TY  - THES
U1  - Master Thesis
A1  - Schatzmann, Kilian
T1  - Datenbasierte Analyse der Beleuchtungsinfrastruktur
N2  - In Europa und den USA werden rund 39 % des Energieverbrauchs durch den Betrieb von Gebäuden verursacht. Sie bieten somit großes Potential, den Gesamtenergieverbrauch zu verringern. Eine sinnvolle Möglichkeit dieser Umsetzung, ohne auf Gebäudekomfort verzichten zu müssen, liegt in der Optimierung der Gebäudeeffizienz. Dahingehend werden physikalische und datenbasierte Modelle als Planungstool für die Gebäudemodellierung verwendet, um frühzeitig Erkenntnisse über deren Energieverbrauch zu gewinnen. Während physikalische Modelle thermodynamische Prinzipien zur Modellierung des Energieverbrauchs einsetzen, verwenden datenbasierte Modelle historische oder allgemein verfügbare Daten, um ein Vorhersagemodell zu entwickeln. Das Ziel dieser Arbeit ist die Erstellung eines datenbasierten Modells, zur Prognose des Energieverbrauchs der Beleuchtung von Bürogebäuden. Es wurden bereits zahlreiche Studien hinsichtlich Prognosen des Energieverbrauchs erstellt. Die meisten beziehen sich jedoch auf den Gesamtenergieverbrauch oder jenen, welcher für Heizung, Kühlung oder Klimatechnik aufgewendet wird. Die Recherche des Autors ergab, dass vergleichsweise wenig Forschung für Vorhersagemodelle zur Ermittlung des Energieverbrauchs für die Beleuchtung betrieben wurde. Zur Umsetzung der Analyse stehen dem Autor Daten aus der Beleuchtungsinfrastruktur sowie Wetter-, Zeit- und Gebäudedaten zur Verfügung. Anhand dieser Arbeit soll eruiert werden, ob diese Daten hinreichend aussagekräftig sind, um ein geeignetes Modell zu entwickeln.
N2  - In Europe and USA, 39 % of the energy consumption is caused from buildings and this is why buildings offer great potential to decrease the overall energy consumption. One way to drive lower energy demand, without reducing comfort, can be achieved by improving the efficiency of buildings. Physical and data-driven modelling to predict the energy consumption has received a lot of attention the last years. Predicting the energy consumption is valuable for enhanced decision making in an early stage of building design. While physical models are based on thermodynamics principles, data-driven models are using historical or general data to predict the energy consumption. The aim of this work is to create a data-driven model to predict the energy consumption of lighting from office buildings. A lot of research has been carried out to predict the energy consumption of buildings. Nevertheless the most of this research belongs to the energy consumption of heating, ventilation and air conditioning (HVAC) or the whole building. Based on the research for this academic writing only little research were done to predict the energy consumption for lighting. For the implementation of this work the author is going to use data from a lighting controls system as well weather-, time- and general building information to create a data-driven model to predict the lighting based energy consumption.
KW  - Data Science
KW  - Machine Learning
KW  - Energieverbrauch
KW  - Prognose
KW  - Beleuchtung
Y2  - 2018
U6  - https://doi.org/10.25924/opus-2771
DO  - https://doi.org/10.25924/opus-2771
SP  - X, 128
S1  - X, 128
ER  -