Fraunhofer-Institut für Solare Energiesysteme ISEMehrfamiliengebäude sind in den USA und in Deutschland ein weitgehend ungenutztes Potenzial für Energieeinsparung und Netzdienlichkeit. Vor dem Hintergrund rasanter Elektrifizierung, des Wärmepumpenhochlaufs und steigenden Regulierungsdrucks entwickelt das Projekt »ABLM: Automated Building Load Modeling« physik-informierte neuronale Netze, die mit wenigen Eingangsdaten die Lastflexibilität zentraler Verbraucher (Heizung, Trinkwarmwasser, Kälte, E-Mobilität) präzise vorhersagen. Der hybride Ansatz überwindet Grenzen klassischer Simulations- und reiner KI-Modelle und ermöglicht skalierbares, robustes Demand-Side-Management.
Automated Building Load Modeling: Physikbasierte neuronale Netze zur Automatisierung der Modellierung von Lastflexibilitäten für Mehrfamilienhäuser
ABLM
Ökonomische und ökologische Vorteile im Betrieb von Mehrfamilienhäusern wie im Freiburger Stadtteil Gutleutmatten können durch dynamisches Lastmanagement erschlossen werden.
Ausgangslage
Die rasche Elektrifizierung – insbesondere der starke Zubau von Wärmepumpen – sowie der wachsende regulatorische Druck, von fossilen Heizsystemen wegzukommen, unterstreichen den Bedarf an skalierbaren Demand-Side-Management-Lösungen. Eine präzise Modellierung der Lastflexibilität in MFBs ist entscheidend, um Raum- und Trinkwarmwasserheizung zu dekarbonisieren und gleichzeitig Netzauswirkungen zu minimieren. Bestehende physikbasierte Simulationswerkzeuge liefern hochauflösende Einblicke, sind jedoch teuer in der Kalibrierung und schwer skalierbar, während rein datengetriebene Ansätze häufig nicht die Robustheit für verlässliche Lastprognosen unter vielfältigen Bedingungen aufweisen.
Ziel
»ABLM: Automated Building Load Modeling« zielt auf validierte neuronale Netze, die in der Lage sind, die Lastflexibilität unterschiedlicher MFB-Typen in den USA und in Deutschland präzise zu simulieren und vorherzusagen.
Lösung
Das Projekt entwickelt ein hybrides, physik‑informiertes neuronales Netzwerk‑Framework (PINN), das reale Energiedaten aus dezentralen (USA) und zentralen (Deutschland) Gebäudesystemen mit simulierten Daten validierter White‑Box‑Modelle kombiniert. So werden realistische Variabilitäten von Heiz-, Trinkwarmwasser- und E‑Fahrzeuglasten erfasst. Die Einbettung physikalischer Prinzipien in die Modellarchitektur verbindet die Skalierbarkeit von KI mit der Präzision physikbasierter Ansätze und ermöglicht genauere, kosteneffiziente Vorhersagen der Lastflexibilität in verschiedenen Typen von Mehrfamiliengebäuden.