Datenbasierte Modellierung von Gebäudeenergiesystemen mittels Transfer Learning

Hintergrund des Projekts

Die sensordatenbasierte Gebäudemodellierung bildet eine zentrale Grundlage für die weitgehende Automatisierung moderner Anwendungen in Gebäude-Energiesystemen, wie beispielsweise fortschrittliche Regelungsverfahren (z. B. Model Predictive Control oder Reinforcement Learning) sowie Lastprognosen.

In der praktischen Anwendung datenbasierter Modelle bestehen jedoch wesentliche Herausforderungen. Dazu zählen insbesondere die geringe Dateneffizienz vieler datengetriebener Methoden, der damit verbundene lange Zeitraum zur Sammlung ausreichender Messdaten im realen Gebäude sowie die eingeschränkte Wiederverwendbarkeit der Modelle für unterschiedliche Gebäudetypen. Um diese Hürden zu überwinden, werden datengetriebene Methoden entwickelt, die mit möglichst wenigen realen Messdaten auskommen und gleichzeitig übertragbare Modelle ermöglichen.

Ein vielversprechender Ansatz hierfür ist der Einsatz von Transfer-Learning-Methoden, insbesondere der Pretraining- und Finetuning-Strategie, bei der Modelle zunächst auf umfangreichen simulierten Gebäudedaten vortrainiert und anschließend mit wenigen realen Messdaten an konkrete Gebäude angepasst werden.

Projektziel

Ziel des Projekts ist der Nachweis der Machbarkeit (Proof-of-Concept) für das Pretraining wieder verwendbarer Transfer-Learning-Modelle auf Basis großer Mengen simulierter Gebäudedaten. Dabei soll untersucht werden, in welchem Maß sich die Dateneffizienz gegenüber rein datengetriebenen Ansätzen verbessern lässt und wie stark der Bedarf an realen Messdaten reduziert werden kann.

Darüber hinaus wird analysiert, in welchem Umfang die vortrainierten Modelle auf unterschiedliche Gebäude übertragbar sind. Als Beitrag zur Energiewende werden die entwickelten methodischen Ansätze anhand eines Wohngebäudes mit Wärmepumpe, Solarthermie und thermischem Speicher sowohl mit simulierten als auch mit realen Daten evaluiert.

Projektablauf

Im Projekt werden zunächst umfangreiche synthetische Datensätze mithilfe von Gebäudesimulationen erzeugt, die verschiedene Gebäudekonfigurationen, Nutzungsprofile, Standorte und Energiesysteme abbilden. Auf Basis dieser simulierten Daten werden datengetriebene Modelle im Rahmen eines Pretraining-Schritts trainiert, um allgemeine Zusammenhänge des thermischen Gebäudeenergiesystems zu erlernen. Anschließend erfolgt ein Finetuning dieser vortrainierten Modelle mit einer begrenzten Menge realer Messdaten eines konkreten Referenzgebäudes. Die Leistungsfähigkeit der Transfer-Learning-Ansätze wird hinsichtlich Dateneffizienz und Prognosegüte bewertet.

Darüber hinaus wird untersucht, in welchem Maß die vortrainierten Modelle auf weitere Gebäude übertragbar sind. Die Evaluierung erfolgt sowohl in Simulation als auch anhand realer Messdaten eines Wohngebäudes mit Wärmepumpe, Solarthermieanlage, und thermischem Speicher.

Innovation

Die Innovation des Projekts liegt in der Kombination von Transfer Learning mit großskaligem Pretraining auf synthetischen Gebäudedaten zur Entwicklung wiederverwendbarer Modelle für Gebäudeenergiesysteme. Dadurch wird der Bedarf an aufwendig zu erfassenden realen Messdaten erheblich reduziert, was die praktische Einführung datengetriebener Methoden in Gebäuden deutlich beschleunigt. Gleichzeitig ermöglicht der Ansatz die Übertragbarkeit von Modellen zwischen verschiedenen Gebäuden, wodurch Skaleneffekte entstehen und Entwicklungsaufwände sinken.

Bei erfolgreichem Projektabschluss profitieren insbesondere die Gebäude- und Energietechnikbranche, Hersteller von Gebäudeautomationssystemen sowie Planungs- und Energiedienstleistungsunternehmen. Darüber hinaus trägt der Ansatz zur effizienteren Nutzung erneuerbarer Energien, zur verbesserten Betriebsführung von Wärmepumpen- und Speichersystemen sowie zur Flexibilisierung von Lasten bei und leistet damit einen Beitrag zur Integration erneuerbarer Energien und zur Umsetzung der Energiewende.