AI4Energy

Data-Driven Modeling ermöglicht die Entwicklung von Vorhersagemodellen, die Muster, Trends und Erkenntnisse in Daten aufdecken. Diese Modelle sind von entscheidender Bedeutung, um fundierte Entscheidungen zu treffen, Prozesse zu optimieren und ein tieferes Verständnis komplexer Systeme auf Basis empirischer Daten zu gewinnen. Eine besondere Herausforderung stellt dabei die Modellierung dynamischer Systeme dar (System Identification), da die verfügbaren Daten nicht zwangsläufig den gesamten dynamischen Zustandsraum abdecken. Um diesem Problem zu begegnen, kommen gezielt sogenannte Anregungsstrategien (Excitation Strategies) zum Einsatz.
Zu den Methoden, die im Data-Driven Modeling eingesetzt werden, gehören Algorithmen für maschinelles Lernen und statistische Analysen, die verschiedene Ansätze wie Regression, Clustering und neuronale Netze nutzen.

Zur optimalen Regelung von Gebäudeenergiesystemen kommen zwei komplementäre Ansätze zum Einsatz. Model Predictive Control (MPC) ist eine moderne Regelungsstrategie, die ein dynamisches Modell des Systems – beispielsweise ein datenbasiertes neuronales Netzwerk – nutzt, um das zukünftige Verhalten vorherzusagen und darauf aufbauend die Regelungssignale über einen endlichen Zeithorizont zu optimieren. Ergänzend dazu wird Reinforcement Learning (RL) eingesetzt, bei dem ein Agent durch kontinuierliche Interaktion mit der Umgebung und Rückmeldungen in Form von Belohnungen oder Bestrafungen eigenständig optimale Regelungsstrategien erlernt. Beide Methoden ermöglichen die Entwicklung intelligenter Regelungssysteme, die sich durch kontinuierliche Anpassung an Umweltbedingungen und Nutzerverhalten auszeichnen und so sowohl die Energieeffizienz von Gebäuden als auch den Komfort der Bewohner maximieren.

Energiesysteme sind komplexe Infrastrukturen, die Erzeugung, Speicherung, Verteilung und Nutzung von Energie in verschiedenen Formen ermöglichen und optimieren. Unsere Forschungsgruppe befasst sich schwerpunktmäßig mit der Modellierung und Regelung von Gebäudeenergiesystemen – von Einfamilienhäusern über Bürogebäude bis hin zu ganzen Quartieren.

BuilDa is ein Tool für die Generierung von Gebäudedaten für datengetriebene Methoden in der Gebäudeenergie- und Regelungsforschung. Im Mittelpunkt steht die Entwicklung von Simulations- und Datenframeworks, mit denen thermische Gebäudedynamiken realitätsnah abgebildet und in großen Mengen erzeugt werden können. Diese Daten bilden die Grundlage für Methoden des maschinellen Lernens, insbesondere für Transfer Learning und prädiktive Modelle intelligenter Gebäuderegelungen.

Das Labor entwickelt dafür flexible Simulationsumgebungen, in denen unterschiedliche Gebäudeparameter, Wetterbedingungen, Nutzungsprofile und Regelstrategien systematisch variiert werden können. Dadurch lassen sich vielfältige Gebäudetypen und Betriebszustände untersuchen sowie robuste, datengetriebene Modelle für energieeffiziente Gebäude entwickeln. Ziel ist es, neue Methoden für intelligentes Energiemanagement, prädiktive Regelung und datenbasierte Optimierung von Gebäuden zu erforschen und zu validieren.

Mehr Informationen: 
https://ieeexplore.ieee.org/abstract/document/11118811
https://arxiv.org/abs/2512.00483

Das Time Series Lab dient der Entwicklung datengetriebener Modelle für zeitabhängige Daten. Der Fokus liegt insbesondere auf neuronalen Netzen wie Multi-Layer-Perceptrons (MLP), LSTM-Netzen und Transformer-Architekturen, die zur Modellierung, Vorhersage und Analyse von Zeitreihen eingesetzt werden.

Das Labor ist flexibel aufgebaut und kann mit beliebigen Datensätzen betrieben werden – beispielsweise mit synthetischen Gebäudedaten aus BuilDa ebenso wie mit realen Messdaten aus unterschiedlichen Anwendungen. Dadurch können Modelle systematisch trainiert, verglichen und validiert werden, um robuste datengetriebene Lösungen für verschiedene Fragestellungen zu entwickeln.

Das RL Lab ist ein Labor zur Entwicklung, zum Training und zur Evaluation von Reinforcement-Learning-Agenten für energiebezogene Anwendungen in Gebäuden. In einer flexiblen Simulationsumgebung erlernen Agenten unterschiedliche Regelungsaufgaben – von der Temperaturführung bis zur energieeffizienten Betriebsoptimierung von Gebäudesystemen.

Die Agenten können sowohl auf datengetriebenen Modellen als auch auf Simulationsmodellen trainiert und anschließend mit konventionellen Regelstrategien verglichen werden, um Leistungsfähigkeit, Robustheit und Energieeinsparpotenziale objektiv zu bewerten. Darüber hinaus unterstützt das RL Lab die Untersuchung von Transfer-Learning-Ansätzen, bei denen trainierte Agenten auf neue Gebäude übertragen und dort effizient weiterentwickelt werden.

Das MPC Labor ermöglicht die Regelung von Gebäudeenergiesystemen mit Model Predictive Control. Eingesetzt werden Modelle aller Komplexitätsstufen – von physikalisch fundierten White-Box-Modellen über Gray-Box-Ansätze bis hin zu datengetriebenen Black-Box-Modellen. Ein zentraler Vorteil: Die im AIMD Lab entwickelten Modelle lassen sich direkt als Prädiktoren im MPC-Regelkreis evaluieren.cDie Regelung erfolgt aktuell in einer FMU-basierten Gebäudesimulation und ist perspektivisch für den Einsatz am realen Gebäude ausgelegt. Als Simulationsumgebung steht neben der hauseigenen BuilDa Simulation auch die Anbindung externer Simulationen offen.