Ein beschrifteter Datensatz für Gebäude-HVAC-Systeme, die im Störungs- und Störungszustand betrieben werden

Scientific Data Band 10, Artikelnummer: 342 (2023) Diesen Artikel zitieren

287 Zugriffe

Details zu den Metriken

Offene Daten treiben Innovationen in vielen Bereichen voran. Im Bereich der Bauwissenschaften ist es äußerst schwierig, an Datensätze zu kommen, die für die Entwicklung betrieblicher Anwendungen – beispielsweise neuer Steuerungsalgorithmen und Methoden zur Leistungsanalyse – genutzt werden können. Dieser Artikel fasst die Entwicklung und den Inhalt des größten bekannten öffentlichen Datensatzes zum Betrieb von Gebäudesystemen in fehlerbehafteten und fehlerfreien Zuständen zusammen. Es deckt die gängigsten HVAC-Systeme und -Konfigurationen in gewerblichen Gebäuden ab und deckt eine Reihe von Klimazonen, Fehlertypen und Fehlerschweregraden ab. Die im Datensatz enthaltenen Zeitreihenpunkte umfassen sowohl Messungen, die häufig in bestehenden Gebäuden vorkommen, als auch einige, die weniger typisch sind. Zur Generierung der Daten wurden Simulationstools, experimentelle Testanlagen und In-situ-Feldbetrieb eingesetzt. Um datenhungrigere Algorithmen zu informieren, decken die meisten simulierten Daten ein Betriebsjahr für jede Fehler-Schweregrad-Kombination ab. Der Datensatz ist eine deutliche Erweiterung des erstmals von den Hauptautoren im Jahr 2020 veröffentlichten Datensatzes.

Fehlererkennung und -diagnose (FDD) ist ein etabliertes Forschungsgebiet in der Bauwissenschaft und Gebäudetechnik. Dies ist vor allem auf die erheblichen Auswirkungen von Gerätefehlern und Steuerungsproblemen auf den Energieverbrauch und die Emissionen von Gebäuden, die Lebensdauer der Geräte und den Komfort der Bewohner zurückzuführen. Insbesondere der Bau von HLK-Systemen bietet angesichts der Vielzahl von Systemkonfigurationen, komplexen Abläufen und der Verfügbarkeit überwachter Daten zahlreiche Möglichkeiten für die Entwicklung von FDD-Algorithmen. Darüber hinaus erhöht der jüngste Vorstoß zur Dekarbonisierung von Gebäuden und des Stromsektors die Bedeutung netzinteraktiver, effizienter Gebäude, die zuverlässig Lastflexibilitätsdienste für das mit erneuerbaren Energiequellen versorgte Netz bereitstellen können. Umso wichtiger ist es, sicherzustellen, dass HVAC-Systeme in Gebäuden kontrollierbar und fehlerfrei sind, was eine weitere Motivation für die Entwicklung und den Einsatz der FDD-Technologie darstellt.

In Gebäuden nutzen FDD-Softwaretools Betriebsdaten, die von Gebäudeautomationssystemen, Sensoren und Messgeräten gesammelt werden, um automatisch Geräte- und Steuerungsprobleme oder Leistungseinbußen in einem HVAC-System zu erkennen und mögliche Grundursachen zu diagnostizieren1. Mithilfe der Ergebnisse von FDD-Technologien können Gebäudebetreiber Wartungsaktivitäten effizient steuern, um Ineffizienzen oder Geräte- und Steuerungsstörungen zu beheben.

In den letzten dreißig Jahren wurde eine umfangreiche Literatur veröffentlicht, die die Entwicklung und Anwendung von FDD-Lösungen für Gebäude dokumentiert. Die aktive Forschung deckt ein breites Themenspektrum ab, darunter: (1) die Entwicklung und Validierung von Hunderten von FDD-Methoden2,3,4; (2) die Entwicklung experimenteller Plattformen oder Simulationssoftwaretools zur Generierung fehlerinklusiver Modelle5,6,7 und die Entwicklung fehlerinklusiver Datensätze8,9,10; (3) Quantifizierung der Prävalenz und Häufigkeit von Fehlern in Gebäuden11,12,13; (4) Analyse der Auswirkungen von Fehlern auf den Systembetrieb14,15, den Energieverbrauch16,17, die Gerätewartung und Betriebskosten18,19, den thermischen Komfort der Bewohner15,20,21 und die Raumluftqualität22; (5) Anwendung, Kosten und Nutzen der FDD-Technologie in bestehenden Gebäuden1,23; (6) Leistungstestmethoden für FDD-Algorithmen24,25; und (7) automatisierte Fehlerkorrektur26,27 und Wartungsaktivitäten28, nachdem Fehler durch FDD-Tools diagnostiziert und gekennzeichnet wurden.

Obwohl Gebäudesteuerungs- und Automatisierungssysteme in der Lage sind, große Mengen an Betriebsdaten zu speichern und zu exportieren, sind diese Daten häufig anfällig für Datenqualitätsprobleme, einschließlich fehlerhafter Sensoren und Lücken. Von einem System zum anderen werden keine einheitlichen Namenskonventionen verwendet, und semantische Metadaten zur Interpretation der Bedeutung und Beziehungen zwischen Daten werden selten verwendet. Eine weitere Komplikation besteht darin, dass die Daten das unbekannte und unbeschriftete Vorhandensein einer Vielzahl häufig auftretender Fehler widerspiegeln. Während Forscher möglicherweise kleine Sammlungen von Felddaten erfassen, ist es äußerst schwierig, einen groß angelegten Datensatz zusammenzustellen, der das Klima, das HVAC-System und die Betriebsvielfalt darstellt. Dies stellt enorme Hindernisse für Innovationen bei der Entwicklung von FDD-Algorithmen und der Leistungsbewertung dar.

Dieses Papier erweitert die Arbeit, die sich auf Testmethoden und Testdatensätze für FDD-Algorithmen konzentriert, und dokumentiert eine erhebliche Erweiterung des in 9 vorgestellten HVAC-Fehlerdatensatzes. Die Erweiterung umfasst fünf neue HVAC-Systeme und -Konfigurationen, eine erhöhte Anzahl von Fehlerfällen und längere Zeitspannen für jede Fehler-Intensitäts-Kombination (in den meisten Fällen bis zu 365 Tage). Die Daten wurden mithilfe von Simulationstools, Laborversuchseinrichtungen und Feldtests erstellt. Darüber hinaus wurde für jedes System ein semantisches Modell gemäß dem Brick-Schema29 entwickelt, um die Benutzerfreundlichkeit und Konformität mit dem heute häufig verwendeten Metadatenschema der Baubranche zu verbessern.

Der in diesem Artikel dokumentierte erweiterte Datensatz umfasst sieben gängige HVAC-Systeme: das Einkanal-Luftbehandlungsgerät (AHU), das verpackte Dachgerät (RTU), das Doppelkanal-AHU-System, das Fan-Coil-Unit-System (FCU) und die variable Luft Volumenventilator-Leistungseinheit (FPU), der Kesselanlage und der Kühlanlage. Es werden 257 Fehlerfälle dargestellt, darunter sensorbezogene Fehler, aktuatorbezogene Fehler, Steuerungsfehler (z. B. PID-Parametereinstellungen des Reglers) und Komponentenfehler (z. B. Folienfehler der Kühlschlange). Insgesamt umfasst dieser Datensatz 8 Milliarden Datenproben und stellt die größten bekannten, durch die Bodenwahrheit verifizierten Daten für HVAC-Fehler dar. Wie in der Veröffentlichung von 20209 erwähnt, können FDD-Forscher und -Entwickler die Daten nutzen, um:

Entwickeln, bewerten und vergleichen Sie die Leistung aller FDD-Algorithmen.

Identifizieren Sie Leistungslücken, um zukünftige Entwicklungsbemühungen und Ressourceninvestitionen zu fokussieren;

Entwickeln Sie ein Verständnis dafür, wie sich die FDD-Technologie im Laufe der Zeit insgesamt verbessert. Und

Ermöglichen Sie zu Bildungszwecken ein besseres Verständnis der Leistung von HVAC-Systemen unter fehlerhaften und fehlerfreien Betriebsbedingungen.

Frühere Arbeiten wie die ASHRAE-Forschungsprojekte RP-1312 und RP-1043 und das Projekt 10D243 des National Institute of Standards and Technology (NIST) stellen frühe Beiträge zu betrieblichen HVAC-Fehlerdaten dar. Diese Forschung treibt diese frühen Bemühungen voran, indem sie die Anzahl und Art der dargestellten HVAC-Systeme erhöht, die Dauer des fehlerfreien und fehlerfreien Betriebs (in den meisten Fällen ein Jahr) verlängert und die Anzahl und Art der auftretenden Fehler erhöht repräsentiert. Dadurch wird die Nutzbarkeit des Datensatzes für die Entwicklung von FDD-Algorithmen und die Leistungsbewertung erheblich erhöht.

Der neu erweiterte Datensatz enthält experimentelle und simulierte Daten zu den sieben dargestellten HVAC-Systemtypen und -Konfigurationen – die meisten davon sind simuliert. Zur Erstellung der Daten wurden verschiedene Einrichtungen und Simulationstools verwendet, und für jeden Fehler wurden Methoden zur Auferlegung der Fehler unter Berücksichtigung des spezifischen Schwerpunkts des HVAC-Systems und der Steuersequenzen, die seinen Betrieb definierten, erstellt. Im Folgenden werden diese Einrichtungen und Tools, HVAC-Systemdetails und Fehlermethoden beschrieben, ebenso wie das Metadatenschema, das auf die Daten angewendet wurde. Die Bereitstellung der Metadaten ermöglicht eine einfache Interpretation der Daten und unterstützt Benutzer des Datensatzes, die stärker automatisierte Verfahren verwenden möchten, um FDD-Algorithmusinstanzen mit den Daten zu verbinden.

Die simulierten Datensätze wurden mit HVACSIM+ und einer EnergyPlus-Modelica-Kosimulation erstellt. HVACSIM+ wurde vom US-amerikanischen NIST30 entwickelt, die Modelica Buildings Library31 wurde vom Lawrence Berkeley National Laboratory entwickelt und EnergyPlus32 wurde von mehreren Mitwirkenden mit Mitteln des US-Energieministeriums entwickelt. Im Vergleich zu anderen Modellierungstools in33 beschrieben, handelt es sich bei HVACSIM+, Modelica und EnergyPlus um nicht proprietäre Tools zur Modellierung des Verhaltens von Gebäude-HLK-Systemen mithilfe physikbasierter Ansätze. Darüber hinaus wurde die Klimaanlagenbibliothek von Modelon verwendet, um die kältemittelseitigen Fehler im RTU-System zu modellieren34. Diese Bibliothek bietet gebrauchsfertige Kühlkreislaufvorlagen und eine breite Palette von Komponenten zum Erstellen verschiedener Klimaanlagenkonfigurationen.

Zur Datenerstellung sowie zur Entwicklung und Validierung von Simulationsmodellen wurden vier experimentelle Forschungseinrichtungen genutzt:

FLEXLAB am Lawrence Berkeley National Laboratory in Berkeley, Kalifornien, für die Generierung des Einzelzonen-CAV-Datensatzes und des AHU-Datensatzes mit variablem Luftvolumen (VAV)9.

Die Flexible Research Platform (FRP) am Oak Ridge National Laboratory in Oak Ridge, Tennessee, zur Generierung von RTU-Datensätzen9.

Die Energy Resource Station befand sich zuvor im Iowa Energy Center in Ames City, Iowa, und diente der Entwicklung und Validierung von DD-AHU-, FCU- und FPU-Simulationsmodellen sowie der Erstellung von VAV-AHU-Daten für mehrere Zonen35.

Die RTU-Anlage befindet sich in der Thermal Technology Facility (TTF) des National Renewable Energy Laboratory in Golden, Colorado, und dient der Validierung des RTU-Simulationsmodells. Das TTL von NREL ist ein flexibles Mehrzwecklabor, das eine detaillierte Bewertung und Entwicklung von Gebäude- und Wärmeenergiesystemen ermöglicht. Die TTF-Forschungsfläche beträgt 11.000 Quadratfuß. Zwei RTUs – ein 5-Tonnen-/SEER 17 (RTU 1) und ein 6-Tonnen-/IEER 23 (RTU 2) – sind im TTL installiert, um umfassende Leistungskarten zu entwickeln, die für die Verwendung mit Computerprogrammen zur Energiesimulation des gesamten Gebäudes geeignet sind. Der SEER 17 enthielt einen zweistufigen Scrollkompressor mit R-410A, einen Kondensatorventilator mit einer Geschwindigkeit, einen direkt angetriebenen Luftventilator mit variabler Zufuhr und einem hocheffizienten Motor, Dämpfer mit geringer Leckage, eine Feuchtigkeitsregelung für die Heißgasnacherwärmung und einen Economizer. Der IEER 23 enthielt einen Direktantriebskompressor mit variabler Drehzahl, Lüfter mit variabler Drehzahl und eine Steuerlogik, die den Kompressor und das thermische Expansionsventil (TXV) innerhalb ihrer Leistungsgrenzen hielt36.

Der Datensatz enthält auch Felddaten, die den fehlerhaften und nicht fehlerhaften Betrieb von Dachanlagen repräsentieren. Diese Daten wurden von zwei RTUs gesammelt, einer in einem Restaurantgebäude in Milford, CT und einer anderen in einem Vertriebszentrumsgebäude in Colchester, CT. Tabelle 1 fasst diese Standorte und die RTUs zusammen.

Die Konfigurationen und Abläufe für jedes System im Datensatz werden für Nutzer der Daten in einer Inventardatei umfassend dokumentiert. Diese Informationen werden häufig benötigt, um steuerungsspezifische Parameter in Fehlererkennungs- und Diagnosealgorithmen festzulegen. Um Form und Inhalt dieser Informationen zu veranschaulichen, werden zwei Beispiele vorgestellt – das Fan-Coil-Unit-System und die Kesselanlage.

Abbildung 1 enthält die schematische Darstellung des Fan-Coil-Unit-Systems (FCU).

Schematische Darstellung der FCU.

Die FCU ist für den tageszeitabhängigen automatischen Betrieb im Belegt- und Unbesetzt-Modus vorgesehen.

Belegtmodus (Montag – Freitag 6:00–17:59 Uhr)

Während dieser Stunden befindet sich das System im Betriebsmodus. Fünf Steuersequenzen – Steuerung, Außenluftklappensteuerung, Kühlschlangenventilsteuerung, Heizschlangenventilsteuerungssequenz und Zonentemperatursollwerte – wurden während der Simulation eingestellt.

Lüftersteuerung

3-Stufen-Lüfter mit Modus „Automatisches Ein/Aus“ (Auto): Das Ein-/Ausschalten des Lüfters und die Geschwindigkeitsänderung basieren auf dem Kühl-Proportional-Integral-Derivativ-(PID)-Ausgang und dem Heiz-PID-Ausgang. Die Totzone von 10 % ist bei jeder Geschwindigkeitsumschaltstufe gegeben.

Niedrige Geschwindigkeitsbedingung: Die PID-Ausgänge (die Position des Kühl-/Heizregisterventils) sind höher als 0 % und niedriger als 40 %;

Mittlere Geschwindigkeitsbedingung: Die PID-Ausgänge (die Position des Kühl-/Heizregisterventils) sind > = 40 % und <80 %;

Hochgeschwindigkeitsbedingung: Die PID-Ausgänge (die Position des Kühl-/Heizregisterventils) sind > = 80 % und < 100 %;

Aus: kein Heiz- oder Kühlbedarf.

OA-Dämpfersteuerung

Der OA-Dämpfer behält eine minimale Dämpferposition bei 30 % bei.

Steuersequenz des Kühlschlangenventils

Die PID-Steuerung wird verwendet, um die Position des Kühlschlangenventils anzupassen. Die Soll-Totzone beträgt 1 °F. Wenn die tatsächliche Raumtemperatur über 1 °F des Kühlsollwerts liegt, befindet sich die FCU im „Kühl“-Modus und der PID-Schleife des Kühlschlangenventils ist aktiviert und die Kühlventilposition wird durch den PID-Ausgang des Kühlschlangenventilreglers gesteuert . Wenn die Raumtemperatur im Vergleich zum Kühlsollwert unter 1 °F fällt, wird der Kühl-PID deaktiviert und das Ventil vollständig geschlossen.

Steuersequenz des Heizregisterventils

Mit der PID-Regelung wird die Position des Heizwendelventils eingestellt. Die Soll-Totzone beträgt 1 °F. Wenn die tatsächliche Raumtemperatur über 1 °F des Heizsollwerts liegt, befindet sich die FCU im Modus „Heizen“, und die PID-Schleife des Heizregisterventils ist aktiviert und die Position des Heizventils wird durch den PID-Ausgang des Heizregisterventilreglers gesteuert . Wenn die Raumtemperatur im Vergleich zum Heizsollwert unter 1 °F fällt, wird der Heiz-PID deaktiviert und das Ventil vollständig geschlossen.

Zonentemperatur-Sollwerte

Zonenkühlungssollwert: 72 °F;

Zonenheizsollwert: 68 °F.

Shutdown-Modus

Der Abschaltmodus wird nur durch den unten beschriebenen Untertemperaturschutz ausgelöst. Im Abschaltmodus ist der Lüfter ständig ausgeschaltet und die OA-Klappe ist vollständig geschlossen.

Schutz vor niedrigen Temperaturen

Wenn während der Simulation die Mischlufttemperatur unter 35 °F liegt und 300 Sekunden lang anhält, schaltet das FCU-System in den Abschaltmodus, um ein Einfrieren der Spule zu verhindern. Der Shutdown-Modus bleibt bis zum Ende des Tages bestehen. Zu Beginn des nächsten Tages wird die Anlage wieder in den Normalbetrieb überführt.

Unbesetzt-Modus

Während dieser Stunden befindet sich das System im Absenkmodus. Der Betrieb ähnelt dem Betriebsmodus, mit Ausnahme zweier zusätzlicher Einstellungen:

Außenluftklappe: Die OA-Klappe ist vollständig geschlossen

Zonentemperatur-Sollwerte

Zonenkühlungssollwert: 85 °F;

Zonenheizsollwert: 55 °F.

Abbildung 2 zeigt die Konfiguration des Kesselanlagensystems. Dieses System verfügt über zwei identische Kessel und zwei Warmwasserpumpen und versorgt die Heizschlangen im luftseitigen System mit Warmwasser.

Schematische Darstellung des untersuchten Kesselanlagensystems.

Das Kesselanlagensystem wird von zwei Überwachungsreglern und zwei lokalen Reglern gesteuert (Tabelle 2). Ein übergeordneter Regler bestimmt die Anzahl der in Betrieb befindlichen Kessel mithilfe einer Zustandsmaschine und der berechneten Heizlast, wie in Abb. 3 dargestellt. Die Heizlast wird berechnet aus:

wobei \({\mathop{v}\limits^{^\circ }}_{hw}\) der Volumenstrom des heißen Wassers ist, \({T}_{hw}^{ent}\) und \({T}_{hw}^{lea}\) sind die Temperatur des Warmwassers, das in das Kesselanlagensystem eintritt bzw. austritt. Der andere übergeordnete Regler bestimmt die Anzahl der in Betrieb befindlichen Warmwasserpumpen, wie in Abb. 4 dargestellt.

Stufenregelung von Kesseln (ξ = 0,95 und Wartezeit: 30 min).

Stufungssteuerung von Warmwasserpumpen im Kesselanlagensystem (Wartezeit: 30 min).

Die Tabellen 3–10 fassen Fehlerprofile und die Art und Weise zusammen, wie jeder Fehler für jedes der Systeme und Fehlerszenarien verursacht wurde. Für die simulierten Datensätze wurde jeder Fehlertyp und jede Störungsintensität für ein ganzes Kalenderjahr des Betriebs bestimmt – mit Ausnahme des simulierten RTU-Datensatzes, der eine 100-tägige Kühlsaison abdeckte. Für die experimentellen und Feldtest-Datensätze wurden Fehlertyp-Intensitätskombinationen für einen bis 183 Betriebstage erfasst.

Der aus Feldmessungen gewonnene RTU-Datensatz spiegelte einen natürlich auftretenden Kompressor-Stufenfehler und einen Kältemittel-Unterfüllungsfehler wider.

Das Brick-Schema29 bietet Klassen und Unterklassen, von denen die Geräteklasse zur Bezeichnung der im Fehlerdatensatz dargestellten HVAC-Systemkomponenten verwendet wurde. In ähnlicher Weise wurde die Punktunterklasse zum Entwerfen von Datenpunkten für Sensormess- und Steuerungssysteme verwendet. Darüber hinaus bietet das Schema „Beziehungen“, von denen hasPart, hasPoint und Feeds für die Beschreibung des Fehlerdatensatzes relevant sind. Abbildung 5 veranschaulicht den 5-stufigen Prozess, der zur Generierung der Brick-Modelle für jedes HVAC-System im Datensatz verwendet wurde. Unter anderem ist Schritt 4 automatisiert, während die anderen Schritte manuell ausgeführt werden.

Ablauf der Brick-Schema-Modellentwicklung.

Die schematischen Darstellungen für jedes System wurden überprüft, um die Hauptkomponenten für das Gesamtsystem zu identifizieren und kompositorische Beziehungen („hasPart“) zu entwickeln. Für jede Hauptkomponente identifizieren wir alle zugehörigen Sensor-/Kontrollpunkte, um „hasPoint“-Beziehungen zu entwickeln. Abschließend ermitteln wir die Reihenfolge, in der die gegebenen Medien (Luft, Wasser usw.) durch das System strömen, um sequentielle Beziehungen („Zuführungen“) zwischen verschiedenen Geräten zu entwickeln.

Nachdem wir in Schritt 1 die Komponenten und Sensor-/Kontrollpunkte des Systems identifiziert haben, geben wir an, welches Gerät über welche Komponenten verfügt („hasPart“), welches Gerät oder welche Komponente über welche Sensor- und Kontrolldatenpunkte („hasPoint“) verfügt und welches Gerät speist in ein anderes Gerät ("Feeds").

Alle Geräte, Komponenten und Sensor-/Steuerungsdatenpunkte im hierarchischen Diagramm werden einer Brick-Schemaklasse zugeordnet und tabellarisch aufgeführt. Die Ausrüstung und die Unterkomponenten werden einer Unterklasse der Brick-Klasse „Ausrüstung“ zugeordnet (z. B. Kühler, AHU und RTU), und den Sensoren und Kontrollpunkten wird eine Typunterklasse der Brick-Klasse „Punkt“ zugewiesen.

Für jede Zeile (dh jede Komponente) bezeichnen wir die relevanten Beziehungen, andere Komponenten, mit denen sie verbunden ist, und diese Komponenten. Auf diese Weise können wir alle Komponenten, ihre Typen und ihre Beziehung zu anderen Komponenten einbeziehen.

Die in Schritt 3 generierten Tabellen werden als CSV-Dateien exportiert und in ein Python-Skript importiert, das ein Brick-Modell in Form einer maschinenlesbaren .ttl-Datei generiert. Das Skript durchläuft jede Zeile der Tabelle und weist alle Komponenten und Punkte einer bestimmten Instanziierung einer Brick-Klasse und entsprechenden Beziehungen zu. Auf die TTL-Datei kann von einem FDD-Algorithmus (oder anderen Anwendungen) zugegriffen werden, was einen effizienteren und standardisierten Abruf von Systemmetadaten mithilfe von SPARQL-Abfragen ermöglicht. Dies optimiert die Interpretation der Datensemantik innerhalb des FDD oder anderer Anwendungen.

Das generierte Brick-Modell wird verifiziert, indem es in Schritt 2 visualisiert und mit dem hierarchischen Diagramm verglichen wird. Für die Visualisierung verwendeten wir Brick Studio und stellten sicher, dass alle Komponenten in den Datensätzen vorhanden waren und die Beziehungen zwischen ihnen korrekt gekennzeichnet waren.

Die Daten werden auf figshare37 und auf einer LBNL-Website10 gespeichert. Die Beschreibung für die erweiterten sieben Datensätze finden Sie in Tabelle 11. Für jedes System werden die FDD-Daten in einzelnen CSV-Dateien (Comma Separated Value) gespeichert, und jede Datei enthält einen Fehlertyp unter einer Fehlerintensität. Die Daten werden im 1-Minuten-Intervall gespeichert, um den Systembetrieb widerzuspiegeln. Die 1-Minuten-Intervallrate kann auf ein 5-Minuten-Intervall und ein 15-Minuten-Intervall umgerechnet werden, die auch häufig im bestehenden Gebäudeautomationssystem (BAS) verwendet werden. Zeitstempel befinden sich in der ersten Spalte jeder Datei und werden im Format „jjjjmmtt hh:mm“ dargestellt.

Zu jedem Systemdatensatz gehört ein .ttl-Brick-Modell sowie eine Dateninventardatei, die die wichtigsten Informationen beschreibt, die zum Verständnis des Inhalts und Umfangs jedes Datensatzes erforderlich sind, darunter:

Eine Übersicht über den Datensatz, wer ihn erstellt hat und ob er durch Simulation oder physikalisches Experiment generiert wurde

Gebäude- und Systeminformationen

Beschreibung des Modells oder der Versuchsanlage

Diagramm des Systemtyps und der physischen Konfiguration

Kontrollsequenzen

Diagramm des Brick-Schema-Modells

Datenpunkte

Die Einheit für jede Messung

Die grundlegenden Datenpunkte, die bestehende BAS verwenden, sind gekennzeichnet

In den Daten dargestellte Eingabeszenarien für fehlerhafte und fehlerfreie Zustände

Fehlertypen

Fehlerintensitäten

Methode der Fehlerauferlegung

Granderson et al.9 dokumentierten, dass die Gültigkeit des Datensatzes anhand von drei Dimensionen beurteilt werden kann: (1) Genauigkeit der Sensoren und Messinfrastruktur in den verwendeten Versuchsanlagen; (2) Genauigkeit der verwendeten Simulationsmodelle; und (3) Genauigkeit der Grundwahrheitsbezeichnungen, die das Vorhandensein und die Schwere der Fehler, das Vorhandensein oder Nichtvorhandensein von Fehlern und deren Schwere angeben9.

Granderson et al. beschreibt den Messkalibrierungsprozess in den Einrichtungen von FLEXLAB, FRP und Iowa Energy Center9.

Granderson et al. beschrieben die Simulationsmodellvalidierung für die EnergyPlus-Modelica-Modelle9, und sowohl Granderson et al. und Wen et al. beschreiben die Modellvalidierung der HVACSIM+-Modelle9,35. In diesen Veröffentlichungen wird eine Vielzahl von Methoden beschrieben, darunter empirische Validierung, experimentelle Kalibrierung, Vergleichstests (im Vergleich zu anderen Tools) und analytische Überprüfung (im Hinblick auf exakte Lösungen).

Der Kürze halber wird der Leser für Einzelheiten zur Anlagenmessung und zur Genauigkeit des Simulationsmodells auf diese früheren Veröffentlichungen verwiesen.

Granderson et al.9 beschreiben einen Ground-Truth-Validierungsprozess, der Funktionstests und Engineering-Logik anwendet9. Durch Funktionstests wird überprüft, ob der Systembetrieb mit den entworfenen Steuersequenzen übereinstimmt und ein fehlerfreies Betriebsverhalten widerspiegelt. Die technische Logik und die spezifizierte Steuerungssequenz werden kombiniert, um zu bestätigen, dass die Datentrends tatsächlich das Verhalten der fehlerfreien und fehlerbehafteten Szenarien widerspiegeln.

Abbildung 6 zeigt einige Beispiele für das Fan-Coil-Unit-System. Zunächst werden die Datentrends überprüft, um zu bestätigen, dass das System gemäß dem definierten Zeitplan für die Belegungsstunden von 6:00 bis 17:59 Uhr und gemäß den in der Sequenz angegebenen definierten Sollwerten betrieben wird (wie im Abschnitt Systemkonfigurationen und Steuersequenzen gezeigt). ). Dies wird im Profil der Kühlsollwert- und Heizsollwerttrends verifiziert, die jeweils von 85 °F auf 72 °F und von 55 °F auf 68 °F und zurück an den Zeitstempeln 6:00 und 17:59 modulieren. Als nächstes werden die Datentrends überprüft, um zu überprüfen, ob die modellierten PID-Parameter für die Kühlventilsteuerung so konfiguriert sind, dass sie die richtigen Steuersignale ausgeben. Dies wird durch einen gleichmäßigen Trend und das Fehlen nennenswerter Schwankungen im aufgezeichneten Signal für den Kühlschlangenventilbefehl bestätigt. Schließlich bestätigt die Untersuchung des Zonentemperaturtrends, dass das Regelziel, dh ein Kühlsollwert von 72 °F, während der gesamten Betriebsdauer eingehalten wurde.

Beispiel für fehlerfreie Betriebsdaten der FCU (17. Juli).

Nach der Überprüfung des fehlerfreien Betriebszustandes wurden für jedes der fehlerhaften Szenarien zusätzliche Tests durchgeführt. Bei diesen Tests wurde untersucht, (a) ob der auferlegte Fehlerzustand korrekt in den Daten widergespiegelt wurde und (b) ob sich die erwarteten Fehlersymptome in anderen Betriebstrends widerspiegelten.

Abbildung 7 zeigt diese beiden Arten von Tests für den FCU-Systemfehler – Vorspannung des Zonenlufttemperatursensors von +2 °C (3,6 °F). Der voreingenommene Zustand wird bestätigt, indem der 2 °C-Versatz zwischen dem Datentrend vom „gefälschten“ Ausgabepunkt des fehlerhaften Modells (durchgezogene Linie) und dem unveränderten Ausgabepunkt (gestrichelte Linie) verglichen wird. Dies ist im rechten Teil der Handlung deutlich erkennbar und kommentiert. Die Symptome dieser Verzerrung werden beobachtet, wenn man die Position des Kühlschlangenventils im fehlerhaften Fall (schwarze durchgezogene Linie) mit der im nicht fehlerhaften Fall (gestrichelte schwarze Linie) vergleicht. Im Fehlerfall liegt die Position deutlich höher, da der Regler versucht hat, eine höhere Kühlmenge bereitzustellen, die dem fälschlicherweise hohen Messwert der Zonenlufttemperatur entspricht.

Beispiel für einen FCU-Fehler in den vorliegenden Betriebsdaten (Zonen-Lufttemperatursensor-Bias +2 °C (3,6 °F), 17. Juli).

Abbildung 8 zeigt einen weiteren FCU-Systemfehler – das Kühlschlangenventil klemmt bei 20 %, verursacht während der Kühlsaison. Hier wird der Fehlerzustand bestätigt, indem beobachtet wird, dass das Ventilpositionssignal (schwarze durchgezogene Linie) auf 0,2 festgelegt ist, während das Ventilbefehlssignal (schwarze gestrichelte Linie) angepasst wird. Das Symptom dieses Fehlers ist, dass die Zonentemperatur (violette durchgezogene Linie) den Kühlsollwert von 72 °F während der belegten Stunden deutlich überstieg, obwohl das Steuersignal des Kühlschlangenventils (schwarze gestrichelte Linie) einen Wert von 1 (d. h. 100 %) erreichte. Position) in dem Versuch des Controllers, für maximale Kühlung zu sorgen.

Beispiel für aktuelle Betriebsdaten eines FCU-Fehlers (Fehler beim Blockieren des Kühlschlangenventils in der 20-%-Position, 17. Juli).

Ähnliche Verifizierungstestschritte wurden für jeden Fehlertyp auf jedem Intensitätsniveau in experimentellen Datensätzen und Simulationsdatensätzen durchgeführt. Für die simulierten Datensätze, die sich über ein ganzes Betriebsjahr erstreckten, wurde eine Stichprobe von mindestens drei Tagen aus jeder der drei Betriebssaisonen – Sommer-/Kühlsaison, Winter-/Heizsaison und eine Übergangs-/Wechselsaison – zur Inspektion ausgewählt. Diese Probenahme ermöglichte die Validierung der Daten und des fehlerhaften Systemverhaltens unter verschiedenen Wetterbedingungen und Betriebsmodi38.

Es wurde ein vollständiges Inventar der Daten entwickelt, um Benutzern bei der Interpretation des Inhalts und der Form der Daten sowie der entsprechenden HVAC-Systeme, Steuerungen und Störungen zu helfen. Die Daten selbst bestehen aus Zeitreihen, die mit den vom Benutzer gewählten Softwaretools analysiert werden können. Die Daten werden in 1-Minuten-Intervallen bereitgestellt und können bei Bedarf erneut abgetastet werden, um den Anforderungen spezifischer Anwendungen gerecht zu werden.

Die Modelica Buildings Library und EnergyPlus stehen kostenlos zum Download zur Verfügung39,40. EnergyPlus läuft auf den Betriebssystemen Windows, Mac OSX und Linux. Zum Ausführen von Modelica sind ein Windows- oder Linux-basierter Computer und ein Dymola-Solver erforderlich. Dymola kann über die Modelica Buildings Library lizenziert werden. HVACSIM + ist auf Anfrage beim NIST auch frei verfügbar und erfordert keine Betriebssystemanforderungen. Der Zugriff auf die Modelon-Klimaanlagenbibliothek, die zur Modellierung der Fehler auf der RTU-Kältemittelseite verwendet wurde, erfolgte über die Bibliothekssuite von Modelon34. Die auf Modelica basierende Bibliothek dient der Auslegung, Analyse und Optimierung von Klimaanlagen.

Es wurde ein benutzerdefiniertes Python-basiertes Skript entwickelt, um .ttl-Dateien für Brick-Modelle für jedes System im Datensatz zu erstellen. Dabei wurde der unter „Methode der Entwicklung von Brick-Schemamodellen“ beschriebene Prozess befolgt. Die .ttl-Dateien sind im Datenrepository enthalten.

Lin, G., Kramer, H., Nibler, V., Crowe, E. & Granderson, J. Bereitstellung von Building Analytics Tools im großen Maßstab: Vorteile, Kosten und Bereitstellungspraktiken. Energien. 15(13), 4858, https://doi.org/10.3390/en15134858 (2022).

Artikel Google Scholar

Katipamula, S. & Brambley, MR-Methoden zur Fehlererkennung, Diagnose und Prognose für Gebäudesysteme – Ein Rückblick, Teil I. HVAC&R-Forschung. 11(1), 3–25, https://doi.org/10.1080/10789669.2005.10391123 (2005).

Artikel Google Scholar

Katipamula, S. & Brambley, MR-Methoden zur Fehlererkennung, Diagnose und Prognose für Gebäudesysteme – Ein Überblick, Teil II. HVAC&R-Forschung. 11(2), 169–187, https://doi.org/10.1080/10789669.2005.10391133 (2005).

Artikel Google Scholar

Kim, W. & Katipamula, S. Ein Überblick über Fehlererkennungs- und Diagnosemethoden für Gebäudesysteme. Wissenschaft und Technologie für die gebaute Umwelt. 24(1), 3–21, https://doi.org/10.1080/23744731.2017.1318008 (2018).

Artikel Google Scholar

Li, Y. & O'Neill, Z. Eine kritische Überprüfung der Fehlermodellierung von HVAC-Systemen in Gebäuden. Simul erstellen. 11(5), 953–975, https://doi.org/10.1007/s12273-018-0458-4 (2018).

Artikel Google Scholar

Pourarian, S. et al. Ein Tool zur Bewertung von Fehlererkennungs- und Diagnosemethoden für Fan-Coil-Einheiten. Energie und Gebäude. 136, 151–160 (2017).

Artikel Google Scholar

Zhang, R. & Hong, T. Modellierung von HVAC-Betriebsfehlern bei der Gebäudeleistungssimulation. Angewandte Energie. 202, 178–188, https://doi.org/10.1016/j.apenergy.2017.05.153 (2017).

Artikel Google Scholar

Comstock, M., Braun, J. Entwicklung von Analysetools zur Bewertung der Fehlererkennung und -diagnose in Kältemaschinen, ASHRAE-Forschungsprojekt RP-1043. Ray W. Herrick Laboratory Purdue University; (1999).

Granderson, J., Lin, G., Harding, A., Im, P. & Chen, Y. Erstellen von Fehlererkennungsdaten zur Unterstützung der Erstellung von Diagnosealgorithmen und Leistungstests. Sci-Daten. 7(1), 65, https://doi.org/10.1038/s41597-020-0398-6 (2020).

Artikel PubMed PubMed Central Google Scholar

Granderson, J., Lin, G., Chen, Y., Casillas, A. LBNL-Datensätze zur Fehlererkennung und -diagnose. DOE Open Energy Data Initiative (OEDI); Lawrence Berkeley National Lab. (LBNL), Berkeley, CA (Vereinigte Staaten); https://data.openei.org/submissions/5763, https://faultdetection.lbl.gov/, https://doi.org/10.25984/1881324 (2022).

Comstock, MC, Braun, JE & Groll, EA Eine Übersicht über häufige Fehler bei Kältemaschinen. ASHRAE-Transaktionen. 108, 819 (2002).

Google Scholar

Crowe, E. et al. Was wir aus der Analyse von 15 Millionen Zeilen von HVAC-Fehlerdaten von Gewerbegebäuden gelernt haben. In: Sommerstudie 2022 zur Energieeffizienz in Gebäuden. (2022).

Kim, J. et al. Forschungsherausforderungen und -richtungen bei der Häufigkeit von HVAC-Fehlern. Wissenschaft und Technologie für die gebaute Umwelt. 27(5), 624–640, https://doi.org/10.1080/23744731.2021.1898243 (2021).

Artikel Google Scholar

Chen, Y., Lin, G., Chen, Z., Wen, J. & Granderson, J. Eine simulationsbasierte Bewertung der Fehlereffekte von Gebläsekonvektoren. Energie und Gebäude. 263, 112041, https://doi.org/10.1016/j.enbuild.2022.112041 (2022).

Artikel Google Scholar

Li, Y. & O'Neill, Z. Ein innovatives Fehlerauswirkungsanalyse-Framework zur Verbesserung des Gebäudebetriebs. Energie und Gebäude. 199, 311–331 (2019).

Artikel Google Scholar

Roth, K., Westphalen, D., Llana, P., Feng, M. Die energetischen Auswirkungen von Störungen in US-amerikanischen Gewerbegebäuden. In: Internationale Konferenz für Kälte- und Klimatechnik. Purdue Universität; 2004.

Wang, S. & Xiao, F. AHU-Sensorfehlerdiagnose mithilfe der Hauptkomponentenanalysemethode. Energie und Gebäude. 36(2), 147–160, https://doi.org/10.1016/j.enbuild.2003.10.002 (2004).

Artikel Google Scholar

Breuker, MS & Braun, JE Häufige Fehler und ihre Auswirkungen bei Dachklimaanlagen. HVAC&R-Forschung. 4(3), 303–318, https://doi.org/10.1080/10789669.1998.10391406 (1998).

Artikel Google Scholar

Salah, M., Osman, H. & Hosny, O. Leistungsbasierte, zuverlässigkeitsorientierte Wartungsplanung für Krankenhauseinrichtungen. Journal of Performance of Construction Facilities. 32(1), 04017113, https://doi.org/10.1061/(ASCE)CF.1943-5509.0001112 (2018).

Artikel Google Scholar

Gunay, B. et al. Vorteile der Energie- und Komfortleistung durch frühzeitige Erkennung von Gebäudesensor- und Aktorfehlern. Forschung und Technologie im Bereich Gebäudetechnik. 39(6), 652–666 (2018).

Artikel MathSciNet Google Scholar

Chen, Y., Chen, Z., Lin, G., Wen, J., Granderson, J. Eine simulationsbasierte Methode zur Analyse der Fehlerauswirkungen von Fan Coil-Einheiten. In: ASHRAE-Transaktionen. Bd. 128. ASHRAE; 210. https://www.ashrae.org/technical-resources/ashrae-transactions (2023).

Ginestet, S., Marchio, D. & Morisot, O. Bewertung der Auswirkungen von Fehlern auf den Energieverbrauch und die Raumluftqualität eines Lüftungsgeräts. Energie und Gebäude. 40(1), 51–57, https://doi.org/10.1016/j.enbuild.2007.01.012 (2008).

Artikel Google Scholar

Granderson, J., GR et al. Kommerzielle Fehlererkennungs- und Diagnosetools: Was sie bieten, wie sie sich unterscheiden und was noch benötigt wird. Lawrence Berkeley National Lab. (LBNL), Berkeley, CA (Vereinigte Staaten); 2018. https://escholarship.org/uc/item/4j72k57p Zugriff am 23. November (2021).

Frank, S. et al. Ein Leistungsbewertungsframework zum Erstellen von Fehlererkennungs- und Diagnosealgorithmen. Energie und Gebäude. 192, 84–92, https://doi.org/10.1016/j.enbuild.2019.03.024 (2019).

Artikel Google Scholar

Yuill, DP & Braun, JE Bewertung der Leistung von Fehlererkennungs- und Diagnoseprotokollen für luftgekühlte Klimatisierungsgeräte. HVAC&R-Forschung. 19(7), 882–891, https://doi.org/10.1080/10789669.2013.808135 (2013).

Artikel Google Scholar

Lin, G., Pritoni, M., Chen, Y. & Granderson, J. Entwicklung und Implementierung von Fehlerkorrekturalgorithmen in Fehlererkennungs- und Diagnosetools. Energien. 13(10), 2598, https://doi.org/10.3390/en13102598 (2020).

Artikel Google Scholar

Pritoni, M. et al. Von der Fehlererkennung zur automatisierten Fehlerkorrektur: Eine Feldstudie. Bauen und Umwelt. 214, 108900, https://doi.org/10.1016/j.buildenv.2022.108900 (2022).

Artikel Google Scholar

Eskandari, N. & Noorzai, E. Bietet eine vorbeugende Lösung für Mängel im gewerblichen Gebäudeanlagensystem mithilfe von BIM. Einrichtungen. 39(13/14), 859–887, https://doi.org/10.1108/F-04-2020-0037 (2021).

Artikel Google Scholar

Balaji, B. et al. Brick: Metadatenschema für tragbare Smart-Building-Anwendungen. Angewandte Energie. 226, 1273–1292, https://doi.org/10.1016/j.apenergy.2018.02.091 (2018).

Artikel Google Scholar

Clark, DR, May WB HVACSIM+ Gebäudesystem- und Gerätesimulationsprogramm – Benutzerhandbuch. National Bureau of Standards, Abteilung Gebäudeausrüstung; 1985. https://www.osti.gov/biblio/6127383 Zugriff am 20. November (2021).

Wetter, M., Zuo, W., Nouidui, TS & Pang, X. Modelica Buildings-Bibliothek. Zeitschrift für Gebäudeleistungssimulation. 7(4), 253–270, https://doi.org/10.1080/19401493.2013.765506 (2014).

Artikel Google Scholar

Crawley, DB et al. EnergyPlus: Entwicklung eines Gebäudeenergiesimulationsprogramms der neuen Generation. Energie und Gebäude. 33(4), 319–331, https://doi.org/10.1016/S0378-7788(00)00114-6 (2001).

Artikel Google Scholar

Pourarian, S., Kearsley, A., Wen, J. & Pertzborn, A. Effiziente und robuste Optimierung für die Gebäudeenergiesimulation. Energie und Gebäude. 122, 53–62, https://doi.org/10.1016/j.enbuild.2016.04.019 (2016).

Artikel PubMed PubMed Central Google Scholar

Modelon. Klimaanlagen-Bibliothek. Modelon. Veröffentlicht 2020. https://modelon.com/library/air-conditioning-library/Zugriff am 31. Oktober (2022).

Wen, J., Pourarian, S., Yang, X., Li, X. NIST 10D243 Tools zur Bewertung von Fehlererkennungs- und Diagnosemethoden für HVAC-Sekundärsysteme eines Netto-Null-Gebäudes. Das US-amerikanische National Institute of Standard & Technology; 2015. https://www.researchgate.net/profile/Jin-Wen-12/publication/337946061_NIST10D243_FinalReport_-Tools_for_Evaluating_Fault_Detection_and_Diagnostic_Methods_for_HVAC_Secondary_Systems_of_a_Net_Zero_Building/links/5df73f11299bf1 0bc35f1163/NIST10D243-FinalReport-Tools-for-Evaluating-Fault-Detection-and-Diagnostic-Methods- for-HVAC-Secondary-Systems-of-a-Net-Zero-Building.pdf Zugriff am 25. Januar (2021).

Wheeler, G., Kozubal, E., Judkoff, R. Experimentelles Design und Laborcharakterisierung einer Dacheinheit mit mittlerem und hohem Wirkungsgrad zur Verwendung in Gebäudeenergiesimulationen. Internationale Konferenz für Kälte- und Klimatechnik. https://docs.lib.purdue.edu/iracc/2057 Online veröffentlicht am 1. Januar (2018).

Granderson, J. LBNL FDD-Datensätze. Figshare https://doi.org/10.6084/m9.figshare.c.6486349.v1 (2023).

Casillas, A., Lin, G., Granderson, J. Kuratierung von Ground-Truth-validierten Benchmarking-Datensätzen für Diagnosetools zur Fehlererkennung. In: ACEEE-Sommerstudie 2020 zur Energieeffizienz in Gebäuden.; 2020. https://escholarship.org/uc/item/9cz491j6 Zugriff am 20. November (2021).

Lawrence Berkeley National Lab. Modelica-Gebäudebibliothek. Veröffentlicht am 6. Dezember 2022. https://simulationresearch.lbl.gov/modelica.html Zugriff am 1. Januar (2023).

Energieministerium, US EnergyPlus. Veröffentlicht 2022. https://energyplus.net/ Zugriff am 1. Januar (2023).

Referenzen herunterladen

Diese Arbeit wurde vom Assistant Secretary for Energy Efficiency and Renewable Energy, Building Technologies Office, des US-Energieministeriums unter der Vertragsnummer DE-AC02-05CH11231 unterstützt. Die Autoren möchten Ravi Gorthala von der University of New Haven für seinen Beitrag der In-situ-RTU-Felddaten zum Datensatz danken. Wir möchten Dr. Sungkyun Jung, Oak Ridge National Laboratory, für seinen Beitrag der Simulations-RTU-Daten zum Datensatz danken. Darüber hinaus danken wir Brian Walker und Erika Gupta (ehemals) vom Building Technologies Office für ihre großzügige Unterstützung.

Lawrence Berkeley National Laboratory, Berkeley, USA

Jessica Granderson, Guanjing Lin, Yimin Chen und Armando Casillas

Drexel University, Philadelphia, USA

Jin Wen & Zhelun Chen

Oak Ridge National Laboratory, Oak Ridge, USA

Piljae Im & Sen Huang

National Renewable Energy Laboratory, Golden, USA

Jiazhen Ling

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Jessica Granderson leitete die gesamten Forschungsanstrengungen; schrieb das Originalmanuskript; überprüfte und redigierte das Manuskript. Yimin Chen hat das Originalmanuskript geschrieben; die Datensätze kuratiert und synthetisiert; synthetisierte die Datensätze; und dokumentierte die Daten. Guanjing Lin synthetisierte die Datensätze; und leitete die technische Validierung und Dokumentation der Daten; überprüfte das Manuskript. Armando Cassilas kuratierte und synthetisierte die Datensätze; und dokumentierte die Daten. Jin Wen kuratierte und synthetisierte die DDAHU-, FCU- und FPU-Datensätze; und dokumentierte die Daten. Zhelun Chen kuratierte und synthetisierte die DDAHU-, FCU- und FPU-Datensätze; und dokumentierte die Daten. Piljae Im kuratierte und synthetisierte die RTU-Datensätze. Sen Huang kuratierte und synthetisierte die SDAHU-, Kälteanlagen- und Kesselanlagen-Datensätze; und dokumentierte die Daten. Jiazhen Ling kuratierte und synthetisierte den RTU-Datensatz; und dokumentierte die Daten.

Korrespondenz mit Jessica Granderson oder Yimin Chen.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht durch gesetzliche Vorschriften zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Granderson, J., Lin, G., Chen, Y. et al. Ein gekennzeichneter Datensatz für Gebäude-HLK-Systeme, die im fehlerhaften und fehlerfreien Zustand betrieben werden. Sci Data 10, 342 (2023). https://doi.org/10.1038/s41597-023-02197-w

Zitat herunterladen

Eingegangen: 18. Januar 2023

Angenommen: 28. April 2023

Veröffentlicht: 01. Juni 2023

DOI: https://doi.org/10.1038/s41597-023-02197-w

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt