Energie: Forschung

Selbstlernende Heizungssteuerung spart Energie

Selbstlernende Heizungssteuerung
Die Unit „Urban Mining and Recycling“ im Forschungsgebäude NEST verfügt über zwei Studentenzimmer. © Zooey Braun, Stuttgart / Empa. Architekten: Werner Sobek Group GmbH.

Experiment im Empa-Forschungsgebäude NEST zur intelligenten Kühl- und Heizungssteuerung

Können Gebäude von selbst sparen lernen? Forscher der Empa sind davon überzeugt. In einem Experiment fütterten sie eine neue selbstlernende Heizungssteuerung mit Daten aus dem vergangenen Jahr und mit der aktuellen Wettervorhersage. Daraufhin konnte die „smarte“ Steuerung das Verhalten des Gebäudes einschätzen und vorausschauend handeln. Ergebnis: mehr Komfort, weniger Energiekosten.

Fabrikhallen, Flughafenterminals oder Bürohochhäuser werden vielfach schon heute mit automatisierten „vorausschauenden“ Heizungen bestückt. Diese arbeiten mit speziell für das Gebäude berechneten, vorprogrammierten Szenarien und sparen den Betreibern eine Menge an Heizenergie. Doch für einzelne Wohnungen und Privathäuser ist eine solche Einzelprogrammierung zu teuer.

Einer Gruppe von Empa-Forschern gelang im letzten Sommer erstmals der Beweis, dass es auch einfacher geht: Die intelligente Kühl- und Heizungssteuerung muss nicht unbedingt programmiert werden, sie kann ebenso gut selbst aus den Daten vergangener Wochen und Monate sparen lernen. Programmierende Fachleute sind nicht mehr nötig. Mit diesem Kniff ist die Spartechnik bald auch für Familien und Singles verfügbar.

Das entscheidende Experiment fand im Empa-Forschungsgebäude NEST statt. Die Forschungsunit „UMAR“ (Urban Mining and Recycling) bietet dafür optimale Voraussetzungen: Eine grosse Wohnküche ist symmetrisch von zwei Studentenzimmern eingerahmt. Beide Zimmer sind je 18 Quadratmeter gross. Die gesamte Fensterfront schaut nach Ostsüdost – zur Vormittagssonne – hin. In der UMAR-Unit läuft Wasser durch eine Deckenverkleidung aus Edelstahl und sorgt für die gewünschte Raumtemperatur. Die Heiz- und Kühlleistung lässt sich für die einzelnen Räume über die jeweilige Ventilstellung berechnen.

Schlauer kühlen – dank Wetterbericht

Da Projektleiter Felix Bünning und sein Kollege Benjamin Huber nicht auf die Heizperiode warten wollten, starteten sie bereits im Juni 2019 ein Kühl-Experiment. Die Woche vom 20. bis 26. Juni begann mit zwei sonnigen, aber noch relativ kühlen Tagen, dann kam ein bewölkter Tag, zum Schluss brannte die Sonne über Dübendorf und jagte die Aussentemperatur bis knapp an die 40-Grad-Grenze. In den beiden Schlafzimmern sollte die Temperatur tagsüber die Marke von 25 Grad, nachts die Marke von 23 Grad nicht überschreiten. Ein herkömmliches Thermostatventil besorgte die Kühlung in einem Zimmer. Im anderen Zimmer arbeitete die experimentelle Steuerung, die Bünning und Huber mit ihrem Team entworfen hatten. Die künstliche Intelligenz war mit Daten der letzten zehn Monate gefüttert worden – und sie kannte die aktuelle Wettervorhersage von MeteoSchweiz.

Mehr Komfort mit ¼ weniger Energie

Das Ergebnis fiel überaus deutlich aus: Die intelligente Kühl- und Heizungssteuerung hielt sich deutlich genauer an die Komfortvorgaben und brauchte hierfür rund 25 Prozent weniger Energie. Dies lag vor allem daran, dass am Vormittag, wenn die Sonne in die Fenster schien, vorausschauend gekühlt wurde. Das mechanische Thermostat im Zimmer gegenüber reagierte hingegen erst dann, wenn die Temperatur durch die Decke ging. Zu spät, zu hektisch und mit voller Leistung. Im November 2019, in einem kühlen Monat mit wenig Sonne, viel Regen und Wind, wiederholten Bünning und Huber das Experiment. Nun ging es um die Heizenergie in den beiden Zimmern. Bünning ist sicher, dass seine vorhersagende Heizungsregelung auch hier Punkte sammelt.

Er und sein Team haben bereits den nächsten Schritt vorbereitet: „Um das System im realen Umfeld zu testen, haben wir einen grösseren Feldversuch in einem Mehrfamilienhaus mit 60 Wohnungen geplant. Wir werden vier dieser Wohnungen mit unserer intelligenten Kühl- und Heizungssteuerung ausrüsten.“ Auf die Ergebnisse ist Bünning schon sehr gespannt. „Ich glaube, dass neue, auf Machine Learning basierende Regler eine riesige Chance sind. Mit dieser Methode können wir mit relativ einfachen Mitteln und den gesammelten Daten eine gute, energiesparende Nachrüstungslösung für bestehende Heizungen konstruieren.“

Weitere Informationen:
EMPA


Originalpublikation:
F Bünning, B Huber, P Heer, A Aboudonia, J Lygeros, Experimental demonstration of data predictive control for energy optimization and thermal comfort in buildings, Energy and Buildings, doi: 10.1016/j.enbuild.2020.109792