Prototype of a commissioning-friendly fault detection tool for residential heat pumps using machine learning algorithms
Lade...
Dateien
Autor:innen
Autor:in (Körperschaft)
Publikationsdatum
2026
Typ der Arbeit
Studiengang
Typ
04B - Beitrag Konferenzschrift
Herausgeber:innen
Herausgeber:in (Körperschaft)
Betreuer:in
Übergeordnetes Werk
Themenheft
DOI der Originalpublikation
Link
Zugehörige Forschungsdaten
Reihe / Serie
Reihennummer
Jahrgang / Band
Ausgabe / Nummer
Seiten / Dauer
Patentnummer
Verlag / Herausgebende Institution
Verlagsort / Veranstaltungsort
Bern
Auflage
Version
Programmiersprache
Abtretungsempfänger:in
Praxispartner:in/Auftraggeber:in
Zusammenfassung
Heat pumps are central to residential decarbonization, yet undetected operational faults can reduce system efficiency by up to 25%. Existing fault detection methods rely on extensive labeled data, detailed physical models, or specialist configuration — none of which are available immediately after commissioning. This article presents a lightweight, commissioning-friendly fault detection framework based on short-horizon time-series forecasting using a regularized ARX model. Trained on as few as three fault-free reference days, the framework evaluates daily deviations between predicted and measured flow temperature using three complementary residual metrics combined through a logical OR rule. Evaluated on 12 real-world residential heat pump datasets and one synthetic dataset across air-to-water, hybrid, and ground-source configurations, the framework achieved zero missed faults in eight of twelve systems with a mean false positive rate of 3.9 days per system.
Schlagwörter
Fachgebiet (DDC)
Veranstaltung
32. Tagung des Forschungsprogramms Wärmepumpen und Kältetechnik des Bundesamts für Energie BFE
Startdatum der Ausstellung
Enddatum der Ausstellung
Startdatum der Konferenz
24.06.2026
Enddatum der Konferenz
24.06.2026
Datum der letzten Prüfung
ISBN
ISSN
Sprache
Englisch
Während FHNW Zugehörigkeit erstellt
Ja
Zukunftsfelder FHNW
Zero Emission
Publikationsstatus
Veröffentlicht
Begutachtung
nicht peer-reviewed
Open Access-Status
Green
Lizenz
Zitation
Sawant, P., & von Bülow-Köster, N. (2026). Prototype of a commissioning-friendly fault detection tool for residential heat pumps using machine learning algorithms (Bundesamt für Energie BFE, Ed.). https://doi.org/10.26041/fhnw-17220