Wie KI die Energieversorgung von Gebäuden revolutioniert

‍

Im vergangenen Jahr wurde die Welt Zeuge eines transformativen Wandels, der durch generative künstliche Intelligenz ausgelöst wurde. Diese revolutionäre Technologie hat zu beispiellosen Fortschritten in verschiedenen Branchen geführt, und viele Experten haben sie als einen der bedeutendsten technologischen Durchbrüche der jüngeren Geschichte bezeichnet.

In diesem Artikel befassen wir uns damit, wie andere Formen der KI derzeit eines der wichtigsten Infrastrukturelemente der modernen Gesellschaft revolutionieren: den Energiesektor.

In den letzten zwei Jahrhunderten war Energie in ihren verschiedenen Formen ein wichtiger Motor für die wirtschaftliche Entwicklung und die Verbesserung des Lebensstandards auf der ganzen Welt. Diese intensive Energienachfrage wurde jedoch in erster Linie durch den Verbrauch fossiler Brennstoffe gedeckt, was dazu führte, dass große Mengen des unter der Erdkruste gespeicherten Kohlenstoffs entnommen und in die Atmosphäre freigesetzt wurden. Dieser Prozess war der Auslöser für eine der größten existenziellen Bedrohungen, mit denen die Menschheit je konfrontiert war: den ^Klimawandel1.

In den letzten Jahren, als immer mehr wissenschaftliche Erkenntnisse die Dringlichkeit und Schwere der Klimaerwärmung aufzeigten, wurde Energiesparen zu einem Schwerpunktthema und steht nun weltweit bei sowohl öffentlichen als auch privaten Organisationen auf der Agenda. Angetrieben durch große Mengen an Rechenleistung und immer mehr verfügbare Daten sind mehrere KI-basierte Lösungen im Energiebereich aufgetaucht.

Dies ist der erste einer Reihe von Beiträgen, in denen ich einen allgemeinen Überblick sowie einige Vertiefungen zu verschiedenen Themen und Technologien an der Schnittstelle zwischen KI und Energie geben werde. In diesem ersten Artikel geht es um die Optimierung des Energieverbrauchs in Gebäuden durch den Einsatz von Machine-Learning-Modellen.

‍

Der Unterschied zwischen künstlicher Intelligenz und maschinellem Lernen

Um Verwirrung zu vermeiden, sollten wir die Begriffe Künstliche Intelligenz (KI) und Maschinelles Lernen (ML), die oft synonym verwendet werden, kurz klären.

KI ist ein breiterer Begriff in der Informatik, der sich auf die Entwicklung von Systemen bezieht, die in der Lage sind, Aufgaben auszuführen, die normalerweise menschliche Intelligenz erfordern.

ML ist ein Teilbereich der künstlichen Intelligenz, bei dem Algorithmen eingesetzt werden, um Maschinen in die Lage zu versetzen, aus Daten zu lernen und auf der Grundlage dieser Daten Entscheidungen zu treffen. Maschinelles Lernen ist eine der wichtigsten Techniken, die derzeit zur Realisierung künstlicher Intelligenz eingesetzt werden, aber nicht alle KI-Systeme verwenden ML als zugrunde liegende ^Technologie2. Die Techniken, die wir in diesem Beitrag analysieren werden, gehören zur Kategorie des maschinellen Lernens.

Nun, da wir die beiden Konzepte besser verstehen, können wir tiefer in die Materie eintauchen.
Doch bevor wir uns in die technischen Details stürzen, sollten wir einen Schritt zurücktreten und versuchen, den Kontext von Gebäuden und ihre Bedeutung für unsere globalen Bemühungen um eine Verringerung der Kohlenstoffemissionen besser zu verstehen.

‍

Warum sind Gebäude für den Klimawandel relevant?

Nach Angaben der Internationalen Energieagentur (IEA) entfallen auf den Betrieb von Gebäuden (d. h. ohne Baugewerbe) 30 % des Endenergieverbrauchs und 26 % der weltweiten energiebezogenen Kohlenstoffemissionen³. Davon entfallen 8 % auf direkte Emissionen in Gebäuden und 18 % auf indirekte Emissionen aus der Erzeugung von Strom und Wärme, die in Gebäuden genutzt werden.

‍

‍

‍

Die Steigerung der Energieeffizienz von Gebäuden wird daher als wesentliche Voraussetzung für das rechtzeitige Erreichen der globalen Klimaziele angesehen. Nach den Prognosen der IEA könnte die Umsetzung der Energieeffizienz zu einer Verringerung der jährlichen energiebedingten Emissionen um 3,5 Gt CO2-Äquivalent führen, was mehr als 40 % der für die Einhaltung des Pariser Abkommens erforderlichen Verringerung ausmachen würde⁴.

Die jüngsten Berichte haben jedoch gezeigt, dass die weltweiten Anstrengungen zur Senkung des Energieverbrauchs in Gebäuden hinter den notwendigen Fortschritten zurückbleiben. Eine deutliche Trendwende und erhebliche Anstrengungen sind erforderlich, wenn wir unsere Ziele für 2030 im Szenario "Netto-Null bis 2050" erreichen wollen.

‍

‍

‍

Dieser notwendige Tempowechsel könnte durch KI-basierte Lösungen erleichtert werden. Dies ist aufgrund der raschen Digitalisierung von Gebäuden und der weit verbreiteten Installation von Sensoren und Zählern, die die Umsetzung solcher Lösungen jetzt und in den kommenden Jahren ermöglichen, zunehmend machbar. Versuchen wir also, die nächste Frage zu beantworten: Wie kann uns KI bei der ehrgeizigen Aufgabe der Dekarbonisierung des Gebäudesektors helfen?

‍

Use-Cases für die Vorhersage des Energieverbrauchs

Die Reduzierung der Kohlenstoffemissionen in Gebäuden ist nicht einfach. Es ist ein komplexes Puzzle mit vielen beweglichen Teilen. Ein entscheidendes Teil des Puzzles ist die Erstellung zuverlässiger Verbrauchsmodelle von Gebäuden, die dann zur Optimierung des Energieverbrauchs auf verschiedene Weise verwendet werden können. Genaue Energieverbrauchsmodelle ermöglichen rechtzeitige und fundierte Entscheidungen über den Energieverbrauch, verringern die Verschwendung und tragen letztlich zu unseren Bemühungen bei, Netto-Nullenergiegebäude zu erreichen. Gerade in diesem Bereich kann künstliche Intelligenz einen wichtigen Beitrag leisten.

Das mag alles noch etwas abstrakt klingen, also werfen wir mal einen Blick auf sechs häufige Anwendungsfälle, in denen die Energieverbrauchsmodellierung bei der Reduzierung der CO2-Emissionen in Gebäuden helfen kann.
‍

1. Erkennung von Energieverschwendung und Verbrauchsanomalien: Die meisten großen Gebäude werden auf ineffiziente Weise betrieben, was dazu führt, dass erhebliche Mengen an Energie verschwendet werden. Mit Hilfe von Energieprognosemodellen lässt sich der Basisverbrauch eines Gebäudes ermitteln. Auf dieser Grundlage können dann Algorithmen zur Erkennung von Anomalien eingesetzt werden, um die Leistung des Gebäudes im Vergleich zur Base Line kontinuierlich zu bewerten. Erhebliche Abweichungen im Verbrauch können auf Probleme oder Ineffizienzen hinweisen, z. B. auf Fehlfunktionen von Geräten, die dann umgehend behoben werden können. Dies ist besonders in großen Einrichtungen wichtig, in denen die Kontrolle aller Systeme eine Herausforderung darstellen kann und kleine Fehler zu einer erheblichen Energieverschwendung führen können, wenn sie nicht rechtzeitig erkannt werden.
   ‍
2. Bewertung von Energieeffizienzmaßnahmen in Gebäuden durch fortschrittliche Messung und Verifizierung: Die Abschätzung der Auswirkungen von Energieeffizienzprojekten, die gemeinhin als Messung und Überprüfung (Measurement and Verification – M&V) bezeichnet wird, ist ein komplexer Prozess. Die Einsparungen durch Energieeffizienz stellen einen fehlenden Verbrauch dar und können daher nicht mit einem Instrument gemessen werden. Eine Möglichkeit, dieses Problem zu lösen, ist die Berechnung eines kontrafaktischen Energiemodells. Bei kontrafaktischen Modellen handelt es sich um Modelle, mit denen untersucht wird, wie eine Situation ausgegangen wäre, wenn eine andere Entscheidung getroffen worden oder ein anderes Ereignis eingetreten wäre. Bei der Arbeit mit Energieeffizienz kann ein kontrafaktisches Energiemodell verwendet werden, um den Verbrauch eines Gebäudes in einem alternativen Szenario zu schätzen, in dem eine Energieeffizienzmaßnahme nicht umgesetzt wurde. Durch den Vergleich des tatsächlichen Zählerverbrauchs mit dem kontrafaktischen Modellverbrauch können wir den Umfang der Einsparungen abschätzen. Diese Modelle helfen Energiemanagern, die Auswirkungen der durchgeführten Maßnahmen quantitativ zu bewerten und künftige Strategien zu planen.
   ‍
3. Optimierung der Steuerung von Heizungs-, Lüftungs- und Klimaanlagen (HVAC) mit Hilfe von Model Predictive Controllers (MPCs): Klimaanlagen können einen großen Teil des Gesamtenergieverbrauchs eines Gebäudes ausmachen. Dies bedeutet, dass der Energieverbrauch eines Gebäudes allein durch eine optimale Steuerung dieser Systeme erheblich gesenkt werden kann. Je nach Größe des Gebäudes können diese Systeme jedoch aus Hunderten von Komponenten bestehen, deren Steuerung eine schwierige Aufgabe sein kann. Model Predictive Controllers (MPCs) sind prädiktive Modelle, die dabei helfen, optimale Steuerungsentscheidungen zu treffen, um das empfindliche Zusammenspiel zwischen der Aufrechterhaltung des Komforts in Innenräumen und der Reaktion auf Informationen von Gebäudesensoren, Außenwetter und dem Zustand des Stromnetzes auszugleichen. Dies führt nicht nur zu Energie- und Kohlenstoffeinsparungen, sondern trägt auch zu allgemeineren Zielen wie der Unterstützung der Integration erneuerbarer Energiequellen bei gleichzeitiger Stabilisierung des Energienetzes bei.
   ‍
4. Schätzung der Auswirkungen des Einsatzes der Nachfrageseitenflexibilität: Nachfrageseitige Flexibilität (Demand Side Flexibility, DSF) bezieht sich auf die Praxis der Anpassung der Energienachfrage in einem Gebäude oder einer Anlage an die Verfügbarkeit des Angebots, vor allem während der Spitzenbedarfszeiten. Zur Abschätzung der Auswirkungen der Flexibilitätsnutzung können kontrafaktische Energiemodelle verwendet werden, die eine "Was-wäre-wenn"-Analyse liefern, bei der das tatsächliche Szenario mit einem alternativen Szenario verglichen wird, bei dem die Energienachfrage nicht reduziert wurde. Dies ist von besonderer Bedeutung bei der Berechnung von Flexibilitätsausgleichszahlungen für Unternehmen und ermöglicht eine genaue Darstellung des Wertes, der zur Effizienz und Stabilität des gesamten Energienetzes beiträgt.
   ‍
5. Unterstützung von Energieversorgungsunternehmen bei der Day-Ahead-Marktplanung: Die Day-Ahead-Energiemärkte beruhen auf der Vorhersage des stündlichen Energiebedarfs des nächsten Tages, ein Prozess, der für Energieversorgungsunternehmen von entscheidender Bedeutung ist. Prognosealgorithmen spielen bei der Vorhersage dieser Nachfrage eine sehr wichtige Rolle, da sie den Energieversorgern die Erkenntnisse liefern, die sie für die Teilnahme an Energiemarktauktionen benötigen. Auf diese Weise können sie die Energiemenge, die sie liefern werden, und den entsprechenden Preis bestimmen. Dank der genauen Schätzungen dieser Algorithmen ist eine optimale Ressourcenzuweisung gewährleistet, was bedeutet, dass sehr CO2-intensive Energiequellen wie Erdgas in Bereitschaft gehalten werden können, wenn sie nicht benötigt werden, wodurch die indirekten Kohlenstoffemissionen von Gebäuden erheblich gesenkt werden.
   ‍
6. Charakterisierung von Gebäudehüllen durch Inferenzmodelle: Eine Gebäudehülle besteht aus den physischen Elementen eines Gebäudes, die das Innere von der äußeren Umgebung trennen, wie Wände, Dächer und Fenster. Erkenntnisse über die Qualität einer Gebäudehülle können ineffiziente Bereiche aufzeigen, wie z. B. Wärmeverluste durch schlecht isolierte Wände, und so zu gezielten Verbesserungen führen. Energieverbrauchsmodelle können historische Energieverbrauchsdaten analysieren, um schlecht isolierte Gebäude automatisch zu erkennen, wodurch sich die Notwendigkeit von Ad-hoc-Energieaudits verringert und die Zeit für diese Analysen erheblich verkürzt.
   ‍

‍

Jede der beschriebenen Anwendungen dient einem bestimmten Zweck und trägt zur Energieoptimierung und Emissionsreduzierung im Gebäudesektor bei. Sie unterstreichen den allgemeinen Wert und das Potenzial von Algorithmen des maschinellen Lernens im Energiesektor, und diese Beispiele sind nur die Spitze des Eisbergs. In dem Maße, wie sich der Bereich der KI weiterentwickelt und verfeinert wird, können wir mit noch mehr innovativen und effektiven Anwendungen dieser Technologien rechnen.

‍

Wenn Sie sich eingehender mit der Frage beschäftigen möchten, wie KI zur Verbesserung der Energieeffizienz und Nachhaltigkeit eingesetzt werden kann, besuchen Sie Benedettos Substack.

Anmerkungen und Quellen:

1. Wenn Sie an einer detaillierten und gut geschriebenen Darstellung der existenziellen Bedrohungen interessiert sind, mit denen die Menschheit konfrontiert ist, sollten Sie sich Folgendes ansehen: Der Abgrund von Toby Ord

2. Eine detailliertere Analyse finden Sie in Googles Überblick über KI vs. ML

3. Quelle: https://www.iea.org/energy-system/buildings

4. Quelle: https://www.iea.org/reports/multiple-benefits-of-energy-efficiency/emissions-savings

‍

‍