Energetische Analyse und Optimierung eines innovativen Hörsaalgebäudes

Inhaltsverzeichnis

Zusammenfassung

Summary

Inhaltsverzeichnis

Tabellenverzeichnis

Abbildungsverzeichnis

Abkürzungsverzeichnis

Danksagung

1. Einleitung
1.1. Beschreibung des Gebäudes
1.2. Struktur der Arbeit

2. Theoretische Grundlagen
2.1. Energieeinsparverordnung
2.2. R-Projekt und R-Studio
2.2.1. R-Projekt
2.2.2. R-Studio
2.3. PostgreSQL
2.4. Adsorptionswärmepumpe
2.4.1. Adsorption
2.4.2. Anwendung einer Adsorptionswärmepumpe
2.4.3. Funktionsweise

3. Model Algorithmen
3.1. Datenbank einlesen
3.2. Workspace erzeugen
3.3. Ausplotten
3.4. Betriebszeit
3.5. Wärmemenge

4. Performance des Gebäudes
4.1. Beleuchtung
4.1.1. Anlagenbeschreibung
4.1.2. Energieverbrauch
4.1.2.1. Energieverbrauch Flur
4.1.2.2. Energieverbrauch Büro
4.1.2.3. Energieverbrauch Hörsaal und Planungslabor
4.1.3. Messung
4.1.4. Vergleich mit EnEV
4.1.5. Fazit
4.2. Heizen mit Adsorptionswärmepumpe
4.2.1. Anlagebeschreibung für Adsorptionswärmepumpe und
Heiz-/Kühldecke
4.2.2. Energieverbrauch von Erwärmung
4.2.2.1. Energieeffizient der Adsorptionswärmepumpe
4.2.2.2. Energieverbrauch in jeden Heizkreises
4.2.3. Vergleich mit EnEV
4.2.4. Fazit

5. Zusammenfassung und Ausblick

Literaturverzeichnis

Anhang

A.1. Messpunkte auf die Pläne und die Messdaten im VKF

A.2. Skripten in R

Zusammenfassung

Im neuen Hörsaalgebäude in der Leipziger Straße werden viele innovative Technologien eingesetzt. Damit die Verhältnisse der gebäudetechnischen Anlagen sowie der gesamte Energieverbrauch des Gebäudes untergesucht werden können, werden die Messdaten von Web-Server und die von mir gemessenen Daten aufbereitet. Hierdurch können mögliche Probleme gefunden sowie Lösungswege diskutiert werden.

Zur Bearbeitung der zahlreichen Messdaten, kommt der Programmierungssprache R zum Einsatz. Für die Datenaufbereitung werden einige Programme erstellt und angewendet. Die erstellten Programme werden danach dokumentiert und im Anhang festgelegt. Die hierdurch gefundenen Messdaten sind in einem Datenbanksystem gespeichert. Die Einrichtung des Datenbanksystems wird durch Postgre SQL realisiert.

Durch R werden Teppich-Diagramme erzeugt. Die Abbildungen ermöglichen uns, einen gemeinsamen Eindruck des Energieverbrauches eines Messpunktes zu bekommen. Daraus ergibt sich der Energieverbrauch der Anlage. Der spezifische Energieverbrauch wird auch ausgerechnet. Dabei werden die Werte mit EnEV verglichen. Daran sieht man, welche Anlage verbessert werden soll. Die Effizienz der AdWP wird auch ausgerechnet und mit dem Wert aus Planung verglichen.

Die Arbeit beschäftigt sich mit der Bewertung des Energieverbrauches des Gebäudes. Der Energieverbrauch von Beleuchtung und AdWP wird untersucht. Die Probleme der Anlagen werden diskutiert und auch untersucht. Daher werden einige Optimierungsmaßnahmen herausgefunden.

Summary

In the new auditorium building in Leipziger Street, many innovative technologies are used. In order to research the operation status of the building facilities as well as the total energy consumption of the building, the original data from the Web server and measurement on site will be prepared. Through this, the latent problems can be found, the solutions for the problems will be discussed. Here plenty of data will be sort out and analysis, thus the programming language R will be used. Some programs are created and applied for data processing. The created programs will be documented and putted in appendix. The measured data are stored in a database system. The establishment of the database system is realized by Postgre SQL.

Some carpet plots are produced by R. The image allows us to obtain a common impression of the energy consumption of the measure points. Therefore, it can be seen when the equipment in the building consumes the most energy. The specific energy consumption is also calculated. The results of the calculation are compared with EnEV. Through this you can realize, which system should be improved, which system works well. The efficiency of Adsorption-Heating-Pump is also calculated and compared with the value of planning.

The paper deals with the evaluation of the energy consumption of the building. The energy consumption of lighting and heating system are reported. The problems at the equipment are discussed and explored. Therefore some optimistic measures can be found.

Tabellenverzeichnis

Tabelle 3-1: List der Skripten im R programmiert

Tabelle 4-1: Energieverbrauch an der Beleuchtung in

Tabelle 4-2: Beleuchtungsdauer in Stunden für das Jahr

Tabelle 4-3: Beleuchtungsdauer in Stunden für die Planungslabore für das Jahr

Tabelle 4-4: Anzahl des Messpunktes

Tabelle 4-5: Überblick der allen Messdaten von Beleuchtungsstärke

Tabelle 4-6: EnEV Einfassung nach EnEV 2007 und EnEV 2009 für künstliche Beleuchtung

Tabelle 4-7: Wärmemenge von jeden einzelnen Komponenten der Wärmepumpe im Jahr

Tabelle 4-8: Effizienzwerten der Adsorptionswärmepumpe im ersten und zweiten Halbjahr

Tabelle 4-9: monatliche COP der AdWP von Okt. 2013 bis Mär

Tabelle 4-10: Energieverbrauch jeder Heizkreise

Abbildungsverzeichnis

Abbildung 1-1: Eingangshalle des Hörsaalgebäude in der Leipziger Strasse; copyright HANS JÜRGEN LANDES FOTOGRAFIE

Abbildung 1-2: Ansicht Gebäude in der Leipziger Straße; copyright HANS JÜRGEN LANDES FOTOGRAFIE

Abbildung 2-1: Programmoberfläche von R-Studio

Abbildung 2-2: Adsorptionswärmepumpe und deren Arbeitsprozess im Schemata

Abbildung 2-3: Wärmebilanz einer Adsorptionswärmepumpe

Abbildung 3-1: Die zwei Tabelle in Postgre SQL

Abbildung 4-1: Energieverbrauch der Bel. Flur_EG

Abbildung 4-2: Energieverbrauch der Bel. Flur_OG

Abbildung 4-3: Energieverbrauch der Bel. Büro_EG

Abbildung 4-4: Energieverbrauch der Bel. Büro_OG

Abbildung 4-5: Energieverbrauch der Bel. Plannungslabor_EG und große Hörsaal

Abbildung 4-6: Energieverbrauch der Bel. Plannungslabor_OG

Abbildung 4-7: Messung

Abbildung 4-8: Messgeräte ALMEMO 2890-

Abbildung 4-9: Messkopf Typ FLA613VL von PEWA

Abbildung 4-10: Schematische Darstellung der Wärmeströme im Winter ..

Abbildung 4-11: Adsorptionswärmepumpe Sortech ACS

Abbildung 4-12: vollständig eingebaute Heiz-/Kühldecke von ClimaDomo.. 40 Abbildung 4-13: Aufteilung des Endenergieverbrauches Deutschland im Jahr 2012⁸

Abbildung 4-14: Aufteilung des Endenergieverbrauches von GHD (Gewerb, Handeln und Dienst) in 2012

Abbildung 4-15: Wämemenge von Ausstreiber (links) und Verdampfer (rechts) der Adsorptionswärmepumpe im Jahr

Abbildung 4-16: Wärmemenge von zufuhren Wärme der Adsorptionswärmepumpe im Jahr

Abbildung 4-17: Außentemperatur von 30.09.2013 bis 05.04.2014 (Winter 2013-2014)

Abbildung 4-18: täglich COP der Wärmepumpe gegen Außentemperatur und deren Trendlinie

Abbildung 4-19: täglich COP der AdWP gegen tägliche Wärme in der MT und Trendlinie

Abbildung 4-20: Vor- und Rücklauftemperatur im Nieder- und Mitteltemperaturseite der Adsorptionswärmepumpe von 01.10.2013 bis 01.04

Abbildung 4-21: Schema vom Schichtenwärmespeicher

Abbildung 4-22: Energieverbrauch des Heizkreises: FBH Atrium von 30.09.2013 bis 05.04

Abbildung 4-23: Energieverbrauch des Heizkreises: Planungslabore von 30.09.2013 bis 05.04

Abbildung 4-24: Energieverbrauch des Heizkreises: Büro, WC und Verkehrsflächen OG von 30.09.2013 bis 05.04

Abbildung 4-25: Energieverbrauch des Heizkreises: Büro, WC und Verkehrsflächen im EG und UG und Decke Atrium im EG von 30.09.2013 bis 05.04

Abbildung 4-26: Energieverbrauch des Heizkreises: Hörsäle von 30.09.2013 bis 05.04.2014

Abkürzungsverzeichnis

Abbildung in dieser Leseprobe nicht enthalten

Danksagung

An dieser Stelle möchte ich mich bei all denen bedanken, die mich bei der Anfertigung dieser Masterthesis unterstützt haben.

Besonderer Dank gilt meinen Gutachtern, Prof. Dr.-Ing. Michael Kappert und Klaus Weber für die Bereitstellung dieses interessanten Themas und die freundliche Hilfsbereitschaft, die sie mir entgegenbrachten.

Des Weiteren möchte ich mich bei Frau Bärbel und Peer-Paul Hinterthür bedanken unter anderem für die Unterstützung bei meiner Arbeit mit sprachlicher Korrektur.

Nicht zuletzt mochte ich mich bei meiner Familie und meine Freundin, insbesondere meinen Eltern bedanken, die mir dieses Studium ermöglicht und die ganze Zeit über moralisch unterstützt haben.

1. Einleitung

Im neuen Jahrhundert ist der Menschen besorgt über die stetige steigende Energiekosten und die Folgen des Klimawandels. Energieeinsparung ist jetzt ein wesentliches Thema, welches sehr oft Beachtung findet. In Deutschland verbrauchen die Gebäude rund 37% des gesamten Primärenergieverbrauchs, und gleichzeitig lassen fast 45% des gesamten Treibhausgases frei. Wegen dem großen Verbrauch bei den Gebäuden ist seit dem Jahr 2010 die EU-Gebäuderichtlinie (EPBD / EU-Richtlinie über die Gesamtenergie-Effizienz von Gebäuden) in Kraft getreten ¹. Sie verpflichtet die Mitgliedstaaten die entsprechenden Vorgaben in nationales Recht umzusetzen. Bis heute werden viele innovativen Technologien für Gebäude eingesetzt, damit die Nachhaltigkeit des Gebäudes und die Qualität des Lebens garantiert wird. Um das Zweck der Energieeinsparung gleichzeitig zu erreichen, das Bundesministerium für Wirtschaft und Energie fördert ein Forschungsprojekt, heißt Forschung für Energie optimiertes Bauen, nämlich EnOB. In den Projekten von EnOB geht es um niedrige Primärenergiebedarf und gute Nutzkomfort. Dafür werden technischer Gebäudeausrüstungen und kreative Gebäudekonzept benötigt. Dabei werden zahlreiche neue Technologien und repräsentative Projekten entwickelt und ausgeführt. Ein Schwerpunkt der Projekte ist die Betriebskosten zu minimieren. Dafür muss man die möglichen Probleme des Betriebs optimieren. Um die Probleme beim Betrieb zu lösen, ist die Visualisierung der Messdaten notwendig. Intuitive Grafiken oder Plotten aus Messdaten können die Analyse vereinfachen und die Zeit sparen. Es ist daher notwendig, dass ein Verfahren für die Aufbereitung der Rohmessdaten entwickelt wird. Durch das Verfahren sind die Messdaten sicher im lokalen Computer zu speichern und zu bearbeiten. Es wird auch erwartet, dass das Verfahren mit sehr großen Datenmengen schnell arbeitet. Die Motivation des Themas ist, eine Möglichkeit für die Analyse des Betriebszustands eines Gebäudes zu untersuchen. Es soll auch die Ursache der möglichen Probleme im Betrieb durch eine Programmierungssprache analysiert und gelöst werden.

Ein neues Gebäude in der Leipziger Straße an der Fachhochschule wird untersucht. Die Energieverbrauchskennwerten des Gebäudes werden berechnet, danach werden diese mit den Planungswerten nach EnEV vergleichen. Der Energieverbrauch in jeden Sektor des Gebäudes wird auch durch Grafiken gezeigt und analysiert.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1-1: Eingangshalle des Hörsaalgebäude in der Leipziger Straße; Copyright HANS JÜRGEN LANDES FOTOGRAFIE

1.1. Beschreibung des Gebäudes

In der Leipziger Straße Erfurt wurde ein neues Gebäude für Fachhochschule Erfurt im Jahr 2012 fertiggestellt. Es ist ein modernes Lehr- und Laborgebäude für die Fakultät Gartenbau, Landschaftsarchitektur und Forst mit einer Nutzfläche von ca. 1000 m². Viele innovative Technologien werden eingesetzt, damit ein niedriger Primärenergiebedarf realisiert wird. Der Wärmeerzeuger des Gebäudes ist eine Adsorptionswärmepumpe, die Wasser als Wärmequelle nutzt und die mittels Fernwärme angetrieben wird. Die Quelleenergie wird vom Wasser aus eine Regenwasserzisterne und zwei Brunnen aufgenommen, die Umweltenergie werden in einem Pufferspeicher zusammengeführt. Der Pufferspeicher speichert ebenfalls die Abwärme aus einem EDV-Raum. Daraus folgen Interaktionen zwischen den verschiedenen Komponenten des Energiesystems. Das Zusammenspiel zwischen den Komponenten wird durch einer guten komplexes Regelungskonzepts realisiert. Es gibt insgesamt ca. 3000 Datenpunkte aus dem Gebäude mit einer minutlichen Auflösung.

Im ersten Betriebsjahr verbrauchte das Gebäude weniger Wärme als geplant ist. Aber der Stromverbrauch der Beleuchtung überschreitet den Zielwert um fast 200 Prozent. Die Adsorptionswärmepumpe erreichte nach einer Optimierung eine Heizzahl von 1,15, trotzdem bleibt die Performance hinter den erwarteten Zielwert zwischen 1,3 bis 1,5 zurück.

Um die Probleme beim Betrieb des neuen Gebäudes zu lösen, werden die Messdaten vom Gebäude aufgenommen und ausgewertet. Eine Messung vor Ort wurde durchgeführt, damit die nötige Daten bekommt werden können.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 1-2: Ansicht Gebäude in der Leipziger Straße; Copyright HANS JÜRGEN LANDES FOTOGRA FIE

1.2. Struktur der Arbeit

Das Thema besteht aus vier Teilen. Im ersten Teil werden Fachbegriffe und Grundlagen beschrieben. Die Analyse der Messdaten und des Gebäudes werden im zweiten Teil erklären. Das Hauptanalysenverfahren wird durch eine Programmierungssprache realisiert, die R-Projekt heißt. Im dritten Teil des Themas werden alle Funktionen, die hier genutzt werden, vorgestellt und erklärt. Im letzten Teil werden die Ergebnisse zusammengefasst. Das Resultat wird diskutiert.

2. Theoretische Grundlagen

2.1. Energieeinsparverordnung

Die Energieeinsparverordnung (EnEV) ist im Jahre 2002 erstmals in Deutschland in Kraft getreten. Dies wurde seit dem mehrfach wegen politischer Zielstellungen, der Umsetzungen von EU-Richtlinien und Änderungen des technischen Regelwerkes geändert worden. Die Verordnung ist das zentrale ordnungspolitische Regelwerk zur Verbesserung der Gebäudeenergieeffizienz. Sie gilt für Wohngebäude, Bürogebäude und gewisse Betriebsgebäude. In der EnEV 2009 wird festgesetzt, dass die Senkung der Treibhausgase bis 2020 um mindestens 20% zu erfolgen haben, eine Verbesserung der Energieeffizienz um wenigstens 20% einhergeht und es wird ein verbindliches Ziel formuliert, den Anteil erneuerbarer Energien am Energieverbrauch der EU bis 2020 um 20% zu erhöhen ¹.

Die Energieeinsparverordnung ist eine wichtige Zusammenführung von Heizungsanlagenverordnung und Wärmeschutzverordnung. Es erweiterte auch den bisherigen Bilanzierungsrahmen. Zuerst werden mit der Einbeziehung der Anlagentechnik in die Energiebilanz auch die bei der Erzeugung, Verteilung, Speicherung und Übergabe der Wärme entstehenden Verluste berücksichtigt. Dadurch ist nicht mehr die dem Raum zur Verfügung gestellte Nutzenergie, sondern die an der Gebäudegrenze übergebene Endenergie relevant. Außerdem wird dieser Energiebedarf mit deren Primärenergiebedarf bewertet, indem die entstehenden Verluste mittels eines Primärenergiefaktors in der Energiebilanz des Gebäudes Beachtung finden. Dieser erweiterte Rahmen ermöglicht es, in der Gesamtbilanz eines Gebäudes den Faktor Anlagentechnik und den Faktor baulichen Wärmeschutz in gewissem Maße miteinander zu verrechnen. Die Hauptanforderungsgröße für Neubauten ist in der EnEV der Jahresprimärenergiebedarf im Vergleich zu einem Referenzgebäude gleicher Geometrie, Abmessung und vorgegebenen technischen Eigenschaften.

Zusätzlich einzuhalten ist ein vom Gebäudetyp abhängiger Grenzwert für den Transmissionswärmeverlust (vgl.² ).

Damit der Betriebszustand des Gebäudes bewertet werden kann, werden die Messdaten mit den Planungswerten aus Helena vergleicht.

2.2. R-Projekt und R-Studio

2.2.1. R-Projekt

R ist eine freie Software-Umgebung für statistisches Rechnen und Grafiken. Es kompiliert und läuft auf verschiedenen vielfältigen UNIX-Plattformen, Windows und MacOS. Es ist ein GNU-Projekt, das ähnlich wie die S-Sprache und Umgebung ist, die in den Bell Laboratories (ehemals AT&T, jetzt Lucent Technologies) jetzt von John Chambers und Kollegen entwickelt wurde. R kann als eine andere Implementierung von S betrachtet werden. Es gibt einige wichtige Unterschiede, aber viele Codes für S laufen unverändert unter R.

R stellt eine große Vielfalt von statistischen, graphische Techniken dar und es ist sehr dehnbar. Es bietet auch eine öffentliche Quellen-Strecke für die Forschung in statistischer Methodik. Heutzutage lernen viele Fachleute im vielen Bereich R-projekt, weil es zahlreiche Vorteile haben. Zum Beispiel:

- Kostenlos: Es gibt viele gute Programmierungssprache, aber muss man viel Geld dafür bezahlen. R-projekt ist aber eine kostenlose Statistiksoftware (Umgebung). Wenn Sie ein Student sind, R passen Sie sehr gut.

- Hervorragende statistische Fähigkeit: Im R werden viele nützliche

statistische Analysefunktionen aufgebaut. Die Ergebnisse daraus können auch direkt angezeigt werden, einige Zwischenergebnisse (wie p-Wert, Regressionskoeffizienten, Residuen, etc.) können zu einer speziellen Datei gespeichert werden, sowohl auch direkt für die weitere Analyse verwendet werden. Ein Teil der statistischen Funktionen werden mit dem R-Client integriert. Aber die meisten Funktionen von R werden in Form von Paket zur Verfügung gestellt. Etwas „Standard“ 25 Pakete sind mit R-Client freizugeben. Weitere Pakete kann man auf dem Internet kostenlos erhalten. Sie werden mit einer detaillierten Hilfedatei ausgestattet. Die Versionen der Paketen werden nachdem Freigab von R-Projekt schnell ausgegeben.

- Stärkere Erweiterungsfähigkeiten: R ist ein sehr gutes Tool für die Entwicklung von neuen interaktiven Datenanalyseverfahren. Die Fachleute können seine eigenen Funktionen erstellen, um die bestehenden R-Funktionen zu erweitern, oder relativ unabhängig statistischen Analysepakete zu machen.

R ist eine powerful Software. Durch R kann man eine komplexe Grafik mit nur ein oder zwei Reihe von Code herstellen. Das kann andere Programmierungssprach aber nicht so einfach realisieren³.

Durch die großartige Fähigkeit von R wird ein Verfahren versucht. Durch das Verfahren ermöglicht uns, dass die Optimierungsmaßnahme zu den Problemen oder überflüssigerweise Energieaufwand des Gebäudes ableitet und verringert werden können.

R-Projekt kann einfach heruntergeladen werden unter www.r-projekt.org

2.2.2. R-Studio

R-Studio ist eine IDE (integrated development environment) für R. Dieses Tool wird genutzt, damit die Arbeitseffizienz mit R verbessert werden kann. R-Studio ist sehr notwendig für einen Anfänger von R. R-Studio ist in zwei Editionen erhältlich: R-Studio Desktop, worauf das Programm lokal als ein normale Desktop-Anwendung auszuführen; und R-Studio Server, welche ermöglicht den Zugriff von R-Studio für einen Webbrowser, während es auf einem Remote-Linux-Server ausgeführt wird. Hier wird nur R-Studio Desktop genutzt. Folgendes wird das Aussehen von R-Studio gezeigt.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2-1: Programmoberfläche von R-Studio

Wie aus der Abbildung erkennt ist, gibt es insgesamt vier Arbeitsbereichen. Die zwei Fenster links werden verwendet, um den Code zu schreiben. Das Fenster unten links ist auch ein Datenausgang. Im oben rechts wird die aktuelle Workspace und die Arbeitsgeschichte (history) gezeigt. Das Fenster im unten rechts hat vier wichtige Funktionen, Files zeigt die Dokumenten unter aktuelle Arbeitsstelle, Plots zeigt die Abbildung von Ergebnis vom Code, Package zeigt die Paketen, die schon installiert sind, kann jedoch Paket durch einfach Klicken einladen, Help kann die Hilfedateien abrufen und lesen.

Durch R-Studio kann man einige Funktionen ohne Einschreiben im R einfach benutzen. Es braucht nur vereinzelt Nutzereingaben. Die Arbeitseffizienz wird dadurch deutlich erhöhet, wobei lasst R einfach zu arbeiten, ins besonders für Anfänger.

R-Studio kann einfach heruntergeladen werden unter www.rstudio.com

2.3. PostgreSQL

Damit eine Optimierungsmaßnahme gefunden werden kann, werden zahlreiche Messdaten in R-Projekt herunterladet und analysiert. Eine effiziente Datenbank für die Aufbewahrung der Messdaten ist notwendig.

PostgreSQL ist ein objekt-relationales Datenbankverwaltungssystem (ORDBMS) mit einem Schwerpunkt, Erweiterbarkeit einzuhalten. Seine Hauptfunktion als Datenbankserver ist Daten zu speichern, sichern und zurückholen. Es ist kostenlos nutzbar und ähnlich den kommerziellen Datenbanksystemen wie MySQL, Oracle, DB2 etc.

Mit einer Lauffähigkeit auf vielen Unix-Plattformen, inklusiv unter Microsoft Windows ab Version 8.0, PostgreSQL lasst sich auf privaten Computer durch die Programmiersprache „R-Projekt“ erarbeiten. Die nötigen Daten können nach einzeln Name oder definierte Datenbankstruktur (Schemata) importiert und exportiert werden, wobei sich die Datenanalysen erleichtern lassen. Die Messdaten im FH-Server werden heruntergeladen, danach im PostgreSQL speichern. Durch R-Projekt können die Messdaten sofort von PostgreSQL bei Bedarf abgeholt werden. Also ein Datenbank zu Haus wird erhaltet, damit die Analyse der Messdaten zu jeder Zeit jeden Ort stattgefunden werden kann. PostgreSQL kann im http://www.postgresql.org/ kostenlos unbegrenzte unterladen und benutzen.

2.4. Adsorptionswärmepumpe

2.4.1. Adsorption

Die wichtige technologische Grundlage einer Adsorptionswärmepumpe ist die Adsorption. Adsorption bedeutet eine Anlagerungsphase von einem gasförmigen Stoff an der Oberfläche eines Feststoffs. Der Umkehrprozess heißt Desorption. Der Feststoff heißt Adsorben. Wenn der gasförmig Stoff schon an der Oberfläche des Adsorbens angelagert, heißt es Adsorbat. Das Adsorbat befindet sich nur an der Grenzfläche. Der gasförmige Stoff, der noch nicht angelagert, heißt Adsorptiv. Wenn der gasförmige Stoff auf die Oberfläche des Feststoffs auftritt, kann der Feststoff ihre Energie in Form von Wärme abgeben. Die Reaktion ist exotherm und reversible. Das heißt, wenn die Wärmeenergie wieder im Feststoff zugeführt wird, werden die angelagerten Stoffe wieder frei sein. Damit die Adsorptionswärmepumpe ausgeführt werden kann, wird die Energieänderung bei De- und Adsorptionsphase genutzt.

2.4.2. Anwendung einer Adsorptionswärmepumpe

Eine Adsorptionswärmepumpe ist eine Art von Wärmepumpe, bei der ein Kältemittel durch Adsorption (Anlagerung) an ein festes Adsorbermaterial aus dem Verdampfer „gesaugt“ wird. Eine Adsorptionswärmepumpe enthält prinzipiell vier evakuierten Arbeitskammern, jeweils Verdampfer, Kondensator, Absorberskammer und Desorberskammer. Die Absorberskammer und Desorberskammer werden mit Absorben vollständig gefüllt. Nach der Adsorptionsphase muss das Kältemittel durch Zufuhr von Wärme auf höherem Temperaturniveau wieder ausgetrieben werden. Insgesamt erhält man eine Menge von Nutzwärme, die größer ist als die Menge der zugeführten Hochtemperaturwärme; die Differenz dieser Wärmemengen wird von einem anderen Medium (z.B. Umwelt) entzogen.

Es gibt folgende drei Voraussetzungen, die entscheidend für die Verwendung der Adsorptionswärmepumpe sind:

i. Eine geeignete Niedertemperaturquelle mit einem Temperaturniveau oberhalb 5°C ist notwendig. Es sorgt hierfür ein Frostschutz für die Brunnen.
ii. Im Gegensatz zur normalen Kompressionswärmepumpe dient eine Adsorptionswärmepumpe als thermische Wärmepumpe, das heißt, nicht Strom, sondern Wärme, als Antriebsquelle für Wärmepumpe verwendet wird. Diese Wärmequelle kann Heißwasser sein, das von Solartherme, Fernwärme, Abwärme, oder etc. erzeugt wird.
iii. Um ein effiziente Betriebszustand zu erreichen, soll die Adsorptionswärmepumpe nur bei Nutzung der Wärme via Niedertemperaurheizsystem eingesetzt werden. Die geforderten Vorlauftemperaturen sollten 40°C nicht überschreiten.

2.4.3. Funktionsweise

Schritt 1: Desorption - Trocken des Absorben im Desorberskammer.

Das Absorbens (Silicagel) wird über Wärmetauscher mit Heißwasser getrocknet. Dadurch wird das Kältemittel, welches sich an die Oberfläche des Silicagels angelagert, ausgetrieben. Der Wasserdampf wird in den Kondensator geströmt und verflüssigt, wobei Wärme abgegeben wird. Ist das Material ausreichend getrocknet, wird die Wärmezufuhr in den Absorber gestoppt und die obere Rückschlagklappe des Arbeitskammers schließt sich. Während des Desorptionsprozesses wird die Rückschlagklappe zum Verdampfer geschlossen.

Schritt 2: Adsorption - Anlagerung von Kältemitteldampf an der Oberfläche des Absorbens im Absorberskammer.

Die untere Rückschlagklappe zum Verdampfer öffnet sich und das getrocknet Absorben saugt die Wasserdampf an. Die Wärme aus Umgebung wird im Verdampfer entnommen. Danach wird die Wärme im Absorben durch Adsorptionsprozess abgegeben. Während des Adsorptionsprozess wird die obere Rückschlagklappe zum Kondensator geschlossen.

Schritt 3: Das Kältemittel im Kondensator wieder in den Verdampfer zuführen.

Das Wasser im Kondensator wird wieder im Verdampfer zugeführt und der Kreislauf der Adsorptionswärmepumpe ist zurzeit geschlossen.

Damit stetig Wärme erzeugt werden kann, werden zwei Arbeitskammer miteinander zwischen Schritt 1 und Schritt 2 austaucht. Daher erfolgt eine zyklische Betriebsart⁴.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2-2: Adsorptionswärmepumpe und deren Arbeitsprozess im Schemata⁵

In der Abbildung sieht man das Aussehen einer Adsorptionswärmepumpe und Skizze des Arbeitsprozesses der Wärmepumpe. Um die Effizient der Adsorptionswärmepumpe zu bewerten, wird eine Heizzahl definiert. Die Heizzahl ist das Verhältnis der abgegebenen Wärmeleistung zur zugeführten Wärme des Austreibers. Eine Adsorptionswärmepumpe erwartet eine Heizzahl liegt bei 1,3 bis 1,5. Die Heizzahl kann in dieser Arbeit auch mit dem COP der Wärmepumpe gleichgesetzt werden.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 2-3: Wärmebilanz einer Adsorptionswärmepumpe⁶

3. Model Algorithmen

Durch R-Projekt ermöglicht es uns, die statistischen Dateien leicht zu analysieren und zu sortieren. Im neuen Gebäude in der Leipziger Straße wurde ein modernes Gebäudeautomationssystem installiert. Das Automationssystem kontrolliert das ganze Gebäude und wird die Betriebszustände und Energieverbrauch der Geräte im Gebäude täglich protokolliert. Danach werden die Informationen aus Zähler und Kontroller in einem GLT-Server an der FH-Erfurt gespeichert. Der GLT-Server erzeugt pro 5 min einen Zeitverlaufsplot und zeigt die aktuellen Werten auf dem Anlagenschema im Computer. Weiterhin werden die Informationen auch auf einem Web-Server an der FH-Erfurt abgelegt und gespeichert, damit wir die Daten in der Zukunft benutzen und analysieren können. Die hochladete Daten enthält aber nur IP-Adresse, Zeitpunkte und Werte. Durch R-Projekt werden die Daten von nötigen Zeitraum bei Bedarf herunterladet und erarbeitet, damit die IP-Adresse, die Äquivalents zu den Sensoren, konkretisieren kann, davon bedeuten sich, wo und wann wird die Daten entnommen.

Nach dem Herunterladen werden die entnommene Daten in PostgreSQL, ein Datenbanksystem, gespeichert und weiter auf „Workspace“ umgewandt, damit sich helfen lassen kann, einige allgemeine Analysen mit R-Projekt durchzuführen. Weiterhin werden die jede einzelne Skripten detailliert vorgestellt und erklärt. Die Skripten werden unter R-Projekt mit Version 3.1.1 geschrieben.

Tabelle 3-1: List der Skripten im R programmiert

Abbildung in dieser Leseprobe nicht enthalten

3.1. Datenbank einlesen

Der erste Schritt unserer allen Untersuchung ist die nötigen Daten vom FH-Webserver über eine Internetverbindung abzuholen und auf dem lokalen Computer zu speichern. Die Daten werden durch die GLT mit einem Datentyp „Microsoft Access“ gespeichert. Dadurch wird R-Projekt ein Kanal zwischen PostgreSQL (Datenbank) und Festplatte vom lokalen Computer hergestellt. Die nötigen Daten werden zuerst herunterladet, dann ins PostgreSQL eingeschrieben. Durch die Definition des Zeitraums werden nur die Daten im bestimmten Zeitraum herunterladet. Die Daten für ein Monat brauchen ca. 10 min herunterzuladen. Durch R-Projekt werden die Daten in der Datenbank definiert und nach Bedarf entnommen.

Funktionsprinzip:

Zuerst wird die Benutzername und Password zu Datenbank im R-Projekt eingegeben und als ein Objekt definiert, damit Eingang zu Datenbank herstellt werden kann und die Messdaten im Datenbank speichert werden kann. Dann wird ein Tabelle mit nur ein Spalte hergestellt, dabei werden die benötige Name der Messdaten eingegeben. Damit die zahlreiche Messdaten herunterladen werden kann, wird die „for“ Schleife hier mit einer Variable genutzt. Man kann die Variable selbst definieren. Ist die „for“ Schleife gestartet, werden die Werte in der Spalte der Tabelle nacheinander als die Variable definiert. In der Schleife werden die Messdaten von einer bestimmten Website herunterladet. Wenn Messdaten für ein Tag herunterladet werden, wird ein Kanal zwischen Festplatt und Datenbank hergestellt. Die Daten werden dadurch in der Datenbank gespeichert. Der Kanal ist sich danach geschlossen.

Definitionsdatei:

Damit die benötigen Daten in der Datenbank abruft werden, wird zuerst eine Definitionstabelle in der Datenbank eingegeben. In der Definitionstabelle wird die detaillierte Information für jede Messpunkte dargestellt. Die Messdaten werden durch die Information gefiltert und abruft.

Eine Definitionstabelle in der Form von Excel wird zuerst im lokalen Computer hingelegt. Diese Tabelle wird im R-Projekt eingeschrieben. Durch einen Zugang zur Datenbank wird die Tabelle in der Datenbank eingegeben. Schließlich werden zwei Tabellen in Datenbank hingelegt, jeweils Daten und DEF. Die Messdaten werden in der Tabelle „Daten“ gelegt, die Definitionstabelle wird in der Tabelle „DEF“ gelegt. Durch die Definitionsdaten werden die benötige Messdaten abruft.

Die Abb. 3-1 zeigt die Definitionstabelle in der Datenbank. Die Informationen für jede Messpunkte werden darauf steht.

Abbildung in dieser Leseprobe nicht enthalten

Abbildung 3-1: Die Definitionstabelle in Postgre SQL

3.2. Workspace erzeugen

Wenn man die Messdaten analysieren will, braucht nicht alle Messdaten von der Datenbank auszuholen. Einige „Workspace“ wird herstellt, damit die bestimmte nötige Messdaten von der Datenbank auswählt werden kann und die Geschwindigkeit des Computers bei der Analyse sich erhöht werden kann. Im „Workspace“ wird jede Messdatei in ein Objekt, das in R-Projekt unmittelbar verwenden und einlesen kann, umwandelt. Jedes Objekt entspricht einer Messdatei, daher werden die Objekte nach entsprechender IP-Adresse der Messdaten benannt. Dabei ermöglicht sich, dass die Messdaten in R-Projekt nach denen IP-Adresse eingelesen werden können.

Damit die Messdaten nach Bedarf von der Datenbank ausholt werden kann, wird vorher eine Definitionstabelle in diesem Fall auch in der Datenbank eingelegt. Die Definitionstabelle hilft uns, wenn wir bestimmten Arten von Messdaten benötigen. Durch die Definitionstabelle ermöglicht sich, dass die Messdaten nach bestimmten Kategorien, wie z.B. IP_Index, Anlage, Einheit, etc ausgewählt werden können.

Funktionsprinzip:

Eine Definitionsdatei in der Form von Excel wird vorher schon fertig gemacht. Die Definitionstabelle erhält alle benötigen Kategorien, die wir verwenden möchten.

Zuerst wird die Definitionstabelle in R-Projekt eingelesen. Danach wird ein Kanal zur Datenbank hergestellt, wodurch wird die Definitionstabelle in der Datenbank eingegeben und gespeichert.

Damit die gewünschte Daten von der Datenbank entnommen werden kann, werden einige wichtige Erklärungen in R-Projekt definiert.

Die Erklärungen können weiter zur Datenbank schicken und in der Datenbank ausführen. Durch die erste Erklärung für Datenbank werden drei Kategorien der anrufende Messdaten, jeweils IP_Index, Anlage und Infopunkt, entnommen. Eine neue Tabelle wird aus den drei Kategorien bestanden. Dadurch erkennt man, welche Messdaten abruft werden. Danach wird eine „for“ Schleife mit die Variable, die aus die anrufende IP_Index besteht, gestartet. Die Messdaten werden nach dem IP_Index nacheinander in R-Projekt eingelesen. Mit der zweiten Erklärung werden für jede IP_Index die entsprechende Messdatei und bestimmte Zeitraum abruft. Für jede IP_Index wird ein extra entsprechendes Info-Objekt hergestellt, wobei zusätzliche vernünftige Informationen für die IP_Index enthält werden. Aus den allen eingelesenen Messdaten wird eine Workspace in R-Projekt besteht. Die Workspace wird schließlich in eine beliebige Stelle im Festplatt gespeichert, daher können wir die Workspace nachdem wieder anrufen und benutzen. Hier wird auch beachtet, dass die Verfahren zwischen R-Projekt und Datenbank durch einen Kanal realisiert wird. Der Kanal muss danach vollständig abschließen. Dies garantiert die Sicherheit und Stabilität der Datenbank und Computer.

3.3. Ausplotten

Im Script „Carpet_Ausplotten“ können die gewünschte Daten als Carpetplot ausplottet und auf dem Computer gespeichert werden. Durch die erzeugten Abbildungen ermöglicht sich, dass der Energieverbrauch des Gebäudes intuitiver gesehen wird. Die Daten werden zuerst umgewandt, damit in jeder Stunde ein Wert steht werden kann. Die arithmetischen Mittelwerte der Daten für jede Stunde werden hier ausgerechnet und genutzt. Eine „for“ Schleife wird genutzt, damit viele Messpunkte in diesem Script bearbeitet werden kann, solange die IP-Nummern im Anfang eingetragen werden. Der Kernbestandteil des Scripts ist die „carpet plot“ Funktion.

Funktionsprinzip:

Zuerst wird ein Zeitraum definiert. Die Messdaten, die in diesem Zeitraum stellt, werden abruft und bearbeitet. Dann eine Reihe von Zeitpunkte vom Anfang des Zeitraums bis Ende des Zeitraums wird hergestellt, dabei wird jede Stunde ein Zeitpunkt entsprochen. Danach werden die IP_Adresse der Messpunkte nach Bedarf in ein Objekt eingegeben. Weiterhin wird eine „for“ Schleife gestartet. Die eingegebenen Messpunkte werden nacheinander in der Schleife ausgeführt. In der Schleife werden die Messpunkte weiter verarbeitet. Die Messwerte von den Messpunkten werden umgewandelt, damit gibt es nur ein Wert in jeder Stunde. Die arithmetischen Mittelwerte werden hierfür ausgerechnet. Damit sich auf der Umstellung achtet wird, die Messwerte werden mit der vorigen Reihe von Zeit angepasst. Dabei wird eine Tabelle hergestellt, die enthält die vorige Zeitreihe und die angepasste Messwerte. Danach wird die Funktion „carpet plot“ eine Abbildung für die Tabelle erzeugt.

Die Funktion „carpet.plot“ kann ein Teppichbild produzieren. Ein neues Rasterfeld wird vorherig hergestellt. Jede kleinen Block bedeutet ein genauer Zeitpunkt. Auf der x-Achse wird das Datum gestellt, und auf der y-Achse wird die Uhrzeit von 0 Uhr bis 24 Uhr gestellt. Die Blöcke werden mit entsprechenden Farben eingefüllt. Die Farbe zeigt, wie groß der Wert auf diese Zeitpunkt ist. Eine Farbelegende liegt im Bild rechts. Rot bedeutet, dass der Wert sehr groß ist. Grau bedeutet, dass der Wert sehr klein ist. Die Einheit des Wertes muss selbst eingetragen werden. Ein Zeichenbrett ist geöffnet, damit die Abbildung darauf eingetragen wird. Schließlich wird die Abbildung in einer beliebigen Stelle im Festplatt gespeichert. Mit den Abbildungen wird der Zustand des Energieverbrauches deutlich gezeigt.

3.4. Betriebszeit

Die Funktion „An.Zeit“ ergibt sich, wie lange es dauert, wenn das Licht an ist. Damit der Energieverbrauch von Beleuchtung abgeschätzt werden kann. Die Ergebnisse werden in Minuten ausgegeben.

Vorherige eine Definitionstabelle wird vorgelegt. Weiterhin wird eine neue kleine Tabelle gemacht, damit die Laufzeit von Beleuchtung in den Büros anschaulich gezeigt werden kann. Die Daten mit der Einheit „Aus“ werden zuerst entnommen, danach werden die „NA“ (nicht verfügbar) Daten gelöscht. Mit der Funktion „An.Zeit“ ergeben sich, wie viele Minuten gibt es, wenn das Licht an war. Eine neue Spalte mit den Ergebnissen wird hinzugefügt. Das Ergebnis wird als „Excel“ exportiert. Dann der Energieverbrauch der Büros können durch die Tabelle abgeschätzt werden, da die Büros ähnliche Leuchte installiert werden.

Die Tabelle wird weiterhin in „Microsoft Excel“ bearbeitet. Die Ergebnisse und Code werden im Anhang gelegt.

[...]