Künstliche Intelligenz in der Gebäudeautomation

Durch den Einsatz datenbasierter Modelle und maschineller Lernverfahren kann Kieback&Peter den Energieverbrauch von Gebäuden wesentlich reduzieren.

Wieder einmal stimulieren Trends in der Konsumtechnologie den kommerziellen Markt. Verfahren der Künst­lichen Intelligenz sind derzeit in den "Mainstream"-Medien sehr präsent und virtuelle Assistenten als Repräsentanten dieser Technologie werden von der Öffentlichkeit akzeptiert. Auch in Geschäftsgebäuden hat maschinelles Lernen großes Potential. Gebäude sind mit Mess-, Steuer- und Regelungstechnik ausgestattet. In den dort erzeugten Daten schlummern Potentiale, die nur automatisiert gehoben werden können. Aufbereitet mit maschinellen Lern- und datenbasierten Prognoseverfahren werden hohe Energieeinsparungen im Gebäude möglich.

Grundlage selbstlernender Systeme ist der "digitale Zwilling" – hier: der eines Gebäudes. Um diesen zu erstellen, werden Daten aus dem Gebäude über einen längeren Zeitraum aufgezeichnet oder historische Werte über die Gebäudeleittechnik bezogen.

Stehen historische Betriebsdaten zur Verfügung, werden diese im ersten Schritt aufbereitet. Dieser Schritt ist notwendig, da insbesondere in Bestandsgebäuden die Verortung der Datenpunkte im Gebäude, wie auch deren Wirkzusammenhang, meist nicht auf den ersten Blick zu erkennen sind. Building Information Modeling (BIM) und semantische Bezeichnungen der Datenpunkte werden hier perspektivisch Abhilfe schaffen und ein automatisches Mapping möglich machen. Bis es soweit ist, kommt die initiale Phase der Modellbildung nicht ohne menschliche Unterstützung aus. Man spricht hier vom überwachten Lernen.

Angereichertes (Gebäude-)Datenmodell

Im nächsten Schritt werden die Daten aus dem Gebäude um exogene Parameter ergänzt. Dazu zählen beispielsweise Wetterdaten und Besucherzahlen, denn diese haben einen starken Einfluss auf die thermischen Anforderungen eines Gebäudes. Alle Daten werden zeitlich synchronisiert.

Aus einer Vielzahl dieser zeitlich korrespondierenden Daten entsteht so ein virtuelles Anlagenmodell. Dieses verhält sich wie die physikalische Anlage im Gebäude und wird im Zeitverlauf kontinuierlich automatisiert nachtrainiert. Dieses Verfahren funktioniert für Ladengeschäfte genauso wie für große Geschäftsgebäude, Industriekomplexe oder Veranstaltungsräume.

Mit dem virtuellen Anlagenmodell kann zu jeder Zeit und unter verschiedenen Bedingungen das Verhalten des Gebäudes und dessen Bedarf an Heizung, Klimatisierung und Lüftung simuliert werden. Spielt man Wetterprognosedaten oder andere in die Zukunft gerichtete Informationen in dieses Modell ein, kann damit zum Beispiel der zukünftige Energiebedarf prognostiziert werden. Daraus werden Ableitungen für die Anlagentechnik gezogen und die entsprechenden Einstellungen in der Gebäudeautomation angepasst.

Die Optimierung kann dabei in verschiedene Richtungen erfolgen und ist abhängig vom angestrebten Ziel. In den meisten Projekten wird derzeit nach dem Energieverbrauch optimiert. Der Algorithmus verfolgt also das Ziel, den Einsatz der für Heizung, Klimatisierung und Lüftung benötigten Energie im Gebäude zu reduzieren, muss aber gleichzeitig sicherstellen, dass wesentliche Parameter im Gebäude nicht unter- oder überschritten werden.

Ob das Ziel erreicht wurde, erfährt der Algorithmus durch die kontinuierlichen Rückmeldungen aus dem Gebäude. Man spricht hier vom Verstärkungslernen, denn das kontinuierliche Feedback führt zu Anpassungen, die das Gesamtsystem immer weiter optimieren.

Vorausschauende Regelung der Technischen Gebäudeausrüstung

Zuletzt sind die CO!SUB(2)SUB!-Emissionen stärker in den Vordergrund geraten. Viele Organisationen verfolgen hier strikte Einsparziele und haben diese bereits in ihrer Strategie verankert. Die prädiktive Regelung leistet hier einen großen Beitrag. Die geringen Investitionskosten ermöglichen kurze Amortisationszeiträume.

Diese Prognosemodelle werden mehrmals stündlich neu berechnet und die neuen Werte an die Anlagentechnik übergeben. In die Prognose können auch weitere exogene Daten einbezogen werden. Abhängig vom Gebäudetyp bieten sich beispielsweise Fahrpläne, Belegungsdaten, Öffnungszeiten, Standortdaten, Energiepreise an. Diese vorausschauende Regelung der Anlagentechnik reduziert den Energieverbrauch im Schnitt um 20 bis 30 Prozent, in der Spitze sind bis zu 40 Prozent an dauerhaften Einsparungen möglich. Diese Erfahrungswerte stammen aus Kundenprojekten, die in unterschiedlichen Gebäudetypen durchgeführt werden.

Der Regelungsansatz von Kieback& Peter ist datenbasiert und vorausschauend und unterscheidet sich damit von Verfahren, die auf eine physikalische ­Modellierung aufbauen. Durch diesen Ansatz werden die Set-up- und Betriebskosten gesenkt. Können historische Daten aus der Anlagentechnik bereitgestellt werden, ist eine unmittelbare Simulation des Gebäudes und eine schnelle Wirk­betriebsaufnahme möglich. Die Modelle des Spezialisten für Raum- und Gebäudeautomation aus Berlin nutzen maschinelle Verfahren zum Erlernen des Gebäude- und Anlagenverhaltens, zur Simulation und für die Prognosen. Ändern sich Rahmenbedingungen, trainiert sich das selbstlernende Modell automatisiert nach.

Komplexität in den Griff bekommen

Robuste, schnell lernende Modelle sind der Schlüssel, um ein datenbasiertes Abbild von Gebäuden zu erstellen und zukünftige Nutzungsänderungen automatisiert zu erfassen. Die Komplexität wird von der Künstlichen Intelligenz gemanagt, viel effizienter und performanter als das ein Mensch jemals könnte. Verfahren der Künstlichen Intelligenz haben daher im Gebäudemanagement eine große Zukunft. Sie werden Routineprozesse im Gebäudebetrieb automatisieren und insbesondere dort unterstützen, wo große Datenmengen von Menschen nicht mehr ausgewertet werden können.