AI4Energy

Data-Driven Modeling ermöglicht die Entwicklung von Vorhersagemodellen, die Muster, Trends und Erkenntnisse in Daten aufdecken können. Diese Modelle sind von entscheidender Bedeutung, um fundierte Entscheidungen zu treffen, Prozesse zu optimieren und ein tieferes Verständnis komplexer Systeme auf der Grundlage empirischer Erkenntnisse aus den Daten zu gewinnen. 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.

Energiesysteme sind komplexe Infrastrukturen, welche die Erzeugung, Speicherung, Verteilung und Nutzung von Energie in verschiedenen Formen in unserer Gesellschaft ermöglichen und optimieren.
Unsere Gruppe befasst sich aktuell hauptsächlich mit der Modellierung und Regelung von Gebäudeenergiesystemen.

Model Predictive Control (MPC) ist eine moderne Regelungsstrategie, die ein dynamisches Modell des Systems nutzt, um das zukünftige Verhalten vorherzusagen und die Regelungssignale über einen endlichen Zeithorizont zu optimieren. Durch die iterative Lösung des Optimierungsproblems bei jedem Zeitschritt bietet MPC einen Echtzeit-Ansatz für die Anpassung von Steuerungsmaßnahmen und ermöglicht eine präzise und adaptive Steuerung in komplexen dynamischen Systemen.

Reinforcement Learning (RL) ist ein Bereich des maschinellen Lernens, bei dem ein Agent lernt, sequenzielle Entscheidungen zu treffen, indem er mit einer Umgebung interagiert, Rückmeldungen in Form von Belohnungen oder Bestrafungen erhält und seine Handlungen so anpasst, dass die kumulative Belohnung über die Zeit maximiert wird. RL wird zum Regeln des Gebäudeenergiesystems eingesetzt, um intelligente Steuerungssysteme zu entwickeln, die durch kontinuierliche Anpassung an Umweltbedingungen und Nutzerverhalten die Energieeffizienz von Gebäuden und den Komfort der Bewohner maximieren.

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 Information unter: https://ieeexplore.ieee.org/abstract/document/11118811
und arxiv.org/abs/2512.00483

Das Time Series Lab dient der Entwicklung datengetriebener Modelle für zeitabhängige Prozesse. 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 THR-Gym ist ein Labor zur Entwicklung, zum Training und zur Evaluation von Reinforcement-Learning-Agenten für energiebezogene Anwendungen in Gebäuden. In einer flexiblen Simulationsumgebung können Agenten unterschiedliche Regelungsaufgaben erlernen, beispielsweise zur Temperaturführung oder zur energieeffizienten Betriebsoptimierung von Gebäudesystemen.

Die RL-Agenten können auf verschiedenen Gebäudemodellen trainiert und anschließend mit konventionellen Regelstrategien verglichen werden. Dadurch lassen sich Leistungsfähigkeit, Robustheit und Energieeinsparpotenziale datengetriebener Regelungen objektiv bewerten. Darüber hinaus ermöglicht das THR-Gym die Untersuchung von Transfer-Learning-basierten RL-Ansätzen, bei denen trainierte Agenten auf neue Gebäude übertragen und dort effizient weiter angepasst werden.