Bereits 2017 trat Dipl-Ing. Ole Ziessler dem EASD-Team bei. Damals noch als Student gestaltete und absolvierte er sowohl seine Projektarbeit mit dem Titel „Modellgestützter Test von Einsatzplanungsverfahren in Fernwärmenetzen”, als auch seine Diplomarbeit „Application of Machine Learning Methods on Building Monitoring Data“. Bei beiden Arbeiten handelte es sich um sehr spannende Themen. Umso mehr freute es uns, als der Verein zur Förderung der Ingenieurausbildung der Gebäude- und Energietechnik Dresden e. V. Herrn Ziessler’s Diplomarbeit im Jahr 2019 mit dem 2. Preis kürte. Die Verleihung der Förderpreise 2019 erfolgte im Rahmen des 8. Fachsymposiums am 16.01.2020.

„Application of Machine Learning Methods on Building Monitoring Data“ – Ein kurzer Überblick

Aufgrund der ökologischen, politischen und technologischen Entwicklungen wird die Datenerfassung im Bereich der Gebäudeenergietechnik immer umfangreicher. In diesem Zusammenhang gewinnen neue datengesteuerte Methoden speziell für die Systemanalyse und -optimierung solcher technischen Systeme, an Bedeutung. Diese Arbeit zielt darauf ab, die Relevanz und Anwendbarkeit von Machine Learning (ML) bei der Lösung anwendungsspezifischer Herausforderungen zu untersuchen, wobei die Monitoring-Daten eines modernen Gebäudeenergiesystems als Fallstudie verwendet werden. Es wurde eine ML-basierte Toolchain entwickelt, die aus drei allgemeinen Forschungszielen besteht, dem Lernen von Sensorassoziationen für Systemverständnis, Datenvalidierung und konkrete Systemanalyse. Einzelne ML-Pipelines, die die allgemeine Pipeline-Architektur nutzen, wurden unter Verwendung von Association Learning (AL), Klassifikations- und Regressions-ML-Algorithmen entwickelt. Die Auswertungen zeigten, dass AL nur bedingt anwendbar war, während die klassifizierungs- und regressionsbasierten Pipelines gut abschneiden und die damit verbundenen Ziele der Datenvalidierung und Systemanalyse erfüllen. Konkret zeigte der Random Forest die besten Ergebnisse, da er in der Lage war, die zugrunde liegende Systemdynamik zu erlernen. Er besitzt somit das Potenzial den manuellen Aufwand im Prozess der Systemanalyse zu reduzieren. Die Ergebnisse zeigen, dass ML auf Gebäudemonitoring-Daten anwendbar ist und dass die angewandten Methoden automatisierbare und datenbasierte Lösungen für interdisziplinäre Herausforderung bieten.