Innovation Scout · Quellenprofil
In einem Aachener Büro sollte ein Regler den Lüfterbetrieb mithilfe gelernter Temperatur- und Energieprognosen optimieren. Einfache Prüfaufgaben führten jedoch zu unerwarteten Lüftereinstellungen, obwohl die Temperaturprognosen gut zu den Messdaten passten.
Ein Fassadenlüftungsgerät führt Außenluft in einen Raum. Über wasserführende Wärmetauscher kann es diese Luft erwärmen oder kühlen. Seine Lüfterleistung beeinflusst deshalb die Luftmenge und zugleich die Heiz- oder Kühlleistung. Ein Team um Clara-Larissa Lorenz von der RWTH Aachen untersuchte in einem rund 18 Quadratmeter großen Büro, wie sich dieser Betrieb mit KI optimieren lässt. Zusätzlich wirkte ein zentrales System auf die Raumtemperatur ein, indem es die Betonbauteile des Gebäudes beheizte oder kühlte.
Neuronale Netze lernten aus Betriebs- und Wetterdaten, Raumtemperatur und Energiebedarf für die nächsten acht Stunden vorherzusagen. Ein Optimierungsprogramm verglich damit mögliche Lüftereinstellungen. Es sollte den Energieverbrauch senken und Temperatur- sowie Luftqualitätsgrenzen berücksichtigen. Dieser Ablauf heißt modellprädiktive Regelung, kurz MPC: Das Modell berechnet mögliche Entwicklungen, ausgeführt wird zunächst die nächste Einstellung. Mit neuen Messdaten wird die Planung stündlich wiederholt.
Die Daten stammten aus Januar bis September 2023. Im Test lagen die Temperaturprognosen durchschnittlich nur wenige Zehntelgrad von den Messungen entfernt. Im Regelungsbetrieb fielen jedoch Einstellungen auf, deren vorhergesagte Wirkung nicht zur erwarteten Funktion der Anlage passte.
Das Team stellte dem Regler daraufhin bewusst vereinfachte Aufgaben. In einem Kühlfall sollte er die Raumtemperatur möglichst weit absenken, ohne den Energieverbrauch zu berücksichtigen. Für diesen Test erwarteten die Forschenden eine durchgehend hohe Lüfterleistung. Das Programm wählte überwiegend eine sehr geringe Leistung, weil das gelernte Modell dafür niedrigere Raumtemperaturen vorhersagte.
Als mögliche Erklärung nennt das Team die begrenzte Vielfalt der Trainingsdaten. Der gewöhnliche Anlagenbetrieb zeigt nur einen Teil der Einstellungen, die ein Optimierer später berechnen kann. Zudem können die Daten einen irreführenden Zusammenhang nahelegen: Hohe Raumtemperaturen und hohe Kühlleistung treten im Sommer oft gleichzeitig auf. Fehlende Daten zur zusätzlich wirkenden Wärme- und Kälteversorgung erschwerten die Modellierung ebenfalls.
Bei der Inbetriebnahme eines KI-Reglers lässt sich deshalb gezielt prüfen, welche Temperaturänderung sein Modell etwa bei höherer oder niedrigerer Lüfterleistung erwartet. Fachleute können diese Reaktion mit der bekannten Funktion der Anlage vergleichen. Solche Aufgaben ergänzen den Vergleich mit vergangenen Messwerten: Sie prüfen, ob das Modell auch für die späteren Regelentscheidungen brauchbare Wirkungen vorhersagt.
