INNOVATION SCOUT · IMPULSPROFIL

Adaptive Gebäude- und Energieoptimierung

Lernende Modelle nutzen Betriebs-, Wetter- und Nutzungsdaten, um Heizung, Kühlung und Lüftung über geeignete Sollwerte oder Fahrpläne zu optimieren. Die Umsetzung reicht von menschlich bestätigten Einstellungen bis zur geschlossenen Regelung.

Um was geht es bei Adaptive Gebäude- und Energieoptimierung?

Adaptive Optimierung verändert den laufenden Anlagenbetrieb. Ein gelerntes Modell prognostiziert die Reaktion auf Stellgrößen, oder eine gelernte Strategie wählt die nächste Aktion. Die Betriebsführung muss diese Entscheidung in zulässige Eingriffe übersetzen und ihre Folgen messen. Forschungsversuche, regelmäßige Nutzung und nachgewiesene Wirtschaftlichkeit beantworten dabei unterschiedliche Fragen.

Quelle 6: Fully data-driven and modular building thermal control with physically consistent modeling, Fundstelle(n): Abschnitte 5–6 Quelle 8: HTTP API – Controls, Fundstelle(n): Setpoints und Controls Apps Quelle 10: Real I.S. Gruppe – Nachhaltigkeitsbericht 2025, Fundstelle(n): Gedruckte S. 34–35

Einordnung im Impulsradar

Lernende Betriebsoptimierung wird in abgegrenzten Anwendungen regelmäßig genutzt. Forschung untersucht datengetriebene modellprädiktive Regelung (MPC) und übertragbare Regler auf Basis von Reinforcement Learning (RL). Der Nutzen hängt von Anlagenzustand, Datenqualität, Vergleichsregelung und Komfortvorgaben ab. Energieverbrauch, Bezugskosten und Lastverschiebung sind getrennt zu messen; eine gute Prognose allein bestätigt keine erfolgreiche Regelung.

Quelle 5: Lessons Learned from a Field Study on Deep-Learning-Based Model Predictive Control for Optimising the Operation of Façade Ventilation Units, Fundstelle(n): Plausibility Checks und Conclusion Quelle 6: Fully data-driven and modular building thermal control with physically consistent modeling, Fundstelle(n): Abschnitt 6.5 Quelle 10: Real I.S. Gruppe – Nachhaltigkeitsbericht 2025, Fundstelle(n): Gedruckte S. 34–35: 24 Objekte Quelle 11: Shopping Centre “Origo” Significantly Improves Energy Efficiency and Reduces CO₂ Emissions with Artificial Intelligence Solutions, Fundstelle(n): Einsatz seit Mai 2022 und automatische Anpassungen

Von Betriebsdaten zur überprüfbaren Regelwirkung

Wetter, Raumbelegung und Anlagenzustand verändern den Heiz-, Kühl- und Lüftungsbedarf. Lernende Modelle können diese Einflüsse für eine vorausschauende Entscheidung verbinden. Entscheidend ist die gesamte Kette: Messwerte zuordnen, künftige Zustände abschätzen, zulässige Einstellungen wählen, ausführen und den neuen Zustand zurückmelden. Eine Empfehlung auf dem Dashboard endet vor dem tatsächlichen Stellzugriff.

Quelle 5: Lessons Learned from a Field Study on Deep-Learning-Based Model Predictive Control for Optimising the Operation of Façade Ventilation Units, Fundstelle(n): MPC Design Quelle 8: HTTP API – Controls, Fundstelle(n): Enabling write access

Model Predictive Control, kurz MPC, berechnet wiederholt einen Fahrplan über einen zukünftigen Horizont und setzt zunächst dessen ersten Schritt um. Das verwendete Modell kann physikalisch, gelernt oder hybrid sein. Reinforcement Learning lernt hingegen eine Entscheidungsstrategie aus Rückmeldungen. Beide Ansätze benötigen passende Ziele und Betriebsgrenzen; der mathematische Optimierer allein begründet noch keinen KI-Anteil.

Quelle 5: Lessons Learned from a Field Study on Deep-Learning-Based Model Predictive Control for Optimising the Operation of Façade Ventilation Units, Fundstelle(n): S. 2–3 Quelle 6: Fully data-driven and modular building thermal control with physically consistent modeling, Fundstelle(n): Abschnitte 5.2–5.3 Quelle 18: Commercial building HVAC demand flexibility with model predictive control: Field demonstration and literature insights, Fundstelle(n): Abschnitte 2.2 und 3

Konkrete Anwendung ist über einzelne Forschungsräume hinaus beschrieben: Der Anwender Real I.S. nennt 24 Objekte mit selbstlernender Optimierung; das Einkaufszentrum Origo in Riga berichtet fortlaufende automatische Eingriffe. Im Betrieb müssen die gewählten Einstellungen zur jeweiligen Anlage und Nutzung passen. Ob die Lernfunktion unter vergleichbaren Bedingungen Energie, Kosten oder Arbeitsaufwand einspart, verlangt einen gesonderten Vergleich.

Quelle 10: Real I.S. Gruppe – Nachhaltigkeitsbericht 2025, Fundstelle(n): Gedruckte S. 34–35 und 40–41 Quelle 11: Shopping Centre “Origo” Significantly Improves Energy Efficiency and Reduces CO₂ Emissions with Artificial Intelligence Solutions, Fundstelle(n): Betrieb 2025 Quelle 7: Lessons learned from field demonstrations of model predictive control and reinforcement learning for residential and commercial HVAC: A review, Fundstelle(n): Abschnitte 5–6

Betriebliche Einführung umfasst mehr als Modelltraining: Datenpunkte, Schreibrechte, Reglerprioritäten und Rückfallzustände müssen zur Anlage passen. Das Betriebsteam legt Komfort- und Nutzungsanforderungen fest und kann eingreifen. Die laufende Optimierung ergänzt Zustandsdiagnostik und Betriebsservices; Sanierungsplanung und Lebenszyklusbilanzierung bleiben eigene Aufgaben.

Quelle 8: HTTP API – Controls, Fundstelle(n): Enabling write access und FAQ Quelle 9: aedifion.controls framework, Fundstelle(n): Process und Safety features Quelle 5: Lessons Learned from a Field Study on Deep-Learning-Based Model Predictive Control for Optimising the Operation of Façade Ventilation Units, Fundstelle(n): Lessons Learned

Worauf es bei Adaptive Gebäude- und Energieoptimierung fachlich ankommt

Gelernte Heizregelung und begrenzter Transfer

Studien-/Praxisbefund

Montazeri und Kollegen trennen eine gelernte Temperaturstrategie von einem raumspezifischen Modell für die Ventilstellung. Ein physikalisch konsistentes neuronales Modell unterstützt das Training. Am Schweizer Versuchsstandort NEST/UMAR wurden die Regler im Januar und Februar 2024 in zwei Räumen derselben Versuchseinheit eingesetzt; die Arbeit erschien im April 2025. Der Feldteil vergleicht die modularen Regler miteinander, nicht dieselbe Feldsituation mit einer konventionellen Vergleichsregelung.

Quelle 6: Fully data-driven and modular building thermal control with physically consistent modeling, Fundstelle(n): Abschnitte 5, 6.1 und 6.5; Abbildungen 9–10

Fachliche Einordnung

Die Trennung von Strategie und Anlagenanpassung ist ein Ansatz, den Aufwand beim Übertragen zu begrenzen. Zwei Räume eines Standorts bestätigen jedoch keine Übertragbarkeit auf beliebige Gebäude. Größere Komfortabweichungen im Feld und Nutzereinflüsse zeigen, welche Bedingungen ein weiterer Einsatz prüfen muss.

Quelle 6: Fully data-driven and modular building thermal control with physically consistent modeling, Fundstelle(n): Abschnitt 6.5

Ein guter Prognosefehler reicht für Regelung nicht aus

Studien-/Praxisbefund

Eine Feldstudie der RWTH Aachen verbindet gelernte Temperatur- und Energieprognosen mit MPC für die Fassadenlüftung eines Aachener Büros. Trotz brauchbarer üblicher Prognosemetriken bestanden die Modelle Plausibilitätsprüfungen der Stellwirkung nicht. Die Autoren berichten außerdem vertauschte Sensorbezeichnungen und unzureichend erfasste Stellsequenzen.

Quelle 5: Lessons Learned from a Field Study on Deep-Learning-Based Model Predictive Control for Optimising the Operation of Façade Ventilation Units, Fundstelle(n): S. 5–8: Plausibility Checks, Lessons Learned und Conclusion

Fachliche Einordnung

Ein Optimierer prüft gerade Einstellungen, die im bisherigen Betrieb selten vorkamen. Die Datenabdeckung solcher Eingriffe und die physikalische Plausibilität müssen deshalb zusätzlich zur Prognosegüte beurteilt werden. Diese konkrete Prüfung ist Voraussetzung einer Reglerfreigabe; sie lässt sich nicht durch eine zufällige Aufteilung vieler Messzeilen ersetzen.

Quelle 5: Lessons Learned from a Field Study on Deep-Learning-Based Model Predictive Control for Optimising the Operation of Façade Ventilation Units, Fundstelle(n): S. 7–8: Solution Space Coverage und Conclusion

Optimierungsdienste im laufenden Gebäudebetrieb

Studien-/Praxisbefund

Real I.S. berichtet für 2025 selbstlernende Optimierung des Anbieters Recogizer in 24 Objekten. Origo nennt den Betrieb des Optimierungsdienstes R8 Digital Operator seit Mai 2022 und automatische Anpassungen der Gebäudetechnik im Jahr 2025. Dagegen beschreibt Recogizers Deka-Meldung vom Januar 2026 einen begonnenen Rollout in ausgewählten Immobilien. Die zusätzliche Anbieterangabe einer geregelten Gesamtfläche ist kein unabhängig nachgezählter Funktionsbestand.

Quelle 10: Real I.S. Gruppe – Nachhaltigkeitsbericht 2025, Fundstelle(n): Gedruckte S. 34–35 Quelle 11: Shopping Centre “Origo” Significantly Improves Energy Efficiency and Reduces CO₂ Emissions with Artificial Intelligence Solutions, Fundstelle(n): Absätze zu Einsatz seit Mai 2022 und Betrieb 2025 Quelle 12: Zusammenarbeit mit Deka Immobilien, Fundstelle(n): 20.01.2026, Rolloutabsatz Quelle 13: Five million square metres of real-world impact, Fundstelle(n): energyControl und five million square metres

Fachliche Einordnung

Die Dienste passen den Betrieb wiederholt an veränderte Bedingungen an. Für jedes Objekt muss nachvollziehbar sein, wann der Regler eingreift und welche Wirkung diese Eingriffe bei gegebener Nutzung und Witterung haben. Öffentlich fehlen dafür objektweise Reglerstunden, Eingriffsprotokolle und eine unabhängig bereinigte Wirkungsrechnung. Die beschriebenen Anwendungen sind deshalb Ausgangspunkte für eine eigene betriebliche Prüfung.

Quelle 10: Real I.S. Gruppe – Nachhaltigkeitsbericht 2025, Fundstelle(n): Gedruckte S. 34–35 und 40–41 Quelle 11: Shopping Centre “Origo” Significantly Improves Energy Efficiency and Reduces CO₂ Emissions with Artificial Intelligence Solutions, Fundstelle(n): Haupttext Quelle 12: Zusammenarbeit mit Deka Immobilien, Fundstelle(n): Rolloutabsatz

Verbrauch, Bezugskosten und Flexibilität getrennt bewerten

Studien-/Praxisbefund

Die Berkeley-Studie zu Gebäudeflexibilität nutzt datenparametrierte physikalische Modelle für vier Dachklimagerätezonen. Saisonale Testfenster werden zur Jahreswirkung hochgerechnet. Das Schweizer OPERA-Abstract beschreibt eine Heizsaison mit Wärmepumpen und Photovoltaik (PV) in einem Gebäude mit 20 Wohnungen; seine Wirkungsaussage betrifft Stromkosten. Der dortige Lernanteil bleibt im zugänglichen Abstract unklar.

Quelle 18: Commercial building HVAC demand flexibility with model predictive control: Field demonstration and literature insights, Fundstelle(n): Abschnitte 2.2, 3.1–3.4 und 4 Quelle 19: Field demonstration of a scalable predictive energy management approach for multi-family buildings with heat pumps and PV, Fundstelle(n): Proceedingsabstract

Fachliche Einordnung

Günstigere Bezugszeiten können Kosten senken, ohne im gleichen Verhältnis Energie zu sparen. Eine Bewertung muss deshalb kWh, Tarif, Leistungsspitzen und Komfort getrennt ausweisen; CO₂-Wirkung erfordert zusätzlich einen passenden Emissionsansatz. Die beiden MPC-Beispiele erläutern Regelung und Messung, belegen für sich aber keine neuronale oder RL-Optimierung.

Quelle 18: Commercial building HVAC demand flexibility with model predictive control: Field demonstration and literature insights, Fundstelle(n): Abschnitte 3–4 Quelle 19: Field demonstration of a scalable predictive energy management approach for multi-family buildings with heat pumps and PV, Fundstelle(n): Proceedingsabstract

Vergleichsregler und Systemgrenze

Studien-/Praxisbefund

Die Auswertung von Feldstudien von Khabbazi und Kollegen beschreibt Verzerrungen durch kleine kontrollierte Zonen, Wärmeflüsse aus Nachbarräumen und zu kurze Testperioden. Im belgischen Versuch von Ruddick und Kollegen lagen Regelsteuerung, Entscheidungsbaum und MPC kostenmäßig nahe zusammen, während der noch lernende RL-Regler teurer war. Dort wurden vier elektrische Hausnachbildungen mit PV, Batterie und emulierten Lasten verglichen, keine vier bewohnten Gebäude mit laufenden Heizungs-, Lüftungs- und Klimaanlagen.

Quelle 7: Lessons learned from field demonstrations of model predictive control and reinforcement learning for residential and commercial HVAC: A review, Fundstelle(n): Abschnitte 5.1–5.4 und 6.2 Quelle 15: Real-world validation of safe reinforcement learning, model predictive control and decision tree-based home energy management systems, Fundstelle(n): Abschnitte 3.1 und 4.1–4.2

Fachliche Einordnung

Eine belastbare Wirkungsmessung braucht eine geeignete bestehende Regelung, vergleichbare Wetter- und Nutzungsbedingungen sowie einen ausreichend langen Bilanzzeitraum. Vorherige Inbetriebnahmefehler und spätere Wiederaufladung thermischer Speicher dürfen den Lernalgorithmus nicht besser erscheinen lassen. Aus einem begrenzten Vergleich folgt keine allgemeine Rangfolge der Regler.

Quelle 7: Lessons learned from field demonstrations of model predictive control and reinforcement learning for residential and commercial HVAC: A review, Fundstelle(n): Abschnitte 5–6 Quelle 15: Real-world validation of safe reinforcement learning, model predictive control and decision tree-based home energy management systems, Fundstelle(n): Abschnitt 4 Quelle 18: Commercial building HVAC demand flexibility with model predictive control: Field demonstration and literature insights, Fundstelle(n): Messbaseline und saisonale Testfenster

Schreibfreigabe und Rückfall gehören zur Anwendung

Studien-/Praxisbefund

Die technische Dokumentation des Anbieters aedifion trennt Berechtigungen, schreibbare Datenpunkte und zulässige Sollwertbereiche. Für laufende Regelungsprogramme (Controls Apps) beschreibt sie Zeitüberschreitungen und lokal gespeicherte Rückfallwerte. Bei einzelnen Sollwertbefehlen gelten andere Regeln für die Dauer ihrer Gültigkeit. Das Framework ermöglicht zudem eine Vorabprüfung über virtuelle Datenpunkte ohne Eingriff in das Gebäude.

Quelle 8: HTTP API – Controls, Fundstelle(n): Enabling write access, Setpoints und FAQ Quelle 9: aedifion.controls framework, Fundstelle(n): Safety features und aedifion.controls library

Fachliche Einordnung

Vor Inbetriebnahme sind für die konkrete Anlage Priorität, Übersteuerung, Kommunikationsausfall und Wiederanlauf zu prüfen. Unterschiedliche Angaben zu Standardeinstellungen in den beiden Dokumenten unterstreichen, dass die tatsächliche Konfiguration zu klären ist.

Quelle 8: HTTP API – Controls, Fundstelle(n): FAQ Quelle 9: aedifion.controls framework, Fundstelle(n): Safety features

Luftqualität und Energie können konkurrieren

Studien-/Praxisbefund

Das Originalautorenabstract von Choi und Kollegen beschreibt eine Simulation, die gelernte Luftqualitätsprognosen mit einer Lüftungsstrategie für CO₂ und PM₂.₅ koppelt. Die gemeinsame Berücksichtigung beider Schadstoffe verbessert im beschriebenen Vergleich die Luftqualität, benötigt jedoch mehr Energie als einfachere Strategien. Eine Feldmessung wird damit nicht nachgewiesen.

Quelle 17: CO₂- and PM₂.₅-Focused Optimal Ventilation Strategy Based on Predictive Control, Fundstelle(n): Originalautorenabstract

Fachliche Einordnung

Komfort und Luftqualität müssen als eigenständige Anforderungen in Zielsetzung und Vergleich eingehen. Eine Energiekennzahl bestätigt weder die Einhaltung sämtlicher Nutzungsanforderungen noch Hygiene- oder Normkonformität. Die Wahl zwischen harten Beschränkungen und weichen Strafwerten ist Teil des Reglerentwurfs und seiner Prüfung.

Quelle 17: CO₂- and PM₂.₅-Focused Optimal Ventilation Strategy Based on Predictive Control, Fundstelle(n): Originalautorenabstract Quelle 5: Lessons Learned from a Field Study on Deep-Learning-Based Model Predictive Control for Optimising the Operation of Façade Ventilation Units, Fundstelle(n): MPC Design Quelle 8: HTTP API – Controls, Fundstelle(n): Sollwertgrenzen

Neue Benchmarks und saisonale Feldsignale

Studien-/Praxisbefund

Das Forschungsprojekt ADRENALIN dokumentiert 2026 einen Reglervergleich in der Simulationsumgebung BOPTEST. Eine koreanische aiBAC-Arbeit desselben Jahres berichtet einen hybrid vortrainierten RL-Regler im Sommerbetrieb eines Handelsgebäudes, mit 29 konventionellen und 21 autonomen Vergleichstagen.

Quelle 14: Smart building HVAC control challenge: experience and solutions from the ADRENALIN project, Fundstelle(n): Originalautorenabstract Quelle 16: Demonstration and Analysis of Reinforcement Learning-Based Building Autonomous Control for a Large Retail Facility in Cooling Season, Fundstelle(n): Originalabstract und Metadaten

Fachliche Einordnung

Der Benchmark ermöglicht den Vergleich von Reglern unter gemeinsamen Simulationsbedingungen. Der Sommervergleich im Handelsgebäude untersucht den Regler dagegen im saisonalen Kühlbetrieb. Für eine Jahresbewertung und die Übertragung auf DACH-Gebäude wären zusätzliche Betriebsperioden und passende Wetter-, Anlagen- und Nutzungsbedingungen zu prüfen. Die verfügbare Abstractbasis enthält keine vollständigen Protokolldetails dieser Erprobungen.

Betriebsdaten und Modelle für den Stellzugriff

Studien-/Praxisbefund

Die Digital-Twin-Arbeit von Elias und Issa beschreibt eine Energieprognose; ihre Fehlerkennzahl ist keine Energieeinsparung. Der BUILDSPACE-Periodenbericht erläutert digitale Zwillinge, Szenarien und Pilotvorbereitung bis Juli 2024. Der Berichtsstand beschreibt die Vorbereitung; eine ausgeführte lernende Regelung ist darin nicht dokumentiert. Der Smart-Building-Review liefert einen Literaturüberblick, keine zusätzliche eigene Feldmessung.

Quelle 4: AI-driven digital twins for predictive maintenance, Fundstelle(n): Results und Conclusion Quelle 2: Periodic Reporting for period 1 – BUILDSPACE (Enabling Innovative Space-driven Services for Energy Efficient Buildings and Climate Resilient Cities), Fundstelle(n): Berichtszeitraum und Work performed Quelle 1: Artificial intelligence for energy optimization in smart buildings: A systematic review and meta-analysis, Fundstelle(n): Review methodology und Generalizability limitations

Fachliche Einordnung

Betriebsdaten und Anlagenmodelle können eine Optimierung vorbereiten, müssen aber bis zu einer nachweisbaren Stellwirkung verfolgt werden. Die offizielle Data-Act-Übersicht gehört zum Kontext des Datenzugangs. Datenzugang allein begründet weder technische Regelbarkeit noch ein bestimmtes Stellrecht; beides muss für den tatsächlichen Betrieb geklärt werden.

Quelle 3: Data Act, Fundstelle(n): Right to access the data Quelle 8: HTTP API – Controls, Fundstelle(n): Enabling write access Quelle 4: AI-driven digital twins for predictive maintenance, Fundstelle(n): Conclusion

Lokale Kommunikation, Modellpflege und Nettowirkung

Studien-/Praxisbefund

Beim dokumentierten aedifion-Framework laufen Controls Apps in der Cloud; das Edge-Gerät überträgt Messungen und Befehle und übernimmt Rückfallfunktionen. Im Feldreview bleiben Implementierungs-, Betriebs- und Wartungskosten nur lückenhaft berichtet. Der Real-I.S.-Bericht nennt Anlernphase, Heizungsarbeiten und geänderte Verbrauchszuordnung als zusätzliche Einflüsse.

Quelle 9: aedifion.controls framework, Fundstelle(n): Introduction und Process Quelle 7: Lessons learned from field demonstrations of model predictive control and reinforcement learning for residential and commercial HVAC: A review, Fundstelle(n): Abschnitte 6.2–6.4 Quelle 10: Real I.S. Gruppe – Nachhaltigkeitsbericht 2025, Fundstelle(n): Gedruckte S. 40–41

Fachliche Einordnung

Cloud-Regelung und lokale Rückfallfunktionen übernehmen unterschiedliche Aufgaben im beschriebenen Betrieb. Für die wirtschaftliche Bewertung zählt die Wirkung nach Integration, Entgelten und laufender Pflege. Veränderte Nutzung, Sensorfehler und Modellanpassungen verlangen erneute Prüfung. Ohne vollständige Angaben zu diesen Aufwänden lässt sich die Amortisation des konkreten Einsatzes nicht belastbar berechnen.

Quelle 9: aedifion.controls framework, Fundstelle(n): Introduction Quelle 7: Lessons learned from field demonstrations of model predictive control and reinforcement learning for residential and commercial HVAC: A review, Fundstelle(n): Abschnitte 6.2–6.4 Quelle 5: Lessons Learned from a Field Study on Deep-Learning-Based Model Predictive Control for Optimising the Operation of Façade Ventilation Units, Fundstelle(n): Lessons Learned

Warum Adaptive Gebäude- und Energieoptimierung relevant ist

Reifegraderste Marktanwendung bis etablierte Anwendung

Konkrete kommerzielle Optimierungsdienste tragen die erste Marktanwendung. Für den oberen Bereich belegen der Real-I.S.-Mehrfachbestand und der langjährige Origo-Stellbetrieb berichtete regelmäßige Anwendung über Einzelfälle hinaus. Die Spanne gilt für diese abgegrenzten Dienste. Neuartige modulare RL-Verfahren bleiben in begrenzter Felderprobung; weder sämtliche Teilmethoden noch universelle autonome Gebäudeführung sind damit etabliert.

Quelle 10: Real I.S. Gruppe – Nachhaltigkeitsbericht 2025, Fundstelle(n): Gedruckte S. 34–35 Quelle 11: Shopping Centre “Origo” Significantly Improves Energy Efficiency and Reduces CO₂ Emissions with Artificial Intelligence Solutions, Fundstelle(n): Nutzung seit Mai 2022 und Betrieb 2025 Quelle 6: Fully data-driven and modular building thermal control with physically consistent modeling, Fundstelle(n): Abschnitt 6.5

Evidenzbelastbare Praxis- oder Forschungsbelege

Nachvollziehbare Originalarbeiten beschreiben gelernte Regelung, konkrete Feldbedingungen und überprüfbare Gegenbefunde. Das trägt belastbare Forschungsbefunde für begrenzte Aufgaben. Betreiberberichte ergänzen die Nutzungsperspektive. Zur Luftqualitätssimulation, zum ADRENALIN-Benchmark und zum aiBAC-Sommervergleich liegen als Grundlage Originalabstracts vor. Vollständige Protokolldetails des Benchmarks und Sommervergleichs stehen damit nicht für die Beurteilung zur Verfügung. Kleine Standorte, saisonale Versuche und unvollständige Kostenvergleiche begrenzen Übertragbarkeit und Wirtschaftlichkeitsaussagen. Eine allgemeine Nettojahreseinsparung ist nicht gesichert.

Quelle 5: Lessons Learned from a Field Study on Deep-Learning-Based Model Predictive Control for Optimising the Operation of Façade Ventilation Units, Fundstelle(n): Methoden und Conclusion Quelle 6: Fully data-driven and modular building thermal control with physically consistent modeling, Fundstelle(n): Abschnitt 6.5 Quelle 7: Lessons learned from field demonstrations of model predictive control and reinforcement learning for residential and commercial HVAC: A review, Fundstelle(n): Abschnitte 5–6 Quelle 17: CO₂- and PM₂.₅-Focused Optimal Ventilation Strategy Based on Predictive Control, Fundstelle(n): Originalautorenabstract Quelle 14: Smart building HVAC control challenge: experience and solutions from the ADRENALIN project, Fundstelle(n): Originalautorenabstract Quelle 16: Demonstration and Analysis of Reinforcement Learning-Based Building Autonomous Control for a Large Retail Facility in Cooling Season, Fundstelle(n): Originalabstract und Metadaten

EntwicklungsdynamikAktive Weiterentwicklung

Transfer, Modellplausibilität und vergleichbare Reglerprüfung werden aktiv weiterentwickelt.

Aktuelle Arbeiten behandeln mehrere offene Aufgaben: modularen Transfer, physikalisch konsistentes Lernen, Plausibilität von Stellwirkungen und standardisierte Reglervergleiche. Das begründet aktive Weiterentwicklung. Datierte Vergleichsanker für eine zunehmende Entwicklungsrate fehlen; ein besserer Einzelansatz oder neuer Benchmark genügt dafür nicht.

Quelle 6: Fully data-driven and modular building thermal control with physically consistent modeling, Fundstelle(n): Methodik und Feldteil Quelle 5: Lessons Learned from a Field Study on Deep-Learning-Based Model Predictive Control for Optimising the Operation of Façade Ventilation Units, Fundstelle(n): Conclusion Quelle 14: Smart building HVAC control challenge: experience and solutions from the ADRENALIN project, Fundstelle(n): Originalautorenabstract

MarktdynamikSelektive Ausweitung

Anwender berichten fortgesetzte und selektiv erweiterte Optimierung; weitere Einführungen laufen an.

Origo berichtet im Juli 2026 neben fortlaufendem Betrieb eine weitere Ausweitung. Real I.S. beschreibt einen Mehrfachbestand und die Fortführung des Rollouts. Deka ergänzt einen begonnenen Einführungsschritt. Diese Angaben tragen selektive Ausweitung; sie messen weder Marktanteile noch einen branchenweiten Zuwachs. Verträge und angekündigte Flächen bleiben von aktiv geregelten Anlagen getrennt.

Quelle 11: Shopping Centre “Origo” Significantly Improves Energy Efficiency and Reduces CO₂ Emissions with Artificial Intelligence Solutions, Fundstelle(n): 13.07.2026, Haupttext Quelle 10: Real I.S. Gruppe – Nachhaltigkeitsbericht 2025, Fundstelle(n): Gedruckte S. 34–35 und 40–41 Quelle 12: Zusammenarbeit mit Deka Immobilien, Fundstelle(n): 20.01.2026, begonnener Rollout

Für welche Bauprozesse Adaptive Gebäude- und Energieoptimierung relevant ist

Strategie & Projektentwicklung

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Betriebsdaten und Anlagenübersichten helfen, Gebäude für eine Optimierung auszuwählen und Energie-, Komfort- und Messziele festzulegen. Diese Grundlage der Betriebsstrategie bestimmt, welche Anlagen und Betriebsbedingungen der Optimierungsdienst berücksichtigen soll.

Quelle 5: Lessons Learned from a Field Study on Deep-Learning-Based Model Predictive Control for Optimising the Operation of Façade Ventilation Units, Fundstelle(n): Case Study und Conclusion Quelle 18: Commercial building HVAC demand flexibility with model predictive control: Field demonstration and literature insights, Fundstelle(n): Abschnitte 3.1–3.2

Planung & Design

Relevanz: 2 von 3 Punkten, Mittlere Relevanz

Modell- und Reglerbefunde fließen in die Planung der technischen Gebäudeausrüstung, regelungsfähige Anlagenkonzepte und Modernisierung zurück. Dazu gehören messbare Zustände, geeignete Stellgrößen und überprüfbare Betriebsgrenzen. Die Planung kann so klären, welche Mess- und Eingriffsmöglichkeiten für den späteren Betrieb erforderlich sind.

Quelle 5: Lessons Learned from a Field Study on Deep-Learning-Based Model Predictive Control for Optimising the Operation of Façade Ventilation Units, Fundstelle(n): Building Operation und Lessons Learned Quelle 18: Commercial building HVAC demand flexibility with model predictive control: Field demonstration and literature insights, Fundstelle(n): Abschnitte 3.1–3.2

Ausschreibung & Vergabe

Relevanz: 0 von 3 Punkten, Keine unmittelbare Relevanz

Daten-, Zugriffs- und Messanforderungen können Bestandteil der Beschaffung eines Optimierungsdienstes sein. Sie beschreiben Voraussetzungen für die spätere Regelung. Die lernende Funktion selbst verarbeitet Betriebsdaten und wählt Einstellungen der Anlage; sie übernimmt keine Auswahl zwischen Angeboten.

Quelle 12: Zusammenarbeit mit Deka Immobilien, Fundstelle(n): Ausschreibung und Rollout Quelle 8: HTTP API – Controls, Fundstelle(n): Enabling write access

Bauausführung & Baustellenmanagement

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Bei Inbetriebnahme und Übergabe sind Sensorzuordnung, Datenpunkte und Stellwege zu prüfen und zu dokumentieren. Diese Arbeiten ermöglichen den späteren lernenden Betrieb. Ein falsch zugeordneter Sensor oder ungeklärter Stellweg muss vor dem Regelbetrieb korrigiert werden.

Quelle 5: Lessons Learned from a Field Study on Deep-Learning-Based Model Predictive Control for Optimising the Operation of Façade Ventilation Units, Fundstelle(n): Lessons Learned Quelle 8: HTTP API – Controls, Fundstelle(n): Enabling write access

Betrieb & Instandhaltung

Relevanz: 3 von 3 Punkten, Hohe oder strategische Relevanz

Live-Daten führen zu zulässigen Sollwerten oder Fahrplänen, deren Umsetzung und gemessene Folgen in die nächste Entscheidung eingehen. Das ist die direkte Kernanwendung. Betriebsteams kontrollieren Wirkung und Komfort und bearbeiten Abweichungen; gesonderte Störungsdiagnose und Wartungspriorisierung schließen daran an.

Quelle 8: HTTP API – Controls, Fundstelle(n): Setpoints, Controls Apps und FAQ Quelle 11: Shopping Centre “Origo” Significantly Improves Energy Efficiency and Reduces CO₂ Emissions with Artificial Intelligence Solutions, Fundstelle(n): Automatische Anpassungen

Rückbau & Kreislaufwirtschaft

Relevanz: 1 von 3 Punkten, Indirekte Relevanz

Betriebs- und Belastungsverläufe können allenfalls als Eingang in eine gesonderte Weiterverwendungsprüfung dienen. Der Zusammenhang bleibt indirekt. Eine empirisch bestätigte Rückbau-, Reuse- oder Recyclingwirkung der lernenden Regelung ist bislang nicht dokumentiert.

Quelle 7: Lessons learned from field demonstrations of model predictive control and reinforcement learning for residential and commercial HVAC: A review, Fundstelle(n): Grenzen und Kostenauswertung Quelle 8: HTTP API – Controls, Fundstelle(n): Operativer Sollwertzugriff

Für wen Adaptive Gebäude- und Energieoptimierung relevant ist

Bauherren und Auftraggeber

Bauherren und Auftraggeber können Optimierungsleistungen anhand vergleichbarer Energie-, Komfort- und Kostenziele beurteilen. Sie bestimmen Messgrenze, Investitionsrahmen und vertragliche Eingriffsrechte. Damit können sie prüfen, ob die gemessene Betriebswirkung zu den vereinbarten Zielen und dem dafür erforderlichen Aufwand passt.

Quelle 10: Real I.S. Gruppe – Nachhaltigkeitsbericht 2025, Fundstelle(n): Gedruckte S. 34–35 und 40–41 Quelle 7: Lessons learned from field demonstrations of model predictive control and reinforcement learning for residential and commercial HVAC: A review, Fundstelle(n): Abschnitte 6.2–6.3

Betreiber, Facility- und Asset-Management

Betreiber sowie Facility- und Asset-Management können die laufende Sollwertsuche durch überprüfte Regelung unterstützen lassen. Sie erteilen Freigaben, ermöglichen Übersteuerung und reagieren auf Störungen. Wirkungsmessung, Nutzerabstimmung und Rückfallprüfung bleiben laufende Aufgaben.

Quelle 8: HTTP API – Controls, Fundstelle(n): Enabling write access und FAQ Quelle 7: Lessons learned from field demonstrations of model predictive control and reinforcement learning for residential and commercial HVAC: A review, Fundstelle(n): Abschnitte 6.2–6.3

Baustoff-, Produkt- und Maschinenhersteller

Hier sind besonders Hersteller der technischen Gebäudeausrüstung angesprochen. Dokumentierte Kennlinien, Stellgrenzen und Schnittstellen erleichtern die Einbindung ihrer Komponenten. Rückmeldungen aus dem Betrieb können die Auslegung unterstützen.

Technologieanbieter und Systemintegratoren

Technologieanbieter und Systemintegratoren verbinden Anlagenidentität, Messwerte, Modelle und Stellkommunikation. Sie prüfen Zuordnung und Prioritäten, betreuen Modelländerungen und testen den Rückfall. Wiederverwendbare Module können helfen; ein generischer Algorithmus beseitigt den objektspezifischen Inbetriebnahmeaufwand nicht.

Quelle 5: Lessons Learned from a Field Study on Deep-Learning-Based Model Predictive Control for Optimising the Operation of Façade Ventilation Units, Fundstelle(n): Lessons Learned Quelle 9: aedifion.controls framework, Fundstelle(n): Process und Controls library

Mit welchen Technologie- und Anwendungsfeldern Adaptive Gebäude- und Energieoptimierung verknüpft ist

Hauptbezug

Nachhaltigkeit & ESG

Primär ist das Anwendungsziel einer sparsameren, bedarfsgerechten Betriebsführung. Eine gemessene Energie- oder Kostenänderung muss zur definierten Anlage und Vergleichsperiode gehören. Emissionen sind zusätzlich zu bilanzieren; eine Reglerkennzahl ersetzt keine vollständige Lebenszyklus- oder ESG-Bewertung.

Verknüpftes Feld

Predictive Analytics & Entscheidungen

Gelernte Prognosen oder Entscheidungsstrategien verbinden den erwarteten Zustand mit einer zulässigen Betriebsentscheidung. Vorhersagefehler und erzielter Reglernutzen sind unterschiedliche Größen. Die Schnittstelle reicht deshalb bis zur Prüfung der tatsächlich ausgelösten Stellwirkung.

Quelle 5: Lessons Learned from a Field Study on Deep-Learning-Based Model Predictive Control for Optimising the Operation of Façade Ventilation Units, Fundstelle(n): MPC Design und Plausibility Checks Quelle 6: Fully data-driven and modular building thermal control with physically consistent modeling, Fundstelle(n): Methodik

Verknüpftes Feld

Datenplattformen & KI-Infrastruktur

Zeitreihen, semantische Anlagenzuordnung, Berechtigungen und dokumentierte Stellwege bilden die Betriebsgrundlage. Fehlende oder falsch bezeichnete Sensoren können die Entscheidung verfälschen. Daten- und Befehlswege müssen deshalb bis zur richtigen Anlage nachvollziehbar sein und vor dem Stellbetrieb geprüft werden.

Verknüpftes Feld

BIM & Digitaler Zwilling

Raum- und Anlagenmodelle geben Messungen und Simulationen den passenden Kontext. Ein digitaler Zwilling kann Prognose und virtuelle Erprobung unterstützen; ein BIM-Modell ist weder zwingende Voraussetzung noch ausreichender Nachweis der Regelbarkeit. Entscheidend ist die Verbindung des Modells mit realen Zuständen und zulässigen Eingriffen.

Quelle 4: AI-driven digital twins for predictive maintenance, Fundstelle(n): Digital Twin Framework und Conclusion Quelle 6: Fully data-driven and modular building thermal control with physically consistent modeling, Fundstelle(n): Methodik

Verknüpfte Fachbegriffe und Detailthemen

Gebäudeautomation: Die Gebäudeautomation setzt freigegebene Sollwerte und Fahrpläne für Heizung, Kühlung und Lüftung technisch um.
Gebäudemanagement- und Automationssysteme: Gebäudemanagement- und Automationssysteme verbinden Anlageninformationen mit den Eingriffsmöglichkeiten einer KI-gestützten Betriebsoptimierung.
Internet der Dinge: Vernetzte Anlagenpunkte stellen Betriebs- und Zustandsdaten bereit, auf denen die lernende Gebäudeoptimierung aufsetzt.
Modellprädiktive Regelung (MPC): Modellprädiktive Regelung nutzt erwartete Betriebsbedingungen, um kommende Stellentscheidungen unter Energie- und Komfortvorgaben zu planen.
Reinforcement Learning: Reinforcement Learning wird als Forschungsansatz für Regler untersucht, die geeignete Betriebsentscheidungen aus Rückmeldungen lernen.
Wetterprognose: Wetterprognosen helfen, den kommenden Heiz- und Kühlbedarf bei der Wahl von Sollwerten frühzeitig zu berücksichtigen.

Quellen und Evidenz zu Adaptive Gebäude- und Energieoptimierung

Die Quellenangaben dokumentieren die fachliche Grundlage des Impulsprofils. Öffnen Sie bei Bedarf die Verwendung im Profil, um zu den belegten Textstellen zurückzukehren.

Quelle 1
Artificial intelligence for energy optimization in smart buildings: A systematic review and meta-analysis
Herausgeber
L. U. G. Ekanayaka Gunasinghalge, A. Alazab, M. A. Talukder / Energy Informatics
Publiziert
05.11.2025
Quellentyp
Forschungsreview
Geltungsbereich
Literaturüberblick mit Suchende März 2024; keine eigene Feldmessung oder allgemeine Sparquote.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (1 Textstelle)
- Review methodology und Generalizability limitationsTextstelle 24
Quelle 2
Periodic Reporting for period 1 – BUILDSPACE (Enabling Innovative Space-driven Services for Energy Efficient Buildings and Climate Resilient Cities)
Herausgeber
Europäische Kommission / CORDIS, Projektkonsortium
Publiziert
undatiert
Quellentyp
Offizieller Projektbericht
Geltungsbereich
Periodenbericht bis 31.07.2024; digitale Zwillinge und Pilotvorbereitung, kein gesicherter abgeschlossener lernender Stellbetrieb.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (1 Textstelle)
- Berichtszeitraum und Work performedTextstelle 24
Quelle 3
Data Act
Herausgeber
Europäische Kommission, DG CONNECT
Publiziert
undatiert
Quellentyp
Behördliche Übersicht
Geltungsbereich
Kontext des Datenzugangs; keine Einzelfallprüfung von Stellrechten oder Optimierungswirkung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (1 Textstelle)
- Right to access the dataTextstelle 25
Quelle 4
AI-driven digital twins for predictive maintenance
Herausgeber
Chady Elias, Raja R. A. Issa / University of Florida, EC3 2025
Publiziert
Juli 2025
Quellentyp
Originalforschung
Geltungsbereich
Digital-Twin-Prototyp mit Energieprognose; keine kontrolliert gemessene Energieeinsparung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- Results und ConclusionTextstelle 24
- ConclusionTextstelle 25
- Digital Twin Framework und ConclusionTextstelle 45
Quelle 5
Lessons Learned from a Field Study on Deep-Learning-Based Model Predictive Control for Optimising the Operation of Façade Ventilation Units
Herausgeber
Clara-Larissa Lorenz, Oliver Abele, Jérôme Frisch, Christoph van Treeck / RWTH Aachen, IBPSA
Publiziert
August 2025
Quellentyp
Originalforschung
Geltungsbereich
Ein Aachener Büro; gelernte MPC und konkrete Plausibilitäts-/Sensorprobleme, kein allgemeiner Spareffekt.
Quellenprofil lesen
Verwendung im Profil (18 Textstellen)
- S. 2–3: DL Modeling und MPC DesignTextstelle 1
- Plausibility Checks und ConclusionTextstelle 3
- MPC DesignTextstelle 4 Textstelle 21
- S. 2–3Textstelle 5
- Lessons LearnedTextstelle 7 Textstelle 27 Textstelle 35 Textstelle 40 Textstelle 41 Textstelle 44
- S. 5–8: Plausibility Checks, Lessons Learned und ConclusionTextstelle 10
- S. 7–8: Solution Space Coverage und ConclusionTextstelle 11
- Methoden und ConclusionTextstelle 29
- ConclusionTextstelle 30
- Case Study und ConclusionTextstelle 32
- Building Operation und Lessons LearnedTextstelle 33
- MPC Design und Plausibility ChecksTextstelle 43
Quelle 6
Fully data-driven and modular building thermal control with physically consistent modeling
Herausgeber
Mina Montazeri, Carl Remlinger, Benjamin Bejar Haro, Philipp Heer / Empa, Swiss Data Science Center, Applied Energy
Publiziert
09.04.2025
Quellentyp
Originalforschung
Geltungsbereich
Modularer RL-Transfer mit Simulation und Feldvergleich in zwei Räumen eines Schweizer Standorts. Der Feldteil vergleicht modulare Regler untereinander.
Quellenprofil lesen
Verwendung im Profil (11 Textstellen)
- Abschnitte 5.2–5.3Textstelle 1 Textstelle 5
- Abschnitte 5–6Textstelle 2
- Abschnitt 6.5Textstelle 3 Textstelle 9 Textstelle 28 Textstelle 29
- Abschnitte 5, 6.1 und 6.5; Abbildungen 9–10Textstelle 8
- Methodik und FeldteilTextstelle 30
- MethodikTextstelle 43 Textstelle 45
Quelle 7
Lessons learned from field demonstrations of model predictive control and reinforcement learning for residential and commercial HVAC: A review
Herausgeber
Arash J. Khabbazi et al. / Purdue University, University of Colorado, NREL; Applied Energy
Publiziert
19.07.2025
Quellentyp
Forschungsreview
Geltungsbereich
Autorenfassung v6 vom 19.07.2025; Journal Dezember 2025. Auswertung von Feldprotokollen, keine neue eigene Feldmessung.
Quellenprofil lesen
Verwendung im Profil (9 Textstellen)
- Abschnitte 5–6Textstelle 6 Textstelle 17 Textstelle 29
- Abschnitte 5.1–5.4 und 6.2Textstelle 16
- Abschnitte 6.2–6.4Textstelle 26 Textstelle 27
- Grenzen und KostenauswertungTextstelle 37
- Abschnitte 6.2–6.3Textstelle 38 Textstelle 39
Quelle 8
HTTP API – Controls
Herausgeber
aedifion GmbH, technische Dokumentation
Publiziert
undatiert
Quellentyp
Technische Herstellerdokumentation
Geltungsbereich
Schreibrechte und Betriebsmechanismen, Seitenstand 11.08.2026; keine unabhängige Sicherheits- oder Wirkungsmessung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (15 Textstellen)
- Enabling write accessTextstelle 1 Textstelle 4 Textstelle 25 Textstelle 34 Textstelle 35 Textstelle 44
- Setpoints und Controls AppsTextstelle 2
- Enabling write access und FAQTextstelle 7 Textstelle 39
- Enabling write access, Setpoints und FAQTextstelle 18
- FAQTextstelle 19
- SollwertgrenzenTextstelle 21
- Setpoints, Controls Apps und FAQTextstelle 36
- Operativer SollwertzugriffTextstelle 37
- Datenpunkte und SollwertgrenzenTextstelle 40
Quelle 9
aedifion.controls framework
Herausgeber
aedifion GmbH, technische Dokumentation
Publiziert
undatiert
Quellentyp
Technische Herstellerdokumentation
Geltungsbereich
Cloud-Apps, Edge-Rückfall und virtuelle Prüfung; Dokumentationsstand 13.01.2026, kein Einführungsdatum.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (6 Textstellen)
- Process und Safety featuresTextstelle 7
- Safety features und aedifion.controls libraryTextstelle 18
- Safety featuresTextstelle 19
- Introduction und ProcessTextstelle 26
- IntroductionTextstelle 27
- Process und Controls libraryTextstelle 41
Quelle 10
Real I.S. Gruppe – Nachhaltigkeitsbericht 2025
Herausgeber
Real I.S. AG
Publiziert
30.05.2026
Quellentyp
Anwenderbericht
Geltungsbereich
Selbstbericht über 2025, online als Version 2 bezeichnet; keine unabhängige KI-Wirkungsprüfung. Im Bericht genanntes Veröffentlichungsdatum 30.05.2026.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (9 Textstellen)
- Gedruckte S. 34–35Textstelle 2 Textstelle 12 Textstelle 28
- Gedruckte S. 34–35: 24 ObjekteTextstelle 3
- Gedruckte S. 34–35 und 40–41Textstelle 6 Textstelle 13 Textstelle 31 Textstelle 38
- Gedruckte S. 40–41Textstelle 26
Quelle 11
Shopping Centre “Origo” Significantly Improves Energy Efficiency and Reduces CO₂ Emissions with Artificial Intelligence Solutions
Herausgeber
Origo / Linstow Baltic
Publiziert
13.07.2026
Quellentyp
Anwenderbericht
Geltungsbereich
Benannter Betreiber und fortlaufende automatische Eingriffe; kein öffentliches unabhängiges Mess-/Bereinigungsprotokoll.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (7 Textstellen)
- Einsatz seit Mai 2022 und automatische AnpassungenTextstelle 3
- Betrieb 2025Textstelle 6
- Absätze zu Einsatz seit Mai 2022 und Betrieb 2025Textstelle 12
- HaupttextTextstelle 13
- Nutzung seit Mai 2022 und Betrieb 2025Textstelle 28
- 13.07.2026, HaupttextTextstelle 31
- Automatische AnpassungenTextstelle 36
Quelle 12
Zusammenarbeit mit Deka Immobilien
Herausgeber
Recogizer
Publiziert
20.01.2026
Quellentyp
Anbietermeldung
Geltungsbereich
Deka-Vertrag und begonnener selektiver Rollout; kein abgeschlossener Funktionsbestand.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (4 Textstellen)
- 20.01.2026, RolloutabsatzTextstelle 12
- RolloutabsatzTextstelle 13
- 20.01.2026, begonnener RolloutTextstelle 31
- Ausschreibung und RolloutTextstelle 34
Quelle 13
Five million square metres of real-world impact
Herausgeber
Recogizer
Publiziert
27.05.2025
Quellentyp
Anbietermeldung
Geltungsbereich
Angabe zur aktiv geregelten Gesamtfläche; gleiche Anbieter-/Anwenderkette wie Deka und Real I.S., keine unabhängige Wirkungsreplikation.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (1 Textstelle)
- energyControl und five million square metresTextstelle 12
Quelle 14
Smart building HVAC control challenge: experience and solutions from the ADRENALIN project
Herausgeber
Harald Taxt Walnum et al. / SINTEF, internationale Partner; Journal of Building Performance Simulation, LBNL
Publiziert
30.04.2026
Quellentyp
Originalabstract
Geltungsbereich
Verfügbare Grundlage ist das Originalabstract zum BOPTEST-Reglerwettbewerb. Es betrifft Simulation; vollständige Protokolldetails stehen nicht zur Verfügung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (4 Textstellen)
- OriginalautorenabstractTextstelle 22 Textstelle 23 Textstelle 29 Textstelle 30
Quelle 15
Real-world validation of safe reinforcement learning, model predictive control and decision tree-based home energy management systems
Herausgeber
Julian Ruddick et al. / Vrije Universiteit Brussel und Partner; Energy and AI
Publiziert
25.11.2024
Quellentyp
Originalforschung
Geltungsbereich
Akzeptierte Autorenfassung v2; vier elektrische Hausnachbildungen, keine vier bewohnten HVAC-Gebäude.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (2 Textstellen)
- Abschnitte 3.1 und 4.1–4.2Textstelle 16
- Abschnitt 4Textstelle 17
Quelle 16
Demonstration and Analysis of Reinforcement Learning-Based Building Autonomous Control for a Large Retail Facility in Cooling Season
Herausgeber
Juno Lee, Jun-Sub Kim, Seong-Woo Park, Hyeun Jun Moon / Dankook University; Journal of the Korean Society of Living Environmental System
Publiziert
31.08.2026
Quellentyp
Originalabstract
Geltungsbereich
Verfügbare Grundlage ist das Originalabstract zum Sommervergleich im koreanischen Handelsgebäude. Vollständige Protokolldetails und eine allgemeine Jahreswirkung sind damit nicht belegt.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- Originalabstract und MetadatenTextstelle 22 Textstelle 29
- OriginalabstractTextstelle 23
Quelle 17
CO₂- and PM₂.₅-Focused Optimal Ventilation Strategy Based on Predictive Control
Herausgeber
Young Jae Choi et al. / Indoor Air, institutioneller Publikationsnachweis ORNL
Publiziert
2025
Quellentyp
Originalabstract
Geltungsbereich
Simulation der Lüftungsregelung für CO₂ und PM₂.₅; keine Feldvalidierung.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- OriginalautorenabstractTextstelle 20 Textstelle 21 Textstelle 29
Quelle 18
Commercial building HVAC demand flexibility with model predictive control: Field demonstration and literature insights
Herausgeber
Ettore Zanetti, David Blum, Hongxiang Fu, Chris Weyandt, Marco Pritoni, Mary Ann Piette / LBNL; Energy and Buildings
Publiziert
Oktober 2025
Quellentyp
Originalforschung
Geltungsbereich
Zugängliche Autorenfassung, Journal Oktober 2025; physikalische Modellidentifikation, saisonale Testfenster und extrapolierte Jahreswerte.
Quellenprofil lesen
Verwendung im Profil (7 Textstellen)
- Abschnitte 2.2 und 3Textstelle 5
- Abschnitte 2.2, 3.1–3.4 und 4Textstelle 14
- Abschnitte 3–4Textstelle 15 Textstelle 42
- Messbaseline und saisonale TestfensterTextstelle 17
- Abschnitte 3.1–3.2Textstelle 32 Textstelle 33
Quelle 19
Field demonstration of a scalable predictive energy management approach for multi-family buildings with heat pumps and PV
Herausgeber
Tomasz T. Gorecki, Yves Stauffer, Frédéric Bless, Stefan Bertsch / IEA Heat Pump Conference
Publiziert
26.05.2026
Quellentyp
Proceedingsabstract
Geltungsbereich
Verfügbare Grundlage ist das Proceedingsabstract zum Schweizer Wärmepumpen-/PV-Saisonvergleich. Die Wirkungsaussage betrifft Stromkosten; der Lernanteil bleibt unklar.
Externe Quelle öffnen (öffnet in neuem Tab)
Verwendung im Profil (3 Textstellen)
- ProceedingsabstractTextstelle 14 Textstelle 15 Textstelle 42

Alle Impulse im Radar entdecken

Adaptive Gebäude- und Energieoptimierung

Um was geht es bei Adaptive Gebäude- und Energieoptimierung?

Einordnung im Impulsradar

Von Betriebsdaten zur überprüfbaren Regelwirkung

Worauf es bei Adaptive Gebäude- und Energieoptimierung fachlich ankommt

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Studien-/Praxisbefund

Fachliche Einordnung

Warum Adaptive Gebäude- und Energieoptimierung relevant ist

Für welche Bauprozesse Adaptive Gebäude- und Energieoptimierung relevant ist

Strategie & Projektentwicklung

Planung & Design

Ausschreibung & Vergabe

Bauausführung & Baustellenmanagement

Betrieb & Instandhaltung

Rückbau & Kreislaufwirtschaft

Für wen Adaptive Gebäude- und Energieoptimierung relevant ist

Bauherren und Auftraggeber

Betreiber, Facility- und Asset-Management

Baustoff-, Produkt- und Maschinenhersteller

Technologieanbieter und Systemintegratoren

Mit welchen Technologie- und Anwendungsfeldern Adaptive Gebäude- und Energieoptimierung verknüpft ist

Nachhaltigkeit & ESG

Predictive Analytics & Entscheidungen

Datenplattformen & KI-Infrastruktur

BIM & Digitaler Zwilling

Verknüpfte Fachbegriffe und Detailthemen

Verwandte Innovationsimpulse zu Adaptive Gebäude- und Energieoptimierung

Quellen und Evidenz zu Adaptive Gebäude- und Energieoptimierung

Artificial intelligence for energy optimization in smart buildings: A systematic review and meta-analysis

Periodic Reporting for period 1 – BUILDSPACE (Enabling Innovative Space-driven Services for Energy Efficient Buildings and Climate Resilient Cities)

Data Act

AI-driven digital twins for predictive maintenance

Lessons Learned from a Field Study on Deep-Learning-Based Model Predictive Control for Optimising the Operation of Façade Ventilation Units

Fully data-driven and modular building thermal control with physically consistent modeling

Lessons learned from field demonstrations of model predictive control and reinforcement learning for residential and commercial HVAC: A review

HTTP API – Controls

aedifion.controls framework

Real I.S. Gruppe – Nachhaltigkeitsbericht 2025

Shopping Centre “Origo” Significantly Improves Energy Efficiency and Reduces CO₂ Emissions with Artificial Intelligence Solutions

Zusammenarbeit mit Deka Immobilien

Five million square metres of real-world impact

Smart building HVAC control challenge: experience and solutions from the ADRENALIN project

Real-world validation of safe reinforcement learning, model predictive control and decision tree-based home energy management systems

Demonstration and Analysis of Reinforcement Learning-Based Building Autonomous Control for a Large Retail Facility in Cooling Season

CO₂- and PM₂.₅-Focused Optimal Ventilation Strategy Based on Predictive Control

Commercial building HVAC demand flexibility with model predictive control: Field demonstration and literature insights

Field demonstration of a scalable predictive energy management approach for multi-family buildings with heat pumps and PV

Passende Deep Dives