Verbundvorhaben: Gesamtsystemoptimierung von kältetechnischen Anlagensystemen für Energiewende und Klimaschutz - GO!KAS; Teilvorhaben B - Schwerpunkt KI-/ML-Workflow: Datenintegration, Modelldesign, Systemintegration

Abstract

Mit dem Klimaschutzplan 2050 hat die Bundesregierung ihre Klimaschutzziele bestätigt und konkretisiert. Die Kältetechnik, die etwa 15 % des elektrischen Endenergieverbrauchs in Deutschland ausmacht, birgt erhebliche Energieeffizienzpotenziale und kann somit maßgeblich zur Zielerreichung der Klimaschutzziele beitragen. Die F-Gas-Verordnung fordert eine schrittweise Reduktion der CO₂-Äquivalente aus HFKW-Kältemitteln bis 2030. Dies erfordert neue Anlagenkonzepte, optimierte Betriebsstrategien und Retrofits bestehender Systeme. Förderprogramme wie die Kälte-Klima-Richtlinie unterstützen unter anderem den Einsatz nicht-halogener Kältemittel sowie Wärme- und Kältespeicher, die zur Strommarktflexibilisierung und Integration erneuerbarer Energien beitragen können. Damit einher geht der Einsatz innovativer, digitaler Technologien wie vernetzte Regelgeräte, datenbasierte Automatisierungs- und Optimierungsverfahren. Diese Entwicklungen eröffnen neue Möglichkeiten für den Klimaschutz, die Energiewende und die Stärkung der mittelständischen Wirtschaft. Für energieoptimierte und klimaneutrale Gebäude sind smarte Monitoring- und Energiemanagementsysteme sowie digitale Betriebsführungsstrategien erforderlich (u. a. Monitoring, Big-Data-Methoden, Künstliche Intelligenz, Online-Effizienz-Bewertung, prädiktive Regelung). Ziel des Gesamtvorhabens GOKAS war die Erforschung und Entwicklung eines energetisch optimierten Betriebs von Kälteanlagen mit smarter Einbindung in andere Energiesysteme. Dabei kommen digitale Technologien wie Data Mining, Data Science und Computational Intelligence (z. B. Künstliche Intelligenz, Model Predictive Control) zum Einsatz und werden in Labor- sowie Feldanlagen erprobt. Ziel des Teilvorhaben B "Schwerpunkt KI-/ML-Workflow: Datenintegration, Modelldesign, Systemintegration" ist der Aufbau einer Open Source basierenden, modularen und prototypische Maschine Learning Plattform inklusiv Infrastruktur, Datenverarbeitungspipeline für Sensordaten, Simulationsdaten und externe Daten (z.B. Wetterdaten), Datenintegration und Mapping, Maschine Learning Steuerung für Prognose und Optimierungsmodelle und Bereitstellung der trainierten Modelle für Anlagen in den Anwendungsgebiete Gewerbe-, Industrie- und Klimakälte (z.B. Kälte-, Klimaanlagen, Wärme-, Kältespeicher und Gebäudeenergiesysteme) in einem Modell-Hub und Anwendung an beispielhaften Use Cases.