Künstliche Intelligenz (KI) in Kombination mit Heizungs-, Lüftungs- und Klimaanlagen bietet erhebliche Potenziale zur Energie- und Kosteneinsparung, zur Betriebsoptimierung sowie zur CO₂-Vermeidung. Das gilt für die Wartung einzelner Geräte ebenso wie für komplexe Anlagensysteme mehrerer Gebäude.
Die Nutzung vorhandener Daten, die beispielsweise den Zustand eines Ventilators genau beschreiben, ist dabei nur logisch. „Künstliche Intelligenz ist hier kein Nice to have, sondern ein elementarer Bestandteil des nächsten Schritts“, betont der Hersteller von Ventilatoren für Luft- und Klimatechnik Ziehl-Abegg. Auch Trane, Anbieter von HLK-Lösungen, beobachtet „einen Wandel von der traditionellen, standortbasierten Fehlerbehebung und reaktiven Reparaturen hin zu kontinuierlicher Fernüberwachung, regelmäßigen digitalen Inspektionen und proaktivem Eingreifen durch Servicetechniker – mit dem Ziel einer schnellen Problemlösung und einer fundierten, datenbasierten Überwachung“. Louis Rompre, Services Business Leader für Trane EMEA erklärt: „Mit den Fortschritten in KI und digitaler Technologie, die Gebäude vernetzter denn je machen, muss sich auch die Art und Weise, wie Heizungs-, Lüftungs- und Klimaanlagen gewartet werden, weiterentwickeln.“
Anwendungsfall aus der Praxis
Wie man technische und wirtschaftliche Daten aus Gebäuden – von Heizungs-, Lüftungs- und Klimaanlagen bis hin zu IT- und Energiesystemen sammelt und verknüpft, zeigt ein Projekt für ein Schweizer Finanzinstitut. Ziel ist nach Angaben von Eliona als Anbieter der gleichnamigen Smart-Building Plattform, alle Informationen übersichtlich aufzubereiten, sodass sie gezielt für Auswertungen, Optimierungen und Entscheidungsprozesse genutzt werden können. Eliona übernahm die zentrale Überwachung aller technischer Anlagen in über 130 Bestandsimmobilen, in denen unterschiedliche, über die Jahre organisch gewachsene, Gebäudeleitsysteme zum Einsatz kommen. Diese lieferten nicht nur uneinheitliche, sondern in vielen Fällen auch unstrukturierte Daten. Zusätzlich ging die Anzahl der verfügbaren Datenpunkte je nach Gebäude deutlich auseinander. Darüber hinaus sollten diese Daten effizient skaliert werden – ohne die Performance aus den Augen zu verlieren.
Aufgrund der Schnittstellenvielfalt der Plattform konnten alle Daten (Leitsysteme WinCC OA und Aprol) über einen Edge-Computer in das IoT-Nachrichtenprotokoll MQTT in Eliona übersetzt, eingebunden und harmonisiert werden. „Für die Strukturierung“, führt Eliona-CEO Jan Müller weiter aus, „haben wir die Daten der verschiedenen Gebäudeleitsysteme einer genauen Analyse unterzogen. So konnten wir die Datenpunkte identifizieren, die für die anschließende Optimierung wirklich relevant sind.“ Zu diesem Zweck wurden die Daten von Eliona semantisch geordnet, getaggt und übersetzt, unterschiedliche Namensgebungen wurden vereinheitlicht. „Mal wurden Anlagen beispielsweise als Kühlung, mal als Cooling und ein anderes Mal mit einem technischen Kürzel gekennzeichnet. Diese Daten mussten in einer Ontologie harmonisiert werden, damit die KI den Input aus über 100 Gebäuden stets richtig zuordnen kann“, beschreibt Müller das Vorgehen. Das Daten-Tagging wurde anfangs manuell umgesetzt, diente aber gleichzeitig als Trainingsprozess für Eliona, um den Prozess zu automatisieren. Aktuell erreicht die Software seinen Angaben zufolge eine automatische Erkennungsrate von 85 Prozent.
Optimierung der Datenströme
Für die eigentliche Optimierung der Datenströme nutzt Eliona das integrierte AI Workflow Automation Tool, Prognosemodelle sowie Reinforcement Learning. Über Weltmodelle werden dabei Energieverbräuche unter Einbezug historischer und prognostizierter Wetterdaten, People-Counting-Informationen und weiterer Parameter virtuell modelliert. Ein Machine-Learning-Modell analysiert und identifiziert anschließend die eingehenden Daten, um ineffiziente Muster aufzudecken. „Auf diese Weise können wir live berechnen, welche Auswirkungen die Veränderung einzelner Sollwerte in jedem einzelnen Fall haben würden“, sagt Müller. Die künstliche Intelligenz lernt während des Prozesses mit – und rechnet so lange weiter, bis die Ergebnisse, etwa in Bezug auf den Energieverbrauch, ideal sind. Das Ergebnis dieser automatisierten Trial-and-Error-Methode sind optimierte Sollwerte, die, einmal in den Live-Prozess implementiert, automatisch zurück an die jeweiligen Gebäudeleitsysteme gespielt werden. „Das ist vor allem für ein so großes Gebäude-Portfolio wie das des Schweizer Bankinstituts eine enorme Erleichterung“, ergänzt der Eliona-Chef. In den ersten Monaten seit Projektbeginn seien bereits Einsparungen in Höhe von 27 Prozent des ursprünglichen Energieverbrauchs erzielt worden. Wie sich dieser Trend in Zukunft entwickeln wird und ob sich die Werte auch bei extremeren Wetterverhältnissen halten können, ist laut Müller noch offen.
