KI für Energieoptimierung im Gebäudebetrieb
Der Deep Dive erklärt vorausschauende Regelung im Gebäudebetrieb. Die Übersicht ergänzt Erfahrungen aus Feldversuchen und Kriterien zur Bewertung von Einsparangaben.
Deep Dive öffnenInnovation Scout · Quellenprofil
Heizung und Kühlung vorausschauend regeln: Wie sich Einsparungen beurteilen lassen
Vorausschauende und lernende Regelungen können Heiz- und Kühlkosten senken. Eine Auswertung von 104 Veröffentlichungen zeigt, wie Versuchsdauer, Vergleichsbetrieb und Einrichtungsaufwand die Bewertung der Einsparungen verändern.
Auf dieser Seite
Vorausschauend planen oder eine Regelstrategie lernen
Die modellprädiktive Regelung, kurz MPC, plant den Heiz- und Kühlbetrieb mithilfe eines Gebäudemodells und Prognosen, etwa zum Wetter. Sie setzt zunächst den nächsten Schritt um und passt die Planung mit neuen Messwerten an. Dafür kann ein physikalisches Gebäudemodell ausreichen; KI ist für MPC keine Voraussetzung. Beim Reinforcement Learning lernt ein System dagegen eine Regelstrategie aus den Folgen seiner Entscheidungen und vorgegebenen Zielen. Beide Ansätze können Wetter, Gebäudeverhalten und Energiepreise für die Regelung nutzen.
Arash J. Khabbazi und sein Forschungsteam werteten 104 wissenschaftliche Veröffentlichungen mit 206 Feldversuchen in Wohn- und Nichtwohngebäuden aus. Für die abschließende Auswertung wählten sie Tests aus, in denen auch der Betrieb mit einer herkömmlichen Regelung gemessen wurde. Weitere Voraussetzungen waren eine ausreichend große untersuchte Gebäudefläche und mindestens sieben Tage Laufzeit. Gegenüber dem herkömmlich geregelten Vergleichsbetrieb lagen die mittleren Kosteneinsparungen in dieser Auswahl bei 16 Prozent für Wohngebäude und 13 Prozent für Nichtwohngebäude. Länger laufende Versuche gingen stärker in diese Durchschnittswerte ein als kürzere.
Einsparungen und Aufwand gemeinsam bewerten
Wird ein einzelner Raum zeitweise weniger beheizt, kann Wärme aus einem Nachbarraum nachströmen. Der gemessene Verbrauch des geregelten Raums sinkt, während nebenan mehr geheizt werden muss. Wer nur den einen Raum betrachtet, überschätzt dann die Einsparung des Gebäudes. Auch sehr kurze Tests können von zuvor gespeicherter Wärme in Wänden und Decken profitieren. Die Forschenden empfehlen deshalb längere Versuche und einen Vergleich, der Wetterunterschiede und die bisherige Regelung berücksichtigt.
Für die Beurteilung eines Pilotprojekts zählt somit, welche Anlagen und Räume erfasst wurden, wie lange der Versuch lief und womit verglichen wurde. Zur Wirtschaftlichkeit gehören außerdem Sensoren, Datenanbindung, Modellanpassung und laufende Betreuung. Nur 13 der 104 Veröffentlichungen berichten über solche Kosten oder Umsetzungsschwierigkeiten. Eigentümer, Gebäudebetreiber und die Planung der technischen Gebäudeausrüstung müssen deshalb neben der Einsparzahl klären, wie sich die Regelung in die vorhandene Anlagentechnik einbinden lässt und welcher Aufwand im laufenden Betrieb entsteht.
Bibliografie
- Originaltitel
- Lessons learned from field demonstrations of model predictive control and reinforcement learning for residential and commercial HVAC: A review
- Autoren
- Arash J. Khabbazi, Elias N. Pergantis, Levi D. Reyes Premer, Panagiotis Papageorgiou, Alex H. Lee, James E. Braun, Gregor P. Henze und Kevin J. Kircher
- Verantwortliche Einrichtung
- Purdue University; University of Colorado Boulder; National Renewable Energy Laboratory; Trane Technologies
- Quellenart
- Wissenschaftliche Literaturauswertung / Preprint
- Veröffentlicht in/auf
- arXiv
- Veröffentlichungsdatum
- 19. Juli 2025
- Ausgewertete Fassung
- arXiv:2503.05022v6
- Originalzugang
- Volltext v6 (öffnet in neuem Tab) · PDF v6 (öffnet in neuem Tab) · arXiv-Eintrag v6 (öffnet in neuem Tab)
- Zugang
- frei lesbar
Weiterführendes in der Wissenswelt KI im Bau
Hier wird die Quelle verwendet
Deep Dives
Use Cases
Buchholz Galerie: Heizung und Lüftung nach Wetter und Bedarf regeln
Der Use Case beschreibt eine wetter- und bedarfsabhängige Regelung von Heizung und Lüftung. Die Übersicht erläutert, worauf bei der Bewertung solcher Betriebsergebnisse zu achten ist.
Use Case öffnenBelegstellen im Inhalt
Schulhaus Bach: bestehende Raumheizung vorausschauend regeln
Der Use Case behandelt die vorausschauende Regelung einer bestehenden Raumheizung. Die Übersicht hilft, Versuchsdauer, Vergleichsbetrieb und Einrichtungsaufwand einzuordnen.
Use Case öffnenBelegstellen im Inhalt
Origo und Origo One: Heizung, Kühlung und Lüftung mit KI optimieren
Der Use Case zeigt die Optimierung von Heizung, Kühlung und Lüftung. Die Übersicht erklärt, weshalb Einsparangaben zusammen mit der betrachteten Gebäudefläche und dem Betriebsaufwand zu lesen sind.
Use Case öffnenBelegstellen im Inhalt
Verknüpfte Fachbegriffe und Detailthemen
- Modellprädiktive Regelung (MPC)
- Die Regelung plant den Betrieb von Heizung und Kühlung mit einem Gebäudemodell und passt diese Planung laufend an neue Messwerte an.
- Reinforcement Learning
- Reinforcement Learning lernt eine Regelstrategie anhand der Folgen von Entscheidungen und vorgegebener Ziele.
- Bilanzgrenze (Energie)
- Ob nur ein Raum oder das gesamte Gebäude bilanziert wird, beeinflusst die Aussage über die erzielte Einsparung.
- Energetische Baseline
- Der gemessene Betrieb mit der bisherigen Regelung dient als Vergleich für die Bewertung der neuen Regelstrategie.