⚡ electrical engineering

Sense, Model and Identify the Load Signatures of HVAC Systems in Metro Stations

Dieses Papier schlägt einen neuartigen Sensorik- und Lernansatz unter Verwendung von Echtzeit-Sensordaten und einem linearen Regressionsmodell vor, um die durch die Außenumgebung und die Passagierdichte verursachten unterschiedlichen Lastsignaturen der HLK-Systeme von U-Bahnstationen zu identifizieren und dadurch effektivere energiesparende Steuerungsstrategien zu ermöglichen.

Ursprüngliche Autoren: Yongcai Wang, Haoran Feng, Xiangyu Xi

Veröffentlicht 2026-06-04

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 3.0

Ursprüngliche Autoren: Yongcai Wang, Haoran Feng, Xiangyu Xi

Originalarbeit lizenziert unter CC BY 3.0 (http://creativecommons.org/licenses/by/3.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich eine U-Bahn-Station wie ein riesiges, unterirdisches Wohnzimmer vor. Genau wie Ihr Zuhause muss sie kühl und komfortabel bleiben, aber sie hat sehr spezielle Gäste und Herausforderungen. In dieser Arbeit geht es darum, genau zu bestimmen, wie viel „Hitze“ versucht, in dieses Wohnzimmer einzudringen und wie viel „Kühlung“ die Klimaanlage tatsächlich liefert, damit das System smarter arbeitet, statt härter.

Hier ist die Geschichte, wie die Forscher den Code geknackt haben, einfach erklärt:

1. Das Problem: Der Energieriese

U-Bahn-Stationen sind massive Energiefresser. Im Sommer arbeiten die Klimaanlagen (HLK-Systeme) auf Hochtouren, um alles kühl zu halten. Den Forschern fiel auf, dass diese Systeme oft auf „Autopilot“ laufen und basierend auf einfachen Zeitplänen an- und ausgeschaltet werden. Das ist so, als würde man die Klimaanlage zu Hause auf voller Stufe laufen lassen, selbst wenn niemand zu Hause ist, oder sie ausschalten, wenn gerade eine Menschenmenge den Raum betreten hat. Das verschwendet Unmengen an Elektrizität, weil das System nicht genau weiß, warum sich die Temperatur verändert.

Um dies zu beheben, mussten sie die „Lastsignatur“ verstehen. Denken Sie an dies als den „Hitzefingerabdruck“ der Station. Es ist eine detaillierte Karte darüber, woher die Hitze kommt:

Die Außenwelt: Heiße Luft, die durch Wände, Tunnel und Türen nach innen dringt (wie ein Haus an einem heißen Tag).
Die Passagiere: Jeder Mensch, der hineinkommt, bringt Körperwärme mit (wie eine überfüllte Party, die einen Raum stickig macht).

2. Die Detektivarbeit: Aufbau eines Spionagenetzwerks

Um den Fingerabdruck zu ermitteln, installierte das Team eine massive Überwachungsoperation an der Station HaidianHuangZhuang in Peking. Sie haben nicht nur geraten; sie haben alles gemessen:

Thermometer: Platziert im Innen- und Außenbereich, um Temperaturveränderungen zu verfolgen.
Ticket-Schranken: Als Zähler genutzt, um genau zu verfolgen, wie viele Menschen jede Stunde ein- und ausgingen.
Intelligente Stromzähler: An die Klimaanlagen, Ventilatoren und Pumpen angeschlossen, um exakt zu sehen, wie viel Energie sie verbrauchten.
Luftsensoren: Um die Luftqualität und den Luftstrom zu prüfen.

3. Das Rätsel: Warum steigt die Temperatur plötzlich an?

Die Forscher betrachteten die Daten und sahen ein Muster. An einem typischen Tag wies die Innentemperatur vier markante „Peaks“ (Zeitpunkte, an denen es am heißesten wurde) auf:

4:00 Uhr morgens: Die Klimaanlage war aus, sodass sich die Station langsam aufwärmte.
8:00 Uhr (Morgenstau): Eine riesige Menge Menschen kam an. Die Körperwärme von tausenden Pendlern überforderte das Kühlsystem, was zu einem Temperaturanstieg führte.
14:00 Uhr (Mittagszeit): Draußen war die Sonne am heißesten, aber die Klimaanlage hatte Zeit aufzuholen, weshalb der Anstieg gering ausfiel.
18:00 Uhr (Abendstau): Erneut traf eine Menschenmenge ein, und wieder besiegte die Körperwärme das Kühlsystem.

Die große Frage war: Wie viel dieser Hitze stammt von der Sonne/der Außenwelt und wie viel von den Menschen?

4. Die Lösung: Ein mathematisches „Rezept“

Das Team entwickelte ein mathematisches Rezept (ein lineares Regressionsmodell), um dies zu lösen. Denken Sie an dies wie an ein Kochrezept:

Die Zutaten (Inputs): Außentemperatur, Anzahl der Menschen und der Temperaturunterschied im Inneren.
Der Kochprozess (Die Gleichung): Sie nutzten die Physik, um eine Gleichung aufzustellen, die besagt: „Die Änderung der Raumtemperatur entspricht der Hitzezufuhr (von außen + Menschen) MINUS der Kühlleistung (durch die Klimaanlage).“

Da sie die „Kühlleistung“ (durch die intelligenten Stromzähler) und die „Temperaturänderung“ (durch die Thermometer) kannten, konnten sie rückwärts rechnen, um die unbekannten Zutaten zu bestimmen: Wie viel Hitze brachten die Menschen mit? Wie viel brachte die Außenwelt mit?

5. Die Herausforderung: Verrauschte Daten

Echtzeitdaten sind unordentlich. Sensoren sind nicht perfekt; manchmal springen sie ein wenig hin und her (wie eine zittrige Hand, die eine Linie zeichnet). Um dies zu beheben, betrachteten die Forscher nicht nur die Daten eines einzelnen Minutenintervalls. Sie nutzten einen Suchalgorithnis, der die Gesamtheizlast über einen längeren Zeitraum betrachtete (als würde man den ganzen Film ansehen, anstatt nur ein einzelnes unscharfes Einzelbild). Dies glättete das „Rauschen“ und lieferte ein sehr klares Bild des wahren Hitzefingerabdrucks.

6. Das Ergebnis: Der „Fingerabdruck“ wurde enthüllt

Nach der Auswertung der Zahlen fanden sie die „Lastsignatur“:

Die Außenwelt ist der Chef: Die Hitze, die aus der Außenwelt kam (durch Wände und Tunnel), war der bedeutendste Faktor.
Die Passagiere sind der Joker: Obwohl die Wärme der Passagiere kleiner war als die der Außenwelt, war sie signifikant, insbesondere während der Stoßzeiten.

Warum ist das wichtig?
Jetzt, da sie diesen „Fingerabdruck“ haben, kann das U-Bahn-System smarter agieren. Anstatt zu raten, kann die Klimaanlage vorhersagen: „Oh, es ist Dienstag, 8:00 Uhr morgens und 5.000 Menschen kommen gerade an. Ich muss die Kühlung einschalten, BEVOR sie hier sind.“

Dies ermöglicht es dem System, exakt die richtige Menge an Kühlung zum richtigen Zeitpunkt bereitzustellen, was enorme Mengen an Energie spart und gleichzeitig die Station komfortabel hält. Die Arbeit schließt damit ab, dass diese Methode gut funktioniert und eine solide Grundlage für die Gestaltung dieser zukünftigen „smarten“ Steuerungssysteme bietet.

Technische Zusammenfassung: Erfassung, Modellierung und Identifizierung der Lastsignaturen von HLK-Systemen in Metrostationen

Problemstellung
U-Bahn-Systeme sind große Energieverbraucher, wobei Heizungs-, Lüftungs- und Klimasubsysteme (HLK) in den Sommermonaten über 40 % des gesamten Energieverbrauchs ausmachen. Aktuelle HLK-Steuerungsstrategien in etablierten U-Bahn-Linien beruhen oft auf einfachen zeitgesteuerten Regeln oder passiven Reaktionen, da die Schätzung dynamischer Heiz- und Kühllasten schwierig ist. Diese Lasten sind hoch variabel und werden durch schwankende Außentemperaturen, Fahrgastströme, Kolbenwind durch Züge und komplexe unterirdische Strukturen angetrieben. Bestehende Modelle zur Gebäude-Lastschätzung, die auf Baumaterialien und empirischen Wärmeübertragungsgleichungen basieren, können die einzigartige Dynamik von U-Bahn-Stationen, insbesondere die Auswirkungen von Fahrgastströmen und Tunnelaerodynamik, nicht erfassen. Diese Diskrepanz zwischen Last und Angebot führt zu erheblichem Energieverlust. Das Kernproblem, das hier adressiert wird, ist das Fehlen einer effektiven Methode zur Quantifizierung und Identifizierung der „Lastsignaturen“ – also der spezifischen Mengen an Wärme, die aus der Außenumgebung und durch Fahrgäste eingetragen werden – in Echtzeit, um optimale Steuerungsstrategien zu ermöglichen.

Methodik
Die Autoren schlagen einen neuartigen Sensorik- und Lernansatz vor, um Lastsignaturen mithilfe von Realdaten der U-Bahn-Station HaiDianHuangZhuang (Peking Linie 4) zu identifizieren. Die Methodik umfasst drei Hauptkomponenten:

Datenerfassung und Sensorik:
- Umweltsensoren: Eingesetzt zur Überwachung von Innen- und Außentemperaturen ( $T(t)$ , $T_o(t)$ ), Luftfeuchtigkeit und CO2-Werten.
- Fahrgaststrom: Erfasst über das Fahrkartenkontrollsystem ( $n(t)$ ), berechnet als Summe der eingestiegenen und ausgestiegenen Fahrgäste.
- HLK-Überwachung: Intelligente Stromzähler und eingebettete Sensoren verfolgen den Energieverbrauch und die Betriebszustände von Kältemaschinen, Ventilatoren, Kühltürmen und Pumpen. Temperaturen von Rücklauf-, Zuluft, Außenluft und Mischluft werden gemessen, ebenso wie Durchflussraten des Kühlwassers und Temperaturdifferenzen.
Mathematische Modellierung:
- Lastmodell ( $L(t)$ ): Definiert als die gesamte pro Zeiteinheit in die Station eingetragene Wärme. Es wird in zwei Komponenten zerlegt:
  - Durch Fahrgäste induzierte Last (PIL): Die von Fahrgästen erzeugte Wärme, modelliert als $c_p n(t) (T_p - T(t))$ .
  - Durch die Umgebung induzierte Last (EIL): Wärme durch Wärmeleitung durch Wände/Dächer und Luftinfiltration (Kolbenwind), modelliert als $(c M_{air} + \frac{1}{R_{eq}}) (T_o(t) - T(t))$ .
- Versorgungsmodell ( $S(t)$ ): Definiert als die vom HLK-System bereitgestellte Kühlkapazität. Das Modell passt sich drei Betriebsmodi an: Außenluftmodus (Außenluftkühlung), Kältemaschinenmodus (mechanische Kühlung) und Mischmodus. Die Kühlleistung wird aus Sensormesswerten (Temperaturdifferenzen des Wassers, Volumenströme) und dem Stromverbrauch der Ventilatoren (unter Verwendung von Fan-Affinity-Gesetzen zur Schätzung des Luftvolumens) abgeleitet.
- Thermische Dynamik: Die Variation der Innentemperatur wird als Differenz zwischen Last und Versorgung modelliert: $L(t) - S(t) = c M_z \Delta(t)$ , wobei $\Delta(t)$ die Temperaturänderung über die Zeit ist.
Algorithmus zur Parameteridentifizierung:
- Das Problem wird als lineare Regression formuliert, um unbekannte Koeffizienten ( $c_p$ , $\alpha$ , $\beta_{ac}$ ) in den Last- und Versorgungsgleichungen zu identifizieren.
- Um Sensorauschen und die Nicht-Negativitätsbeschränkungen physikalischer Parameter zu adressieren, schlagen die Autoren einen Suchalgorithmus vor. Anstatt den absoluten Fehler zu minimieren, minimiert der Algorithmus die relative Differenz zwischen der integrierten Last und der integrierten Versorgung über einen Zeitraum.
- Um Sensorauschen (insbesondere bei Temperaturdifferenzberechnungen) weiter zu mildern, nutzt die Methode integrierte Werte von Last und Versorgung anstelle von instantanen Punktwerten.

Wesentliche Beiträge

Neuartige Identifizierung von Lastsignaturen: Die Arbeit präsentiert einen datengesteuerten Ansatz zur Trennung und Quantifizierung der spezifischen thermischen Lasten, die durch die Außenumwelt gegenüber Fahrgastströmen beigetragen werden – ein Faktor, der in Standard-Gebäudemodellen oft übersehen wird.
Integriertes Sensorik- und Modellierungs-Framework: Die Autoren haben heterogene Datenquellen (Ticketing-Systeme, Umweltsensoren und HLK-Energielogbücher) erfolgreich integriert, um ein umfassendes thermisches Modell zu konstruen.
Robuste Parameterschätzung: Es wird ein spezieller Suchalgorithmus vorgeschlagen, um das beschränkte Optimierungsproblem zu lösen, wobei Sensorauschen durch die Minimierung relativer Fehler integrierter Werte statt instantaner Werte behandelt wird.

Experimentelle Ergebnisse
Das Modell wurde mit Realdaten validiert, die vom 21. bis 23. August 2013 in der Station HaiDianHuangZhuang erhoben wurden.

Lastsignaturen: Die abgeleiteten Signaturen zeigten, dass die Umgebungslasten (Außentemperaturunterschiede) den Hauptteil der Gesamtlast ausmachen, während die Fahrgastlasten, obwohl sie während der Stoßzeiten signifikant sind, einen kleineren Anteil darstellen.
Modellgenauigkeit: Die berechnete Kühlversorgung stimmte eng mit den abgeleiteten Lastsignaturen überein. Die relative Differenz zwischen der integrierten Last und der integrierten Versorgung war gering, was darauf hindeutet, dass der Algorithmus eine verlässliche Schätzung der Lastparameter liefert.
Temporale Muster: Die Ergebnisse bestätigten deutliche Lastmuster entsprechend den Stoßzeiten (Morgen- und Abendspitzen durch Fahrgastströme) und den täglichen Temperaturzyklen.

Bedeutung und Ansprüche
Die Arbeit behauptet, dass die Identifizierung dieser Lastsignaturen einen entscheidenden Kontext für das Design smarter, optimaler Steuerungsstrategien bietet. Durch das Verständnis der spezifischen Beiträge von Fahrgästen und der Umgebung zur thermischen Last können HLK-Systeme so gesteuert werden, dass sie nur die notwendigen Kühlleistungen erbringen, um den vorhergesagten Bedarf zu decken. Dieser Ansatz zielt darauf ab, den thermischen Komfort im Innenraum aufrechtzuerhalten und gleichzeitig den Energieverbrauch signifikant zu optimieren. Die Autoren geben an, dass diese Arbeit die Grundlage für zukünftige Forschung zu optimalen Steuerungsstrategien für U-Bahn-HLK-Systeme legt, indem sie über einfache zeitgesteuerte Regeln hinaus zu einer datengesteuerten, prädiktiven Steuerung führt.