Im Projekt ALFA werden Synergien zwischen modellbasierten und ML Diagnoseverfahren im Zusammenhang mit der Fehlerdiagnose in der Gebäudeautomation gefördert. Dabei ist es ein Ziel das sog. 'Kaltstartproblem' (Allgemeinen einen Mangel an Daten für neu in Betrieb genommene Gebäude) zu entschärfen. Dazu werden Simulationen genutzt, um ein ML-Modell zu erzeugen.

Für die Skalierung von datenbasierten Optimierungsmaßnahmen in Gebäuden ist die semantische Beschreibung (Ontologie) von Datenpunkten zentral. Übergeordnetes Projektziel ist die automatisierte Gewinnung und Erzeugung von Metadaten zur Erstellung von Ontologien aus dem Gebäudeautomationssystem unter Anwendung innovativer, KI-basierter Ansätze.

Der Anspruch von BEYOND ist es, das technologische Fundament für die „Next Generation Energy Services“ zu entwickeln, welches durch ein Zusammenspiel der folgenden Technologien ermöglicht wird: Virtual Reality zur Visualisierung und Echtzeitinteraktion; Machine Learning und physikalische Simulationen und IoT-Plattformen für die bidirektionale Echtzeitkommunikation zwischen Gebäude und Nutzer:innen.

Im Projekt BOSS werden Causal AI Methoden entwickelt, die einerseits semantische Daten auf der Basis von Zeitreihen ableiten und andererseits für FDD-Anwendungen genutzt werden. Causal AI bieten den Vorteil, dass sie darauf abzielen, Ursache-Wirkungs-Beziehungen statt nur statistische Korrelationen zu identifizieren.

Das Projekt COOL-KIT entwickelt, demonstriert und strukturiert Systemlösungen zur Kühlung von Gebäuden, mit dem Schwerpunkt auf der Gründerzeit. Ausgewählte Systemkonfigurationen werden in mehreren Gebäuden der beteiligten Universitäten implementiert, prädiktive Regelungsansätze mit Hilfe eines digitalen Zwillings auf Basis einer IoT-Plattform getestet und energietechnisch, komfortbezogen, ökonomisch und ökologisch umfassend evaluiert.

Ziel des Sondierungsprojektes DomLearn ist es, erstmals das Potential für Domain-Informed Machine Learning im Bereich intelligenter Energiesysteme gemeinsam mit potentiellen AnwenderInnen aus der Industrie zu evaluieren. Des Weiteren werden gemeinsam mit internationalen ExpertInnen konkrete Implementierungen diskutiert. Anhand eines Proof of Concepts werden ausgewählte Lösung implementiert, getestet und evaluiert.

Prosumer und Energiegemeinschaften sind Bestandteil moderner Energiesysteme. Durch den Einsatz von maschinellem Lernen zur Fehlererkennung und -diagnose sollen Erzeugungs- und Verbrauchsdaten dazu dienen, die Verfügbarkeit und Sicherheit der technischen Anlagen auf Prosumer-Ebene zu verbessern. Die Bemühungen werden in den fünf internationalen ECom4Future-Versuchsanlagen und -Labors demonstriert und validiert.

Das Projekt GreenHeat entwickelt interpretierbare AI-Methoden zur Fehlererkennung und -diagnose sowie zur optimalen Regelung von Wärmepumpen. Das interdisziplinäre Projekt GreenHeat strebt einerseits wissenschaftliche Entwicklungen an, die über den internationalen Stand der Technik hinausgehen. Gleichzeitig streben die Industriepartner eine weltweite Technologieführerschaft für die innnovativen Energy Services an.

Wasser und Energie in TU Graz-Gebäuden immer im Blick haben - das Projekt zeigt vor, wie eine Internet-of-Things-Plattform die Echtzeitkommunikation zwischen Gebäuden, verschiedenen Anlagen und dem Personal ermöglicht und eine übergeordnete künstliche Intelligenz den Energie- und Wasserverbrauch optimiert und überwacht. Das Projekt dient der Entwicklung intelligenter und nachhaltiger Gebäude und Energiesysteme. Der INFRAMONITOR wird aktuell in mehreren nationalen und europäischen Projekten weiterentwickelt.

Der Klimawandel verursacht weltweit erhebliche gesellschaftliche und gesundheitliche Wechselwirkungen. Hitzewellen sind für die Alltagsbewältigung vulnerabler Gruppen herausfordernd. Ziel des Projekts ist die Durchführung einer umfassenden Studie in Pflegeheimen und Krankenhäusern zu den Themen kontaktloses Vitalzeichenmonitoring mittels Radartechnologie sowie Verknüpfung der Präsenzinformationen aus dem Radarsensor zur optimalen, energieeffizienten Regelung der Haustechnik für ein gesundes Raumklima.

Im Projekt OctoAI wird die nächste Generation hochleistungsfähiger Edge AI für intelligente Gebäude entwickelt. Wir verbinden das Konzept von Edge-AI mit nutzer:innenzentrierten Energy Services und erproben zwei Edge-Ready Anwendungen.

Die Entwicklungen in PersonAI zielen auf eine radikale Innovation im Bereich von user-zentrierten Energy Services im Gebäudesektor durch die Anwendung von „Personal Comfort Models PCM“ ab. Erstmals sollen in einem Proof-of-Concept Personal Comfort Models mit innovativen Energy Services in die Gebäudeautomation integriert und neben modellierungsspezifischen Performance-Indikatoren auch ein Fokus auf Energieeffizienzauswirkungen gelegt werden.

Im RINGs Projekt werden mittels eines zu entwickelnden Optimierungsmodells verschiedene Betriebsweisen eines Gebäudekomplexes mit unterschiedlichen Gewichtungen zwischen Kosten, Autarkiegrad und Emissionen bewertet. Daraus werden Regeln und Strategien abgeleitet, um die Effizienz des hybriden Energiesystems in Bezug auf diverse Zielfunktionen zu maximieren.

Im Projekt SAGE werden skalierbare Multi-Agenten-Architekturen entwickelt, die Gebäude in die Lage versetzen, Betriebsanomalien autonom zu erkennen und dynamisch auf Umweltveränderungen zu reagieren. Durch die Integration von Multi-Agenten-Architekturen in Kombination mit Large Language Models (LLMs) und der Entwicklung eines Human-in-the-Loop-Ansatzes wird die Zusammenarbeit zwischen Mensch und Maschine optimiert.

Im Projekt SELF²B geht es um eine KI-basierte selbstlernende & selbstdiagnostizierende Fehlererkennung- und Diagnoselösung (FDD) im Gebäudeportfolio der Bundesimmobiliengesellschaft. Die erarbeiteten Lösungen werden als Echtzeit-Online-FDD-Prototyps im Realbetrieb demonstriert (inkl. stetiger Überwachung von HLK-Systemen und PV-Anlage). Erstellt wird auch ein Technologiekonzept für „selbstlernende, selbstoptimierende" Bestandsgebäude für die nächste Generation des effizienten Gebäudebetriebs.

Das übergeordnete Ziel des Projekts UrbanHP ist eine strukturierte Analyse zur optimierten und systemdienlichen Integration von Wärmepumpen in urbane Bestandsquartiere. Die Analyse basiert auf detaillierten energietechnischen Modellen, ökonomischen und ökologischen Bewertungen, sowie auf einer semi-virtuellen Implementierung an der realen Fallstudie eines großen Gebäudekomplexes.

Im VENTUS-Projekt wenden wir aktuelle Forschung in den Bereichen physikinformierte KI und probabilistisch-kausale KI an, um den Betrieb und die Wartung von Windkraftanlagen drastisch zu optimieren. Basierend auf einer Analyse von Fehlerfällen und Leistungsverschlechterungen wird ein erklärbares KI-System angestrebt, das das Potenzial hat, Verluste aufgrund von Ausfallzeiten und Wartung um 50% zu reduzieren.

Das zentrale Projektergebnis ist eine Virtual Reality Digital Twin Umgebung der Testareale „My Smart City Graz“ und „TU Graz – Innovation District Inffeld“. Darin können Nutzer:innen energietechnische Gebäudesimulationen sowie Internet of Things Monitoringdaten der Quartiere interaktiv bedienen und visualisieren. Weiters werden mehrere Forschungsfragen zu bisher nicht betrachteten Themengebieten beantwortet.

WELLFIT erforscht die Schlafqualität, das thermische Wohlbefinden und die Produktivität mit Hilfe von Smartwatch-basierter mobiler Sensortechnologie in Kombination mit Ecological Momentary Assessment (EMA). Im Zuges des Projekts werden Nudging und Just-in-Time Adaptive Interventions (JITAIs) entwickelt und zusammen mit Low-Tech & Low-Cost Kühllösungen getestet.

Ziel von WhichWay ist die systematische Analyse und Vergleich von IoT-Plattformen für die Digitalisierung des Energiesystems. Dazu werden gemeinsam mit internationalen ExpertInnen sowohl funktionale als auch nichtfunktionale Anforderungen an IoT-Plattformen aus der Perspektive verschiedener Stakeholder definiert.