SI/502672

Schlussbericht

Dieses Forschungsprojekt konzentriert sich auf die Optimierung von Heizsystemen in Gebäuden, mit dem Ziel, den Energieverbrauch und die CO2-Emissionen zu reduzieren, die wesentlich durch den Heizbedarf beeinflusst werden. In der Schweiz sind Gebäude für einen grossen Anteil des nationalen Energieverbrauchs und der Emissionen verantwortlich, wobei das Heizen den grössten Teil ausmacht. Herkömmliche Heizsysteme basieren auf statischen Heizkurven, die bei der Inbetriebnahme festgelegt werden. Diese werden im Laufe der Zeit oft obsolet und führen zu Ineffizienzen. Das vorliegende Projekt stellt einen adaptiven Ansatz vor, der die Heizkurve kontinuierlich anpasst, um den Energieverbrauch zu optimieren und gleichzeitig den thermischen Komfort sicherzustellen. Das Hauptziel dieses Ansatzes besteht darin, die Heizkurve autonom auf Basis weniger Eingangsdaten – wie Raumtemperatur, Aussentemperatur und Heizenergie – anzupassen. Dadurch soll der Energieverbrauch und die Abweichung vom Komfortniveau mithilfe eines Optimierungsalgorithmus minimiert werden. Die Methode beruht auf der Optimierung der Heizkurvenparameter zur Minimierung einer Zielfunktion, die Energieverbrauch und Komfortabweichungen kombiniert. Hierfür werden surrogatbasierte Modelle mittels Gaussian Process Regression eingesetzt, welche über kontextuelle Bayes’sche Optimierung die optimalen Heizkurvenparameter im Zeitverlauf bestimmen. Zur Validierung der Wirksamkeit des Systems wurden Simulationen des Heizsystems auf Basis detaillierter EnergyPlus-Modelle für Gebäude wie Bülsweg – ein Mehrfamilienhaus – und NEST Sprint – ein Bürogebäude – durchgeführt. Diese Simulationen nutzen reale Daten, darunter Messungen von Wärmezählern und Sensoren, um den Heizenergieverbrauch und den Komfort zu bewerten. Die Methode umfasst zudem die Prognose der durchschnittlichen Aussentemperatur für die nächsten 24 Stunden, die Nutzung dieser Schätzung zur Vorhersage der optimalen Vorlauftemperatur sowie die kontinuierliche Aktualisierung des Modells nach jedem Zyklus, um die Systemleistung schrittweise zu verbessern. Feldtests des Algorithmus werden in Zusammenarbeit mit Lippuner AG in Bülsweg und NEST Sprint durchgeführt. Diese Praxistests bewerten den Einfluss des Algorithmus auf den Energieverbrauch, wobei Vergleiche anhand linearer Regression, Normalisierung über Heizgradtage und maschinelles Lernen gezogen werden. Zwei digitale Zwillinge dienen der Validierung – einer mit und einer ohne Algorithmus – um die Effekte der Optimierung robust zu quantifizieren. Der adaptive Heizansatz erzielte Energieeinsparungen von etwa 4 – 6 % gegenüber der statischen Referenz, bei nahezu unverändertem Komfortniveau (Comfort Score: 0.24 . 0.23). Von den vier Bewertungsmethoden – Lineare Regression, Heizgradtage-Normalisierung, Machine-Learning-Vorhersage und Digital Twin Analyse – erwies sich der HDD-basierte Ansatz als am zuverlässigsten, da er Wettereinflüsse berücksichtigt und eine robuste Modellgüte aufweist. Obwohl der Digitale Zwilling diese Effizienzgewinne aufgrund begrenzter Extrapolation (30 – 45 °C) nicht reproduzieren konnte, bestätigten reale Felddaten messbare Verbesserungen. Weitere Analysen deuten darauf hin, dass eine Erweiterung des Optimierungsbereichs bis 20 °C zusätzliches Einsparpotenzial freisetzen könnte. Das Bayes’sche Optimierungsmodell zeigte eine stabile Konvergenz nach 30 – 40 Iterationen, jedoch auch eine asymmetrische Sensitivität: robust gegenüber positiven, aber anfällig gegenüber negativen Ausreissern. Dies unterstreicht die Notwendigkeit einer verbesserten Rauschbehandlung und Regularisierung in zukünftigen Versionen. Die nächste Entwicklungsphase konzentriert sich auf die Skalierung und Verfeinerung des adaptiven Heizrahmens, um eine autonome, datengetriebene Optimierung über mehrere Gebäude hinweg zu ermöglichen. Ziel ist die Automatisierung der Datenverarbeitung und des Modell-Updates, die Erhöhung der Robustheit gegenüber Sensorausfällen und Ausreissern sowie die Erweiterung des Optimierungsbereichs, um das volle Energieeinsparpotenzial des Systems zu erschliessen. Weitere Feldversuche – insbesondere in Einfamilienhäusern mit Wärmepumpen – werden die Übertragbarkeit und Zuverlässigkeit der Methode unter unterschiedlichen Betriebsbedingungen bewerten. Darüber hinaus soll die Integration zusätzlicher kontextueller Faktoren wie Wind, solare Einstrahlung und Belegungsdynamik direkt in das Lernmodell die Vorhersagegenauigkeit und den Komfort weiter verbessern. Diese Weiterentwicklungen stärken den adaptiven Heizansatz als skalierbare und robuste Alternative zu statischen Regelstrategien und fördern den Übergang zu einer intelligenten, energieeffizienten Gebäudebewirtschaftung.