Eine Maßnahme zum Energiesparen, die sich schon nach einem Jahr amortisiert hat? Bei baulichen Veränderungen oder dem Austausch technischer Systeme ist dies meist nur auf lange Sicht zu erreichen. Anders sieht es beim Einsatz von künstlicher Intelligenz und maschinellen Lernverfahren aus. Beispiel: Mit energyControl bieten wir ein fertiges System, das ein virtuelles Abbild von Gebäude und Anlage erstellt. Lesen Sie mehr darüber, wie ein solcher digitaler Zwilling „selbstlernende“ Bestandsgebäude ermöglicht – und so kräftig beim Sparen hilft.
Was ist maschinelles Lernen?
Spracherkennung beim Handy, Gesichtserkennung-Software am Flughafen, Spam-Filter im Laptop: Machine Learning begegnet uns mittlerweile auf Schritt und Tritt. Es bedeutet nichts anders, als dass künstliche Systeme neues Wissen erwerben. Die Programme analysieren dazu Daten aus vorgegebenen Blickwinkeln. So sollen sie Verknüpfungen herstellen, Zusammenhänge erkennen – und letztlich immer präziser werdende Vorhersagen treffen.
Warum sollen Gebäude maschinell lernen?
Steigende Energiekosten werden immer mehr zu einem wichtigen Faktor im Wettbewerb. Ob in Büros, Hotels oder Filialgeschäften: Um sie zu kühlen, heizen und zu lüften, wenden die Unternehmen bis zu 60 Prozent ihres gesamten Energieverbrauchs auf. Einsparen rechnet sich also. Doch bauliche Veränderungen und neue technische Systeme sind teuer. Zudem sind dabei Amortisationszeiten von 10 Jahren und mehr für hochinvestive Maßnahmen die Regel.
Mit leistungsstärkeren Grafikprozessoren eröffnen seit einigen Jahren neue Möglichkeiten. In Kombination mit der passenden Software kann in Gebäuden die Energie effizienter eingesetzt werden. Die Einsparerfolge für den Betrieb von klimatechnischen Anlagen und Heizungen mit unserem energyControl liegen im Schnitt zwischen 20 und 30 Prozent. Die Investition dafür ist sehr überschaubar – und sie amortisiert sich in den allermeisten Fällen nach spätestens einem Jahr. Mehr dazu im Interview.
Wie hilft maschinelles Lernen beim Energiesparen?
Mit energyControl entsteht praktisch ein digitaler Zwilling von Gebäude und Anlage. Die Grundlage dafür sind Daten, Daten, Daten - gesammelt über die vorhandene Automationsebene. Dieses virtuelle Abbild des Gebäudes und der Anlage füttern die KI-Experten automatisiert mit den Betriebs- und Verbrauchsdaten aus dem Gebäude und verknüpfen sie mit weiteren externen Faktoren. Auf dieser Basis wird der Energiebedarf für die Systeme präzise vorhergesagt und in eine vorausschauende Regelstrategie für die Anlagen im Gebäude überführt. Damit entsteht praktisch ein virtueller Anlagenoptimierer, der laufend optimal regelt – mit Blick auf Energieeffizienz und Komfort.
Ein praktisches Beispiel: In einem Gebäude wird morgens die Heizung hochgefahren, um zügig die gewünschten 21 Grad Raumtemperatur zu erreichen. Denn die Anlage berücksichtigt normalerweise nicht, dass der Wetterbericht strahlenden Sonnenschein voraussagt. Genau hier setzt das „Machine Learning“ ein. Denn der digitale Zwilling berücksichtigt u.a. auch die Wetterprognosen. Und er weiß aus der Vergangenheit, wann er die Heizung drosseln kann.
Erfahren Sie außerdem in Teil 1 und Teil 2 unseres Blogartikels zur Gebäudeautomation, was Gebäudebetreiber von Autofahrern lernen können.
Fazit
Bestandsgebäude zu Musterschülern in puncto Energieeinsparung machen: Maschinelles Lernen macht die Bahn dafür frei. Unser Beteiligungsunternehmen Recogizer ist Innovationsführer in diesem Bereich und bietet exklusiv entsprechende Lösungen an. Der geringe Initialaufwand amortisiert sich fast immer binnen Jahresfrist. Der Lohn sind dauerhafte Einsparungen von 20 bis 30 Prozent, die auf mittlere Sicht tendenziell weiter steigen. Eine Automatisationsebene sollte dafür im Gebäude vorhanden sein, idealerweise mit Standardschnittstellen wir BACnet oder Modbus.
Wie die Digitalisierung auch in Gebäuden Einzug findet und wie Sie damit Energie sparen können zeige ich Ihnen im Webinar am 14. Mai, um 9:00 Uhr. Jetzt kostenlos anmelden.
