KI für Energieoptimierung im Gebäudebetrieb: Heizung, Kühlung und Lüftung vorausschauend steuern

Konventionelle Gebäudeautomation bietet dafür bereits wichtige Grundlagen. Zeitprogramme, Heizkurven und lokale Temperaturregler übernehmen definierte Aufgaben. Ein lernendes Modell ergänzt diese Struktur, indem es aus Beobachtungen beispielsweise das Aufwärmverhalten einer Zone oder die Wirkung bestimmter Einstellungen erschließt. Fachlich interessant wird das, wenn mehrere Einflüsse zusammenkommen und die beste Einstellung vom jeweiligen Tag abhängt. Die vorhandene Automation bleibt dabei der Ort, an dem viele einzelne Anlagenfunktionen zuverlässig ausgeführt werden.

Für die Einführung ist die Eingriffstiefe entscheidend. Eine Auswertung kann zunächst ungewöhnliche Verläufe sichtbar machen. Eine Diagnose ordnet sie möglichen Ursachen zu; das Betriebsteam verändert daraufhin Einstellungen oder behebt einen Fehler. Ein aktiver Optimierer geht weiter und schreibt selbst laufend geeignete Sollwerte zurück. Diese Stufen können aufeinander aufbauen. So beschreibt die Referenz New Eastside in München korrigierte Betriebszeiten und einen Sensorersatz als Ergebnis von Analysen. Solche vorbereitenden Verbesserungen schaffen auch eine bessere Ausgangslage für spätere Regelaufgaben.

Vom Einblick zum Eingriff

• Beobachten: Verbräuche und Raumzustände im Verlauf verstehen.
• Verbessern: Auffälligkeiten untersuchen und passende Maßnahmen durch den Betrieb umsetzen.
• Vorausschauend regeln: Zulässige Einstellungen berechnen, an die Anlage übergeben und mit neuen Messwerten weiterführen.

Die gewünschte Wirkung muss zur gewählten Aufgabe passen. Ein geringerer Energieverbrauch, eine niedrigere Lastspitze und günstigere Bezugskosten sind unterschiedliche Ziele. Ein Gebäude kann beispielsweise Strom in eine preisgünstigere Zeit verschieben, ohne insgesamt weniger Kilowattstunden zu benötigen. Zugleich bleiben Temperatur, Luftqualität und die Anforderungen der Nutzung maßgeblich. Ein Büro, ein Geschäft und ein zeitweise belegter Unterrichtsraum benötigen jeweils eine passende Beschreibung ihres Betriebs.

Damit erhält die Managemententscheidung eine klare Form: Welcher Anlagenbereich soll welche Bedingungen mit welchem Aufwand bereitstellen? Aus dieser Frage ergeben sich die benötigten Messwerte, erlaubten Eingriffe und späteren Erfolgsgrößen. Der erste Schritt besteht folglich darin, die vorhandene Technik und ihre Daten so zu erschließen, dass die Regelung auf einen verständlichen Gebäudebetrieb aufsetzen kann.

Quellen: 1, 2, 3, 4.

Dieses Prinzip heißt modellprädiktive Regelung, kurz MPC. Aus der gewählten Stellfolge wird zunächst die nächste Aktion ausgeführt. Sobald neue Messwerte vorliegen, wird erneut gerechnet. Hat sich der Raum langsamer erwärmt als erwartet, passt die nächste Entscheidung dazu. Der vorausberechnete Horizont hilft beim Planen; die fortlaufende Rückmeldung hält die Führung mit dem tatsächlichen Gebäude verbunden.

Die Modelle können unterschiedlich aufgebaut sein. Physikalische und sogenannte Grey-Box-Modelle beschreiben etwa Wärmebilanzen und Gebäudeträgheit; ausgewählte Parameter werden aus Daten bestimmt. Gelernte Modelle erschließen Zusammenhänge stärker aus Beispielen. Hybride Ansätze verbinden beide Wege. Bei Reinforcement Learning wird eine Entscheidungsstrategie durch Training entwickelt. Der KI-Anteil kann damit im Vorhersagemodell oder in der Strategie liegen. MPC allein bezeichnet zunächst das vorausschauende Regelprinzip.

Unterschiedliche Wege zur Anlagenentscheidung – eigene Darstellung auf Grundlage von 1, 5, 6

Für einen aktiven Regler ist besonders wichtig, wie sein Modell auf eine veränderte Einstellung reagiert. Die Vergangenheit gut nachzubilden ist eine andere Aufgabe als die Folgen einer neuen Stellaktion richtig einzuschätzen. Die Feldarbeit der RWTH verdeutlicht diesen Unterschied. In einem Test sollte deshalb erkennbar werden, ob mehr oder weniger Heiz- beziehungsweise Kühlleistung unter den jeweiligen Bedingungen eine fachlich plausible Entwicklung auslöst.

Der Regelkreis im Gebäude

Messen → kommenden Bedarf abschätzen → zulässige Einstellungen vergleichen → nächste Aktion ausführen → Raum- und Anlagenreaktion erfassen → neu entscheiden

Zwischen Entscheidung und Wirkung liegt der konkrete Stellpfad. Berechtigungen, Wertebereiche und Prioritäten müssen zum lokalen System passen. Für laufende Controls Apps beschreibt aedifion beispielsweise hinterlegte Rückfallwerte bei unterbrochener Kommunikation. Ein einzelner API-Sollwert kann dagegen bis zu seiner Freigabe oder Überschreibung bestehen bleiben. Die Einführung muss deshalb das Verhalten des tatsächlich verwendeten Weges klären: lokale Übersteuerung, Ausfall und erneute Übernahme. Erst zusammen mit der Rückmeldung aus der Anlage entsteht ein vollständig organisierter Regelkreis.

Quellen: 1, 2, 5, 6, 7.

In der Buchholz Galerie beschreibt Real I.S. die Verbindung von digital verfügbaren Anlagendaten, Wetterbezug und vorausschauender Recogizer-Regelung. Verändert werden unter anderem Lüftungsleistung, Betriebszeiten und Heizkurve. Real I.S. berichtet rund 20 Prozent weniger Energieverbrauch bei gehaltenem Komfort. Der Fall veranschaulicht die abgestimmte Führung vorhandener zentraler Technik. Zum vollständigen Use Case.

Das Schulhaus Bach in Schaffhausen steht für den Einstieg über die Raumheizung. Der Anbieter viboo beschreibt smarte Thermostate und gelernte Raummodelle mit Wetter- und Zeitplanbezug. Für den Winter 2023/24 nennt sein Fallbericht 22 Prozent weniger Energieverbrauch bei gehaltenem Komfort. Der Pilot verbindet Nachrüstung mit zentraler Betreuung. Zum vollständigen Use Case.

Für Origo und Origo One in Riga berichtet der Betreiber über R8-Regelbetrieb seit Mai 2022. Die Optimierung verändert Heizung, Kühlung und Lüftung laufend. Für 2025 nennt Origo/Linstow mehr als 1.000 Megawattstunden weniger Energieeinsatz. Der Fall ergänzt die punktuelle Einführungsperspektive um Erfahrungen aus mehrjähriger Nutzung. Zum vollständigen Use Case.

Die Fälle lassen sich am besten über ihre Arbeitsweise vergleichen. Der erste Ansatz nutzt vorhandene zentrale Stellmöglichkeiten, der zweite erschließt den Raum durch Nachrüstung, der dritte zeigt die Optimierung als fortlaufenden Dienst. Für einen eigenen Bestand ergibt sich daraus eine konkrete Auswahlfrage: An welcher Stelle sind nutzbare Daten und wirksame Eingriffe bereits vorhanden, und wo müssen sie erst geschaffen werden?

Auch der praktische Erfolg sollte aus dem eigenen Ausgangszustand entwickelt werden. Ein Betreiber kann zunächst eine verlässliche Komfortführung erreichen wollen, ein anderer den unnötigen Betrieb in wenig genutzten Zeiten verringern. Die berichteten Fallzahlen geben Anregungen; der Vergleich für das eigene Objekt entsteht durch die dortige Messung und Betreuung. Auf diese Weise werden die Beispiele zu Vorbildern für einen Einführungsweg, den das Team nachvollziehen und an seine Gebäude anpassen kann.

Quellen: 12, 13, 14, 15.

Recogizer bietet mit energyControl eine vorausschauende Führung der Gebäudetechnik an; die Buchholz Galerie zeigt einen realen Einsatz. R8 Technologies verbindet seinen Digital Operator mit vorhandener Gebäudeautomation und unterscheidet die laufende Regelung von zusätzlichen Analyse- und Auditangeboten. Für beide Wege steht die Auswahl der zu betreuenden Anlagen und Stellaufgaben im Vordergrund.

aedifion verbindet Datenzugang, Analyse, Engineering und aktive Controls-Funktionen in einem modularen Angebot. Der vereinbarte Umfang entscheidet, welche Aufgaben automatisch laufen und welche Maßnahmen durch das Team umgesetzt werden. viboo erschließt vor allem die Raumheizung über Thermostate, thermische Modelle und eine zentrale Bedienoberfläche. Dadurch unterscheiden sich auch die nötigen Arbeiten am bestehenden Gebäude.

Siemens Building X Comfort AI beschreibt cloudbasierte Zonenoptimierung mit kompatiblen Gateways; Hardware und laufende Nutzung werden gesondert betrachtet. Enerbrain kombiniert Gebäudeaufnahme, Sensor- und Steuertechnik mit HVAC-Optimierung und Betreuung. Bei einem konkreten Angebot sollte deshalb sichtbar werden, welche vorhandene Infrastruktur genutzt und welche Technik zusätzlich benötigt wird.

Drei Fragen für den Angebotsvergleich

• Welche Betriebsentscheidung übernimmt die Lösung? Anlagen, Stellgrößen, Zeitverhalten und benötigte Nutzungsbedingungen konkret benennen.
• Was umfasst die Einführung? Datenzuordnung, erforderliche Technik, Integration, Test und begleitete Aktivierung gemeinsam betrachten.
• Wie wird der laufende Betrieb betreut? Zuständigkeiten, Änderungen, Wirkungsauswertung und Entgelte auf denselben Leistungsumfang beziehen.

Die Forschung arbeitet an mehreren Voraussetzungen dieser Betriebsleistung. Die RWTH Aachen untersucht an realer Fassadenlüftung, wie Prognosemodelle und ihre Reaktionen auf Stelländerungen zusammenpassen. Im NEST-Versuchsumfeld erproben Empa und das Swiss Data Science Center eine modulare Aufteilung: Eine gelernte Strategie bestimmt eine gewünschte Temperaturänderung, ein weiterer Modellschritt übersetzt sie in Ventilaktionen. Damit wird die Verbindung zwischen übertragbarer Entscheidung und örtlicher Anlage gezielt bearbeitet.

Das Lawrence Berkeley National Laboratory zeigt anhand eines Bürogebäudes, welche Modell- und Integrationsarbeit eine längerfristige MPC-Erprobung begleitet. Dieser physikalisch gestützte Ansatz ergänzt das Verständnis der vorausschauenden Regelung und ihrer betrieblichen Voraussetzungen. Die Verbindung mit lernenden Verfahren liegt vor allem in denselben praktischen Fragen: Daten richtig zuordnen, Anlagenwirkung verstehen und Änderungen aufnehmen.

Für künftige Entwicklungen sind deshalb besonders solche Ergebnisse interessant, die den Übergang zwischen Gebäuden oder Betriebsperioden erleichtern. Ein guter Regler soll auch nach einer Nutzungsänderung verständlich betreut werden können. Neue Feldberichte, klar beschriebene Integrationsleistungen und Erfahrungen aus Portfolios helfen Eigentümern, die nächste Ausbaustufe auf einer konkreten Grundlage zu entscheiden.

Quellen: 1, 2, 4, 5, 6, 11, 12, 14, 15, 16, 17, 18, 19, 20, 21.