypen entwickelt und auf einem Wohngebäude getestet.
Die Hardware-Plattform des NEUROBAT-Prototypen basiert auf einem kommerziellen,
konventionellen Kompakt-Heizungsregler (SAUTER QRK151), wobei der Digitalprint mit
einem leistungsfähigen 16-bit Prozessor bestückt wurde. Der Programmspeicher erfordert
128kB und der flüchtige Datenspeicher ist mit 512kB den hohen Anforderungen des neurofuzzy
Regelalgorithmus angepasst. Aus der Komplexität der neuronalen Lernalgorithmen
ergibt sich auch die Notwendigkeit eines relativ grossen EEPROM-Speichers von 64kB, der
ausser den eingestellten Parametern auch die relevanten Basisdaten für die Berechnungen
umfasst.
Bild 4: Wohngebäude in Basel
Der Prototyp des NEUROBAT Heizungsreglers wurde auf Anfangs Oktober 1999 zur
Betriebsevaluation auf einem 3-stöckigen Testgebäude in Basel (siehe Bild 4) in Betrieb
genommen. Das Wohngebäude besitzt eine energetische Referenzfläche von 100 [m 2 ], ist
Ost-West ausgerichtet, und besitzt vernachlässigbare, passive Sonnenfernwärmegewinne. Die
Isolation der Mauern und Fenstern ist für den schweizerischen Immobilienpark repräsentativ
und die thermische Verbrauchsenergie beträgt 770 [MJ/m 2 ] im Jahr. Die Verteilung der

Wärme der ölgefeuerten Zentralheizung (Leistung: 17-23 [kW]) basiert auf einem
Warmwasser-Heizkreis pro Etage, und jeder Radiator wird zusätzlich durch ein
Thermostatenventil geregelt.
Um die Betriebsdaten des NEUROBAT Heizungsreglers zu referenzieren, wurde während der
Heizsaison 98/99 ein moderner, kommerzieller Zentralheizungsregler auf dem Testgebäude in
Basel installiert und evaluiert. Zur Regelung unabhängige Sensoren wurden eingesetzt, um
ein kontinuierliches "Monitoring" der Leistungsdaten der Heizungsregler zu ermöglichen. Die
Analyse der Regel-Betriebsdaten soll folgende Punkte erörtern:
1. Adaptation der Regelparameter (Optimierung des ‘Commissioning’)
2. Adaptation an die Präsenzzeiten der Benutzer (Antizipationsvermögen)
3. Betriebsverhalten des industriellen Prototypen
Der Graph links in Bild 5 zeigt die Raumtemperaturen, während einer Winterperiode (vom
8. Feb. - 12 Feb. 1999, Uebergang der Aussentemperatur von 2 [°C] auf –12 [°C]), welche mit
dem modernen, kommerziellen Heizungsregelung gemessen wurde. Der optimale Komfort
während der Belegungszeit (von 6h30 bis 21h30, referenziert durch die vertikalen Linien und
einer Sollwerttemperatur von 21 [°C]) wird durch einen perfekt parametrisierten
kommerziellen Regler erreicht. So z.B. wurde die Belegungszeit von 5h50 bis 21h30 fixiert,
damit sich die Raumtemperatur bis zu Beginn der Komfortperiode um 6h30 auf die
Sollwerttemperatur stabilisiert hat und die Antizipationsperiode wurde auf eine Stunde
limitiert, womit ein morgendliches Ueberheizen vermieden werden konnte. Zudem konnte der
Energieverbrauch der kommerziellen Heizungsregelung während den Zwischensaisons
(Herbst, Frühling) weiter reduziert werden, indem von 9h bis 11h eine Nachtabsenkung
programmiert wurde, ohne dass Einbussen des thermischen Komforts resultierten.
Bild 5: Gemessene Raumtemperaturen (Wohnsaal 1.Stock und Schlafzimmer 2.Stock, in [°C])
auf dem Testgebäude in Basel während einer 5-tägigen Heizperiode im Graph oben
und entsprechende gelieferte Heizleistung im Graph unten (in [°C])
Es soll an dieser Stelle erwähnt werden, dass ein solch optimales Betriebsverhalten nur mit
der manuellen Intervention eines Experten erreicht werden kann, der sowohl Kenntnisse der
Gebäudethermik, sowie der verschiedenen Funktionen des eingesetzten Regler besitzt. In der
Praxis wird ein entsprechendes Niveau der Parameteranpassung nicht erreicht. Die

Initialisierung mittels Fabrikeinstellungen wird selten modifiziert und die Parameter werden
nicht laufend entsprechend den saisonalen Schwankungen und der Gebäudethermik
angepasst. Nicht vernachlässigbare Energieeinsparungen und ein optimaler Komfort könnte
jedoch erreicht werden, falls die Regelparameter automatisch und kontinuierlich angepasst
würden.
Bild 6 zeigt die Betriebsdaten des NEUROBAT Reglers für eine Heizperiode vom 1. März bis
3. März 2000 (die klimatischen Bedingungen sind durch eine Aussentemperaturschwankung
von 10°C auf 2°C charakterisiert). Die ausgeführte Inbetriebnahme betrifft die Definition der
Serviceparameter wie der maximalen Heizleistung (von 10 [kW]) und des geographischen
Längen- und Breitengrades, sowie die Initialisierung der Benutzerparameter wie
Belegungszeit (6h30 bis 22h) und Raumsollwert (21 [°C]). Entsprechend dem
physiologischen Wärme-Empfinden wurde auf den Raumsollwert eine sinusförmige
Fluktuation von ±0.5 [°C] aufgeschaltet, ansonsten gilt das Prinzip “Plug-and-Play“.
Bild 6: Gemessene Raumtemperaturen (Wohnsaal 1.Stock und Schlafzimmer 2.Stock, in [°C])
auf dem Testgebäude in Basel während einer 5-tägigen Heizperiode im Graph oben
und entsprechende gelieferte Heizleistung im Graph unten (in [°C])
Der linke Graph in Bild 6 zeigt einen zufriedenstellenden, aber nicht optimalen Betrieb
während des ersten Tages nach der Inbetriebnahme. Dies erklärt sich durch das Fehlen von
Lernbeispielen für das Gebäude- und Klimamodell. Bereits nach 2 Tagen ist eine
Verbesserung des Regelbetriebes feststellbar und nach 3 Wochen kann bereits von einem
optimalen Betrieb gesprochen werden.
Ende der Heizsaison 1999/2000 soll die Analyse der NEUROBAT-Betriebsdaten zeigen, dass
die Leistungsdaten des NEUROBAT Heizungsregler jenen eines modernen, kommerziellen
Heizungsreglers entsprechen, dessen Regelparameter durch einen ausgewiesenen Experten
optimiert wurden.
Schlussfolgerung und Ausblick
Das für HLK-Anlagen konzipierte NEUROBAT Konzept, wurde zunächst in einer
MATLAB-Simulationsumgebung simuliert, in Büroräumlichkeiten des LESO-EPFL getestet
und mit den Betriebsdaten eines kommerziellen und fortgeschrittenen, adaptiven HLK-
Heizungsreglers verglichen. Der entwickelte NEUROBAT-Regler zeichnet sich dabei im

Vergleich zu herkömmlichen Regelalgorithmen von HLK-Anlagen durch eine
durchschnittliche Reduktion des Energieverbrauches von 10-15% und eine markante
Vereinfachung der Inbetriebnahmeprozedur aus.
In einer zweiten Phase des Projektes wurde das NEUROBAT Konzept auf seine industrielle
Machbarkeit hin geprüft. Ein NEUROBAT Prototyp wurde entwickelt und während einer
Heizsaison auf einem Wohngebäude getestet und mit den Betriebsdaten eines kommerziellen
und fortgeschrittenen HLK-Heizungsreglers verglichen.
Insbesondere das ‘Commissioning’-Konzept des NEUROBAT Heizungsreglers ist vorteilhaft
und bei Inbetriebnahme benötigt der Heizungsregler lediglich zwei Benutzereingaben bei der
Inbetriebsetzung. Es genügt, das Heizprogramm an der eingebauten Schaltuhr einzugeben und
den Sollwert der Raumtemperatur im Komfortbereich festzulegen. Alle übrigen Einstellungen
optimiert der Regler, ausgehend von mittleren Startwerten, in einer Lernphase selbstständig.
Der Benutzer und Installateur kann Begriffe wie Heizkurven, Parallelverschiebungen,
Nachtabsenkungen, Heizgrenzenschaltung, Gebäudeträgheit, intermittierendes Heizen usw.
vergessen.
Literaturhinweise
[ 1] J.Krauss, M.Bauer, N.Morel, M.El-Khoury: Neuronaler Regler in der Klimatechnik,
Infrastructa Kongress, Basel, Januar 1998.
[ 2] J.Krauss, M.Bauer, N.Morel, M.El-Khoury: NEUROBAT - Predictive Neuro-Fuzzy
Building Control System, BfE-Schlussbericht, Bern, May 1998.
[ 3] M.Brückner, J.Krauss, M.Bauer, N.Morel: NEUROBAT, Neuronaler Heizungsregler,
KWH-Energieforschung im Hochbau, Zürich, September 1998.
[ 4] M.Bauer: Gestion Biomimétique de l'Energie dans le Bâtiment , Dissertation No 1792,
LESO-PB/EPFL, Lausanne, Dezember 1998.
[ 5] J.Krauss, M.Bauer, Ch.Oberhausser, N.Morel: Neuro-Fuzzy Heizungsregler (Phase II),
BfE Jahresbericht 1999, Dezember 1999
[ 6] N.Morel, M.Bauer, M.El-Khoury, J.Krauss: NEUROBAT, a predictive and adaptive
heating control system using artificial neural networks, International Journal of Solar
Energy, 2000