© snowing12 – stock.adobe.com
Effizientes Gestalten von Energiesystemen
KI beschleunigt die Planung von Gebäudeenergiesystemen
Die Konzeption von Energieversorgungssystemen für Gebäude ist komplex und häufig mit hohem Rechenaufwand verbunden. Im Forschungsprojekt SmartPrior haben Fachleute KI-basierte Verfahren entwickelt, die diesen Prozess deutlich beschleunigen und gleichzeitig fundierte Entscheidungsgrundlagen liefern.
Im Zentrum steht der Einsatz von Machine Learning, um unterschiedliche Systemkonfigurationen – etwa Kombinationen aus Photovoltaik, Wärmepumpe und Speicher – schnell zu bewerten. Auf Basis vortrainierter Modelle lassen sich Ergebnisse in Sekunden bis Minuten berechnen, während konventionelle Simulationen bislang oft mehrere Stunden oder Tage in Anspruch nehmen.
Schnelle Bewertung komplexer Energiesysteme
Kern der Entwicklung sind sogenannte Prior-Modelle, die mit umfangreichen Simulationsdaten trainiert wurden. Sie ermöglichen es, neue Systemvarianten mit hoher Geschwindigkeit und ausreichender Genauigkeit zu bewerten.
In einer Evaluation reduzierte sich die Rechenzeit für 40 Modellierungsdurchgänge von rund 1.120 Sekunden auf etwa 5 Sekunden (−99,6 %). Während klassische Simulationen bislang mehrere Stunden oder Tage benötigen, stehen Ergebnisse nun in Sekunden bis Minuten zur Verfügung.
Dabei können verschiedene Zielgrößen gleichzeitig berücksichtigt werden, etwa wirtschaftliche und ökologische Kriterien. Planerinnen und Planer erhalten so die Möglichkeit, unterschiedliche Varianten effizient zu vergleichen und fundierte Entscheidungen bereits in frühen Planungsphasen zu treffen.
Im Rahmen eines Projektbesuchs informierte sich auch NRW-Wirtschaftsministerin Mona Neubaur über die Ergebnisse.
Das SmartPrior-Projektteam mit Ministerin Mona Neubaur.
Vorstellung von SmartPrior beim Projektpartner Hottgenroth Software AG in Köln.
Von der Simulation zum datengetriebenen Modell
Der methodische Ansatz trennt die rechenintensive Simulation von der späteren Anwendung: Auf Basis umfangreicher Simulationsdaten werden Machine-Learning-Modelle trainiert, die den Zusammenhang zwischen Systemauslegung und relevanten Zielgrößen abbilden und neue Varianten ohne erneute Simulation bewerten können.
Damit verschiebt sich der Fokus von der klassischen Einzelsimulation hin zu datengetriebenen Verfahren. Dies eröffnet neue Möglichkeiten für die Digitalisierung der Gebäudeplanung und erleichtert die Entwicklung effizienter und klimaneutraler Energiesysteme.
Von der Forschung in die Anwendung
Das Projekt „EnOB: SmartPrior“ haben die Hochschule Düsseldorf, das Zentrum für innovative Energiesysteme (ZIES) und die Hottgenroth Software AG umgesetzt. Die Förderung erfolgte durch das Bundesministerium für Wirtschaft und Energie, betreut durch den Projektträger Jülich.
Die entwickelten Methoden sind auf eine Integration in bestehende Planungstools ausgelegt. Eine Überführung in kommerzielle Softwarelösungen ist vorgesehen, sodass die Ansätze künftig auch außerhalb der Forschung in der Praxis eingesetzt werden können.
