Energiewende erfordert tiefgreifende Veränderungen in allen Bereichen unseres Lebens – insbesondere im Gebäudesektor, der für etwa 35% des gesamten Energieverbrauchs in Deutschland verantwortlich ist [1]. Gemäß dem Umweltbundesamtes ist nach gegenwärtigem Stand eine Emissionslücke (bezeichnet die Differenz zwischen den tatsächlichen Treibhausgasemissionen und den Emissionen, die erforderlich wären, um die Klimaziele zu erreichen) von 32 Mio. Tonnen bis 2030 zu erwarten [2, Grafik: Projektionsdaten 2024: Gebäude] – es ist also weiterhin verstärkter Handlungsbedarf erforderlich [3].
Eine Schlüsselrolle spielen dabei Heizungsanlagen, die den größten Anteil am Energieverbrauch eines Gebäudes ausmachen. Das Potenzial für Effizienzsteigerungen in diesem Bereich ist enorm, bleibt aber oft ungenutzt. Hier setzt das innovative Projekt KI-NERGY an, das den Einsatz von Künstlicher Intelligenz (KI) im Heizungskeller erforscht und erfolgreich umsetzt.
Herausforderung: Ineffiziente Heizungsanlagen
Trotz moderner Technik arbeiten viele Heizungsanlagen suboptimal. Eine Studie des Bundesverbands der Deutschen Heizungsindustrie (BDH) zeigt, dass rund zwei Drittel der Heizsysteme in Deutschland ineffizient betrieben werden [4]. Dies liegt häufig an fehlerhaften Regelungsparametern, hydraulischen Ungleichgewichten oder veralteten Steuerungssystemen. Selbst neue Anlagen schöpfen ihr Potenzial nicht aus, da Wartung und Optimierung meist manuell und ohne systematische Analyse durchgeführt werden. Die Folgen sind erhöhte Energieverbräuche, höhere Kosten und vermeidbare CO₂-Emissionen.
Das KI-NERGY-Projekt: KI als Problemlöser
Das Forschungsprojekt KI-NERGY setzt genau hier an. Ziel war es, ein umfassendes, KI-gestütztes System zu entwickeln, das Heizungsanlagen kontinuierlich überwacht, ineffiziente Betriebsweisen erkennt und gezielte Handlungsempfehlungen ableitet und dadurch das Handwerk und die wenigen Heizungsexperten entlastet. Dabei wurden mehrere innovative Technologien kombiniert:
Datenplattform: Die Plattform sammelt Messdaten aus den Heizsystemen, wie Temperaturen, Volumenströme und Energieverbräuche. Diese Daten dienen als Grundlage für die Analysen.
KI gestütztes Analyseframework: Das KI-gestützte Multi-Agenten-System wertet die Messdaten aus und klassifiziert das Betriebsverhalten der Heizungsanlage. Dabei werden eine Vielzahl an ineffizienten Zuständen, wie zu hohe Rücklauftemperaturen oder ungenutzte Brennwertenergie bei Gas-Kesseln und auch fehlerhafte Heizkennlinien, erkannt.
Decision Support System (DSS): Basierend auf den Analysen generiert das wissensbasierte DSS konkrete Handlungsempfehlungen, wie die Anpassung der Heizkennlinie, die Optimierung des Pumpenbetriebs, Anpassung von Speicherladetemperaturen der Warmwasserbereitungen oder die Beseitigung von hydraulischen Ungleichgewichten. Diese Maßnahmen werden teilweise durch Simulationen geprüft, bevor sie umgesetzt werden.
Simulationssystem: In Zusammenarbeit mit der Universität Würzburg wurde ein System entwickelt, das die vorgeschlagenen Maßnahmen simulativ validiert. So konnte sichergestellt werden, dass die Maßnahmen tatsächlich zu Energieeinsparungen führen.
Praktische Umsetzung und Zusammenarbeit mit der Wohnungswirtschaft
Mehrere Wohnungsunternehmen stellten ihre Liegenschaften für das Projekt zur Verfügung, darunter die Würzburger Wohnungsgenossenschaft (WWG) und die Joseph-Stiftung. Die enge Zusammenarbeit ermöglichte eine praxisnahe Validierung der entwickelten Systeme. Herausforderungen wie Datenlücken, verzögerte Installationen und die Verfügbarkeit von Handwerkspersonal wurden im Projektverlauf adressiert. Eine wichtige Erkenntnis: Die frühzeitige Einbindung und Schulung von Technikern ist entscheidend, um die Handlungsempfehlungen erfolgreich umzusetzen.
KI als Heizungexperte: Von Messdaten zu Handlungsempfehlungen
Ein zentraler Bestandteil des KI-NERGY-Projekts ist die Zustandsklassifikation, die es ermöglicht, den Betriebsstatus von Heizungsanlagen präzise zu analysieren. Mit Hilfe des KI-gestützten Analyseframeworks werden aus den erhobenen Zeitreihen rund 260.000 Zustandsindikatoren abgeleitet. Die Analysen erkennen ineffiziente Betriebsweisen, wie zu hohe Rücklauftemperaturen, häufiges Takten des Kessels oder nicht genutzte Kondensationsenergie bei Gasbrennwertkesseln. Die Klassifikationen liefern dabei nicht nur Hinweise auf Fehlverhalten, sondern dienen auch als Grundlage für Erzeugung von Optimierungsvorschlägen und Handlungsempfehlungen durch das DSS. Insgesamt können über 80 unterschiedliche Zustände erkannt werden, die in 495 konkreten Handlungsempfehlungen münden, um den Energieverbrauch nachhaltig zu senken.
Ergebnisse: Einsparungen und Klimaschutz
Die Ergebnisse des Projekts sprechen für sich: Insgesamt wurde eine durchschnittliche Energieeinsparung von 23,74 % (entspricht rund 40 MWh) erzielt. Das entspricht einer Reduktion von CO₂-Emissionen von insgesamt 8,12 Tonnen in nur drei Monaten bei den optimierten Heizungsanlagen. Der Großteil der Einsparungen von rund 34 % wurden maßgeblich durch Optimierung der Heizkreise (HZG) erreicht. Durch die Einhaltung der Trinkwasserhygiene (TrinkWV) wurde ein leichter Anstieg von 5% des durchschnittlichen Energiebedarfs für die Warmwasserbereitung (WWB) verzeichnet. Die nachfolgende Grafik schlüsselt die erreichten Einsparungen nach optimierter Liegenschaft auf:
Diese Einsparungen tragen direkt zu den klimapolitischen Zielen Deutschlands bei. Der Gebäudesektor ist ein zentraler Hebel für die Erreichung der Klimaneutralität bis 2045. Projekte wie KI-NERGY zeigen, dass durch den Einsatz intelligenter Technologien erhebliche Fortschritte möglich sind.
Ausblick: Skalierung und Zukunftspotential
Die im Projekt entwickelten Systeme sind skalierbar und lassen sich auf größere Liegenschaften und komplexere Heizungsanlagen anwenden. Die Kombination aus KI, Simulation und datengetriebenen Empfehlungen hat das Potenzial, die Art und Weise, wie Heizungsanlagen betrieben werden, nachhaltig zu verändern. Neben der Reduktion von Kosten und Emissionen profitieren Wohnungsunternehmen von einer längeren Lebensdauer ihrer Anlagen und Handlungssicherheit bei Optimierungs- und Wartungsmaßnahmen.
Mit zunehmender Verbreitung dieser Technologien wird deutlich: KI ist ein Schlüssel, um den Gebäudesektor effizienter und nachhaltiger zu gestalten. Das Forschungsprojekt hat mit einer Einsparung von rund 24 % bewiesen, dass Innovation und Praxis Hand in Hand gehen können – ein wichtiger Schritt auf dem Weg zu einer klimafreundlichen Zukunft.
Lassen Sie uns gemeinsam Einsparpotentiale heben!
Die im Rahmen von KI-NERGY entwickelten Lösungen verdeutlichen, dass KI im Gebäudesektor zur Effizienzsteigerung beitragen kann. Dieses Potential besteht auch in anderen Branchen. Möchten Sie mehr darüber erfahren, wie KI auch in Ihrem Unternehmen Potentiale heben und Prozesse optimieren kann? Die RAUSCH Technology GmbH steht Ihnen als kompetenter Partner beratend zur Seite.
Kontaktieren Sie uns für eine Beratung unter:
📧 post@rausch.se
🌐 www.rausch.se
Gemeinsam schaffen wir innovative Lösungen für eine nachhaltige und effiziente Zukunft!
Ergänzung (17.02.2025)
Interesse an weiterführenden Informationen? Im Rahmen des Projekts entstanden zwei wissenschaftliche Veröffentlichungen (open access), welche einen tieferen Einblick in das KINERGY-Projekt geben:
- Betrachtung des Gesamtprojekts:
Djebko, K.; Weidner, D.; Waleska, M.; Krey, T.; Kamble, B.; Rausch, S.; Seipel, D.; Puppe, F. Design and Implementation of a Decision Integration System for Monitoring and Optimizing Heating Systems: Results and Lessons Learned. Energies 2024, 17, 6290. Design and Implementation of a Decision Integration System for Monitoring and Optimizing Heating Systems: Results and Lessons Learned - Fokus auf das Simulationssystem:
Djebko, K.; Weidner, D.; Waleska, M.; Krey, T.; Rausch, S.; Seipel, D.; Puppe, F. Integrated Simulation and Calibration Framework for Heating System Optimization. Sensors 2024, 24, 886. Integrated Simulation and Calibration Framework for Heating System Optimization
- Energieeffizienz, Forschungsprojekt, Heizung, Künstliche intelligenz, Nachhaltigkeit, Optimierung, Praxisbericht
