This work introduces a machine learning approach to monitor indoor air pollutants, enabling improved indoor air quality and energy efficiency through integration with demand-controlled ventilation systems. Utilizing multiyear data from non-residential typologies for training and validation, the resulting virtual sensors enable substantial energy reductions in two case studies by optimizing ventilation control, achieving up to 95% in ventilation energy savings.
Übersetzte Kurzfassung:
In dieser Arbeit wird ein Verfahren zum Monitoring von Luftschadstoffen auf Basis von Machine Learning vorgestellt. Durch die Integration in bedarfsgerechte Lüftungssysteme ermöglicht dies eine verbesserte Luftqualität in Innenräumen sowie eine höhere Energieeffizienz. Mehrjährige Daten aus Nichtwohngebäuden wurden für Training und Validierung virtueller Sensoren verwendet, welche in zwei Fallstudien eine Energieeinsparung der Lüftung von bis zu 95 % ermöglichen.