Neuronaler Heizungsregler - Bundesamt für Energie BFE
Neuronaler Heizungsregler - Bundesamt für Energie BFE
Neuronaler Heizungsregler - Bundesamt für Energie BFE
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
Jens Krauss Dr. Manuel Bauer<br />
CSEM S.A., Advanced System Engineering ESTIA S.à.r.l.<br />
Jaquet-Droz 1 PSE-B - EPFL<br />
2000 Neuchâtel /NE 1015 Lausanne /VD<br />
jens.krauss@csem.ch manuel.bauer@bluewin.ch<br />
Christian Oberhausser Dr. Nicolas Morel<br />
SAUTER S.A. LESO-PB<br />
Im Surinam 55 EPFL<br />
4016 Basel /BS 1015 Lausanne /VD<br />
Christian.Oberhausser@ch.sauter-bc.com morel@lesomail.epfl.ch<br />
NEUROBAT – <strong>Neuronaler</strong> <strong>Heizungsregler</strong><br />
Im Auftrag des BfE (<strong>Bundesamt</strong> <strong>für</strong> <strong>Energie</strong>) entwickelte das CSEM, die Firma ESTIA S.àr.l.<br />
und das LESO-PB/EPFL ein prädiktives, auf neuronalen Netzwerken und der Fuzzy Logik<br />
basierendes Heizungsregelsystem. Während einer ersten Projektphase wurde der aus einer<br />
extensiven Simulationsstudie resultierende neuro-fuzzy <strong>Heizungsregler</strong> während zweier<br />
Heizperioden in Büroräumlichkeiten des LESO-PB getestet und mit den Betriebsdaten eines<br />
kommerziellen und fortgeschrittenen Zentralheizungsreglers verglichen. Im Hinblick auf eine<br />
zukünftige Produkterealisierung in Zusammenarbeit mit der Firma SAUTER S.A. in Basel<br />
wurde während der zweiten Projektphase ein industrieller Prototyp entwickelt und auf einem<br />
Gebäudekomplex getestet.<br />
Die Anwendung dieses neuro-fuzzy <strong>Heizungsregler</strong>s ist auch im Wohnbau von Interesse, wo<br />
die zentrale Aufbereitung die wichtigste Rolle bei der Heizungsregulierung einnimmt. Die<br />
simulierten und gemessenen <strong>Energie</strong>einsparungen von 10% und mehr im Vergleich zu<br />
modernen und kommerziellen Zentralheizungsregler, werden vor allem durch eine bessere<br />
Nutzung der passiven Sonnenenergie im Frühjahr und Herbst, sowie mit einer über eine<br />
Witterungsvoraussage gesteuerten Heizgrenzenautomatik erzielt. Für den Benutzer bringt das<br />
hier vorgestellte Regelkonzept die wesentliche Vereinfachung, dass am Regler nur noch<br />
Raumsollwert und Belegungszeiten eingegeben werden müssen und weitere, <strong>für</strong> den Benutzer<br />
unverständliche Parameter entfallen.<br />
Sous mandat de l’office fédéral de l’énergie (OFEN), un système de régulation du chauffage<br />
central à caractère prédictif a été développé par le CSEM, ESTIA Sàrl et le LESO-PB/EPFL.<br />
Cette régulation est basée sur les technologies des réseaux de neurones artificiels et de la<br />
logique floue. Elle a été comparée pendant une première phase du projet à une régulation<br />
commerciale moderne et performante, ceci durant deux saisons de chauffage sur des locaux<br />
du bâtiment LESO ainsi qu‘au moyen de simulations numériques. En vue d’une réalisation<br />
d’un produit futur en collaboration avec la compagnie SAUTER S.A. à Bâle un prototype<br />
industriel était réalisé et testé sur un bâtiment résidentiel pendant une deuxième phase du<br />
projet.<br />
Les économies d’énergie mesurées et simulées s’élèvent à plus de 10%. Celles-ci proviennent<br />
d’une meilleure gestion des apports solaires passifs à mi-saison ainsi que d‘une adaptation<br />
plus performante à la demande effective de chauffage des locaux. Le concept développé<br />
permet par ailleurs de simplifier l’interaction de l’utilisateur sur la régulation de chauffage.<br />
Celle-ci se limite en effet à préciser la consigne de température intérieure ainsi que l’horaire<br />
d’occupation. D’autres paramètres, peu compréhensibles pour l’utilisateur, sont ainsi évités.
Einleitung<br />
Die heutigen Zentralheizungsregler verlangen bei der Inbetriebnahme anspruchsvolle technische<br />
Kenntnisse und Funktionen wie die Heizgrenzenschaltung oder die optimierte Ein- und<br />
Ausschaltung der Heizung, welche bei Fabrikeinstellungen nicht energieoptimal arbeiten.<br />
Das vom BfE in Auftrag gegebene und von der Firma SAUTER S.A. unterstützte Projekt<br />
NEUROBAT hat mittels des besseren Managements der Fremdwärme (Sonneneinstrahlung,<br />
Abwärme von Mensch und Maschine) sowie der Adaptation der Regelparameter in<br />
Abhängigkeit der Benutzerpräsenz und des Gebäudeverhaltens, die Reduzierung des<br />
<strong>Energie</strong>verbrauches, die einfache und kostensparende Inbetriebnahme, die<br />
benutzerfreundliche Bedienung und den einfachen Unterhalt zum Ziel. Unter Verwendung der<br />
Fuzzy Logik und Neuronalen Netzwerken, welche sich aufgrund ihrer Flexibilität und<br />
Lernfähigkeit im Besonderen <strong>für</strong> hoch nicht-lineare Regelstrecken eignen, wurde das Konzept<br />
des NEUROBAT <strong>Heizungsregler</strong>s entwickelt.<br />
NEUROBAT Regelkonzept<br />
Im Vergleich zu den heute gebräulichen Heizregelsystemen, welche die Vorlauftemperatur<br />
des Heizkreises aufgrund von vordefinierten Heizkurven ("open loop control", referenziert<br />
durch die Aussentemperatur, wie z.B. <strong>für</strong> Zentralheizungsregler) respektive mittels einer<br />
Rückführung der Raumtemperatur ("closed loop control" wie z.B. <strong>für</strong> Raumheizungsregler)<br />
regeln, basiert das NEUROBAT Regelkonzept auf der Optimierung einer Kostenfunktion<br />
über einen vordefinierten Zeithorizont. Der NEUROBAT Regler optimiert den Benutzer-<br />
Komfort sowie den <strong>Energie</strong>verbrauch mittels der dynamischen Programmierung über einen<br />
vordefinitierten Zeithorizont von z.B. sechs Stunden.<br />
Klimamodell-Prädi kt i on<br />
Gebäudemodell-Prädikt ion<br />
Benutzermodell-<br />
Prädikt ion<br />
Opt imale<br />
Heizleistung<br />
“ Opt imal Cont rol” -Algori t hmus<br />
Aussent emper at ur- &<br />
Sonnenei nst rahlungs-Sensor<br />
Raumtemperatur-<br />
Sensor<br />
Präsenz-<br />
Sensor<br />
Rücklauftemperat ur-Sensor<br />
Vorlauftemperatur-Sensor<br />
Bild 1: Globales Regelkonzept des NEUROBAT Zentralheizungsreglers<br />
Sensor - Acquisitions - Modul<br />
Venti l-Regelung<br />
Mischventil-<br />
Kont roll signal<br />
NEUROBAT Regler Heizsystem
Bild 1 zeigt das Blockdiagramm der prädiktiven Optimierung der Kostenfunktion des<br />
NEUROBAT Reglers. Den fortgeschrittenen herkömmlichen Zentralheizungsregelsystemen<br />
gleich, stehen dem NEUROBAT Regler die Aussentemperatur, die Sonneneinstrahlung, die<br />
Raumtemperatur, die Vorlauf- und die Rücklauftemperatur als Sensorsignale zur Verfügung.<br />
Bestehend aus einem untergeordneten Hilfsregelkreis und einem übergeordneten<br />
Hauptregelkreis sollen im folgenden die Regelmodule des NEUROBAT <strong>Heizungsregler</strong>s kurz<br />
erläutert werden:<br />
��Das Gebäudemodul bildet das Gebäudeverhalten ab, welches aufgrund der Prädiktion der<br />
Klimadaten, der aktuellen Raumtemperatur und der Heizleistung das zukünftige<br />
thermische Verhalten des Gebäudes vorhersagt.<br />
��Das Klimamodul errechnet die "Wettervorhersage" mittels der aktuellen Messwerte der<br />
Aussentemperatur und der Sonneneinstrahlung über einen vordefinierten fixen<br />
Zeithorizont.<br />
��Ein zusätzliches Modul bildet das Benutzerverhalten und die Komforteinstellungen ab und<br />
bildet die Schnittstelle zwischen Benutzereingabe und Regelalgorithmus.<br />
��Das Modul der Leistungsoptimierung entspricht dem dynamischen<br />
Programmieralgorithmus, das eine Kostenfunktion, bestehend aus <strong>Energie</strong>verbrauch und<br />
Benutzerkomfort über einen fixen Zeithorizont minimiert. Der den thermischen Komfort<br />
quantifizierende PMV-Faktor entspricht heute dem europäischen Standard (EN ISO<br />
27730) zur Beurteilung des thermischen Komforts<br />
��Das Modul der Ventilsteuerung gewährleistet die Schnittstelle mit herkömmlichen HLK-<br />
Anlagen. Die vom NEUROBAT Regler errechnete, optimale zu liefernde Heizleistung<br />
wird mittels der aktuellen Rücklauftemperatur in eine nominale Vorlauftemperatur<br />
umgerechnet.<br />
Die Innovation des NEUROBAT Regelkonzeptes beruht nicht nur in der Reduktion des<br />
<strong>Energie</strong>verbrauches unter Anwendung von neuro-fuzzy Technologien, sondern zeichnet sich<br />
durch eine markante Vereinfachung der Inbetriebnahmeprozedur aus. Die Inbetriebnahme<br />
umfasst neben der Initialisierung von lediglich drei Serviceparametern die Einstellung zweier<br />
Benutzerparamtern (Komfortempfinden, Zeitprogramm). Der adaptive Lerncharakter des<br />
NEUROBAT Regelkonzeptes erfordert keine weiteren Parameter-Einstellungsoptimierungen<br />
während oder nach der Inbetriebnahme der HLK-Anlage seitens des Service-Fachmannes<br />
oder des Benutzers. Der NEUROBAT Regler adaptiert und optimiert das Gebäudemodell<br />
sowie das Meteomodul im Laufe der Betriebsdauer mittels lokal gespeicherter Daten. Im<br />
Falle einer nicht optimalen Eingabe der Service-Parameter korrigiert der NEUROBAT<br />
Regelalgorithmus die Parameter der Regelmodule. Die ausgeführten Tests und Simulationen<br />
ergeben, dass sich der NEUROBAT Regler nach einer Betriebsdauer von drei Wochen<br />
optimal an die Regelstrecke adaptiert, wobei auch während dieser Adaptationsphase der<br />
NEUROBAT Regler eine Betriebseffizienz erzielt, die mit herkömmlichen<br />
Heizungsregelsystemen vergleichbar ist.<br />
Test- und Simulationsresultate<br />
Das NEUROBAT Regelkonzept wurde mittels eines PC-Prototypen während zweier<br />
Heizperioden (‘96/’97 und ‘97/’98) in Büroräumlichkeiten des LESO-PB/EPFL getestet und<br />
mit den Betriebsdaten eines modernen und fortgeschrittenen kommerziellen <strong>Heizungsregler</strong>s<br />
verglichen (adaptativer <strong>Heizungsregler</strong> mit Start/Stop-Algorithmus und Raumtemperaturaufschaltung).<br />
Zwei thermisch unabhängige Büroräumlichkeiten von gleicher Dimension und<br />
Orientierung wurden mit zwei unabhängigen Heizkreisen ausgerüstet. Die Kommutierung der
Heizungsregelsysteme mittles eines eingebauten Schalters ermöglichte den fairen Vergleich<br />
der Betriebsdaten der beiden Heizungsregelsysteme (regelmässiges Umschalten nach einem<br />
Zeitraum von 3 Wochen). Damit konnte das <strong>für</strong> den Betrieb eines Heizungsregelsystemes<br />
entscheidende Verhalten der Benutzer teilweise kompensiert werden. Die im folgenden<br />
dargestellten Testresultate entsprechen den gemittelten Heizdaten einer Heizperiode (Dez.‘96-<br />
Dez.’97), d.h. die Betriebsdaten des NEUROBAT respektive des kommerziellen<br />
Heizungsregelsystemes wurden unabhängig der Büroräumlichkeit aufsummiert.<br />
Bild 2 fasst die Testresultate während der Heizperiode Dez.’96-Dez.’97 bezüglich des<br />
<strong>Energie</strong>konsums und der Komfortkosten zusammen. Graph links des Bildes 2 entspricht den<br />
kumulierte PMV-Komfortkosten (PMV: Predicted Mean Vote) während den Komfortperioden<br />
(von 8h bis 18h) während einer Heizsaison. Aufgrund des NEUROBAT<br />
Regelkonzeptes, basierend auf der Optimierung einer Kostenfunktion bestehend aus Komfortund<br />
<strong>Energie</strong>kosten, ist das Resultat betreffend der Komfortkosten im Graph links des Bildes 2<br />
nicht weiter überraschend. Der Graph rechts in Bild 2 zeigt den totalen <strong>Energie</strong>verbrauch der<br />
Regelsysteme der beiden Räumlichkeiten in der [MJ] aufsummiert. Im vorliegenden Testfall<br />
konnte eine <strong>Energie</strong>einsparung von 13% gemessen werden.<br />
2.5<br />
2<br />
1.5<br />
1<br />
0.5<br />
0<br />
PMV Komfortkosten [-]<br />
Kommerzieller Regler<br />
NEUROBAT<br />
2.22<br />
1.22<br />
2000<br />
1800<br />
1600<br />
1400<br />
1200<br />
1000<br />
800<br />
600<br />
400<br />
200<br />
0<br />
<strong>Energie</strong>verbrauch in [MJ]<br />
Kommerzieller Regler<br />
NEUROBAT<br />
Bild 2: Globale Testresultate im Vergleich (Komfortkosten und <strong>Energie</strong>verbrauch)<br />
Der Vergleich des Leistungstransportes in Bild 3 mit dem durchschnittlichen stündlichen<br />
Heizleistungstransport während einer Heizperiode (Monat Oktober bis Monat Mai)<br />
unterstreicht im Besonderen den prädiktiven Charakter des NEUROBAT Reglers und das die<br />
Gebäudezeitkonstante berücksichtigende Verhalten aufgrund des über einen fixen<br />
Zeithorizont optimierenden dynamischen Programmieralgorithmus. Mittels den neuronalen<br />
Prädiktionsmodulen ist der NEUROBAT Regler in der Lage, den geforderten Komfort zu<br />
antizpieren und diesen mittels der passiven <strong>Energie</strong> (Sonnenenergie, Abwärme)<br />
energiesparend zu erhalten. Dies führt, wie bereits aus den globalen Testresultaten des<br />
Bildes 2 ersichtlich ist, zu einer markanten Reduktion der Ueberheizwerte einerseits und des<br />
<strong>Energie</strong>verbrauches andererseits.<br />
1627<br />
1410
Heizleistung [W]<br />
800<br />
600<br />
400<br />
200<br />
NEUROBAT<br />
0<br />
0 5 10 15 20<br />
Heizleistung [W]<br />
800<br />
600<br />
400<br />
200<br />
Kommerzieller<br />
Regler<br />
0 5 10 15 20<br />
Tageszeit [h]<br />
Bild 3: Gemittelter Heizleistungstransport während einer Heizsaison im Vergleich<br />
Tests eines industriellen NEUROBAT Prototypen<br />
auf einem Wohngebäude<br />
Um die Machbarkeit des NEUROBAT Konzepts in einem industriellen Kontext zu<br />
analysieren , wurde während einer zweiten Phase des Projektes ein industrieller NEUROBAT<br />
Prototypen entwickelt und auf einem Wohngebäude getestet.<br />
Die Hardware-Plattform des NEUROBAT-Prototypen basiert auf einem kommerziellen,<br />
konventionellen Kompakt-<strong>Heizungsregler</strong> (SAUTER QRK151), wobei der Digitalprint mit<br />
einem leistungsfähigen 16-bit Prozessor bestückt wurde. Der Programmspeicher erfordert<br />
128kB und der flüchtige Datenspeicher ist mit 512kB den hohen Anforderungen des neurofuzzy<br />
Regelalgorithmus angepasst. Aus der Komplexität der neuronalen Lernalgorithmen<br />
ergibt sich auch die Notwendigkeit eines relativ grossen EEPROM-Speichers von 64kB, der<br />
ausser den eingestellten Parametern auch die relevanten Basisdaten <strong>für</strong> die Berechnungen<br />
umfasst.<br />
Bild 4: Wohngebäude in Basel<br />
Der Prototyp des NEUROBAT <strong>Heizungsregler</strong>s wurde auf Anfangs Oktober 1999 zur<br />
Betriebsevaluation auf einem 3-stöckigen Testgebäude in Basel (siehe Bild 4) in Betrieb<br />
genommen. Das Wohngebäude besitzt eine energetische Referenzfläche von 100 [m 2 ], ist<br />
Ost-West ausgerichtet, und besitzt vernachlässigbare, passive Sonnenfernwärmegewinne. Die<br />
Isolation der Mauern und Fenstern ist <strong>für</strong> den schweizerischen Immobilienpark repräsentativ<br />
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<br />
Warmwasser-Heizkreis pro Etage, und jeder Radiator wird zusätzlich durch ein<br />
Thermostatenventil geregelt.<br />
Um die Betriebsdaten des NEUROBAT <strong>Heizungsregler</strong>s zu referenzieren, wurde während der<br />
Heizsaison 98/99 ein moderner, kommerzieller Zentralheizungsregler auf dem Testgebäude in<br />
Basel installiert und evaluiert. Zur Regelung unabhängige Sensoren wurden eingesetzt, um<br />
ein kontinuierliches "Monitoring" der Leistungsdaten der <strong>Heizungsregler</strong> zu ermöglichen. Die<br />
Analyse der Regel-Betriebsdaten soll folgende Punkte erörtern:<br />
1. Adaptation der Regelparameter (Optimierung des ‘Commissioning’)<br />
2. Adaptation an die Präsenzzeiten der Benutzer (Antizipationsvermögen)<br />
3. Betriebsverhalten des industriellen Prototypen<br />
Der Graph links in Bild 5 zeigt die Raumtemperaturen, während einer Winterperiode (vom<br />
8. Feb. - 12 Feb. 1999, Uebergang der Aussentemperatur von 2 [°C] auf –12 [°C]), welche mit<br />
dem modernen, kommerziellen Heizungsregelung gemessen wurde. Der optimale Komfort<br />
während der Belegungszeit (von 6h30 bis 21h30, referenziert durch die vertikalen Linien und<br />
einer Sollwerttemperatur von 21 [°C]) wird durch einen perfekt parametrisierten<br />
kommerziellen Regler erreicht. So z.B. wurde die Belegungszeit von 5h50 bis 21h30 fixiert,<br />
damit sich die Raumtemperatur bis zu Beginn der Komfortperiode um 6h30 auf die<br />
Sollwerttemperatur stabilisiert hat und die Antizipationsperiode wurde auf eine Stunde<br />
limitiert, womit ein morgendliches Ueberheizen vermieden werden konnte. Zudem konnte der<br />
<strong>Energie</strong>verbrauch der kommerziellen Heizungsregelung während den Zwischensaisons<br />
(Herbst, Frühling) weiter reduziert werden, indem von 9h bis 11h eine Nachtabsenkung<br />
programmiert wurde, ohne dass Einbussen des thermischen Komforts resultierten.<br />
Bild 5: Gemessene Raumtemperaturen (Wohnsaal 1.Stock und Schlafzimmer 2.Stock, in [°C])<br />
auf dem Testgebäude in Basel während einer 5-tägigen Heizperiode im Graph oben<br />
und entsprechende gelieferte Heizleistung im Graph unten (in [°C])<br />
Es soll an dieser Stelle erwähnt werden, dass ein solch optimales Betriebsverhalten nur mit<br />
der manuellen Intervention eines Experten erreicht werden kann, der sowohl Kenntnisse der<br />
Gebäudethermik, sowie der verschiedenen Funktionen des eingesetzten Regler besitzt. In der<br />
Praxis wird ein entsprechendes Niveau der Parameteranpassung nicht erreicht. Die
Initialisierung mittels Fabrikeinstellungen wird selten modifiziert und die Parameter werden<br />
nicht laufend entsprechend den saisonalen Schwankungen und der Gebäudethermik<br />
angepasst. Nicht vernachlässigbare <strong>Energie</strong>einsparungen und ein optimaler Komfort könnte<br />
jedoch erreicht werden, falls die Regelparameter automatisch und kontinuierlich angepasst<br />
würden.<br />
Bild 6 zeigt die Betriebsdaten des NEUROBAT Reglers <strong>für</strong> eine Heizperiode vom 1. März bis<br />
3. März 2000 (die klimatischen Bedingungen sind durch eine Aussentemperaturschwankung<br />
von 10°C auf 2°C charakterisiert). Die ausgeführte Inbetriebnahme betrifft die Definition der<br />
Serviceparameter wie der maximalen Heizleistung (von 10 [kW]) und des geographischen<br />
Längen- und Breitengrades, sowie die Initialisierung der Benutzerparameter wie<br />
Belegungszeit (6h30 bis 22h) und Raumsollwert (21 [°C]). Entsprechend dem<br />
physiologischen Wärme-Empfinden wurde auf den Raumsollwert eine sinusförmige<br />
Fluktuation von ±0.5 [°C] aufgeschaltet, ansonsten gilt das Prinzip “Plug-and-Play“.<br />
Bild 6: Gemessene Raumtemperaturen (Wohnsaal 1.Stock und Schlafzimmer 2.Stock, in [°C])<br />
auf dem Testgebäude in Basel während einer 5-tägigen Heizperiode im Graph oben<br />
und entsprechende gelieferte Heizleistung im Graph unten (in [°C])<br />
Der linke Graph in Bild 6 zeigt einen zufriedenstellenden, aber nicht optimalen Betrieb<br />
während des ersten Tages nach der Inbetriebnahme. Dies erklärt sich durch das Fehlen von<br />
Lernbeispielen <strong>für</strong> das Gebäude- und Klimamodell. Bereits nach 2 Tagen ist eine<br />
Verbesserung des Regelbetriebes feststellbar und nach 3 Wochen kann bereits von einem<br />
optimalen Betrieb gesprochen werden.<br />
Ende der Heizsaison 1999/2000 soll die Analyse der NEUROBAT-Betriebsdaten zeigen, dass<br />
die Leistungsdaten des NEUROBAT <strong>Heizungsregler</strong> jenen eines modernen, kommerziellen<br />
<strong>Heizungsregler</strong>s entsprechen, dessen Regelparameter durch einen ausgewiesenen Experten<br />
optimiert wurden.<br />
Schlussfolgerung und Ausblick<br />
Das <strong>für</strong> HLK-Anlagen konzipierte NEUROBAT Konzept, wurde zunächst in einer<br />
MATLAB-Simulationsumgebung simuliert, in Büroräumlichkeiten des LESO-EPFL getestet<br />
und mit den Betriebsdaten eines kommerziellen und fortgeschrittenen, adaptiven HLK-<br />
<strong>Heizungsregler</strong>s verglichen. Der entwickelte NEUROBAT-Regler zeichnet sich dabei im
Vergleich zu herkömmlichen Regelalgorithmen von HLK-Anlagen durch eine<br />
durchschnittliche Reduktion des <strong>Energie</strong>verbrauches von 10-15% und eine markante<br />
Vereinfachung der Inbetriebnahmeprozedur aus.<br />
In einer zweiten Phase des Projektes wurde das NEUROBAT Konzept auf seine industrielle<br />
Machbarkeit hin geprüft. Ein NEUROBAT Prototyp wurde entwickelt und während einer<br />
Heizsaison auf einem Wohngebäude getestet und mit den Betriebsdaten eines kommerziellen<br />
und fortgeschrittenen HLK-<strong>Heizungsregler</strong>s verglichen.<br />
Insbesondere das ‘Commissioning’-Konzept des NEUROBAT <strong>Heizungsregler</strong>s ist vorteilhaft<br />
und bei Inbetriebnahme benötigt der <strong>Heizungsregler</strong> lediglich zwei Benutzereingaben bei der<br />
Inbetriebsetzung. Es genügt, das Heizprogramm an der eingebauten Schaltuhr einzugeben und<br />
den Sollwert der Raumtemperatur im Komfortbereich festzulegen. Alle übrigen Einstellungen<br />
optimiert der Regler, ausgehend von mittleren Startwerten, in einer Lernphase selbstständig.<br />
Der Benutzer und Installateur kann Begriffe wie Heizkurven, Parallelverschiebungen,<br />
Nachtabsenkungen, Heizgrenzenschaltung, Gebäudeträgheit, intermittierendes Heizen usw.<br />
vergessen.<br />
Literaturhinweise<br />
[ 1] J.Krauss, M.Bauer, N.Morel, M.El-Khoury: <strong>Neuronaler</strong> Regler in der Klimatechnik,<br />
Infrastructa Kongress, Basel, Januar 1998.<br />
[ 2] J.Krauss, M.Bauer, N.Morel, M.El-Khoury: NEUROBAT - Predictive Neuro-Fuzzy<br />
Building Control System, BfE-Schlussbericht, Bern, May 1998.<br />
[ 3] M.Brückner, J.Krauss, M.Bauer, N.Morel: NEUROBAT, <strong>Neuronaler</strong> <strong>Heizungsregler</strong>,<br />
KWH-<strong>Energie</strong>forschung im Hochbau, Zürich, September 1998.<br />
[ 4] M.Bauer: Gestion Biomimétique de l'<strong>Energie</strong> dans le Bâtiment , Dissertation No 1792,<br />
LESO-PB/EPFL, Lausanne, Dezember 1998.<br />
[ 5] J.Krauss, M.Bauer, Ch.Oberhausser, N.Morel: Neuro-Fuzzy <strong>Heizungsregler</strong> (Phase II),<br />
BfE Jahresbericht 1999, Dezember 1999<br />
[ 6] N.Morel, M.Bauer, M.El-Khoury, J.Krauss: NEUROBAT, a predictive and adaptive<br />
heating control system using artificial neural networks, International Journal of Solar<br />
Energy, 2000