Exploring the tabular foundation model TabPFN for performance map prediction of variable-speed heat pumps and compressors
Bereich Wärme und Gebäude
Energy and AI | Volume 25, September 2026 | 100871
Sahil Vishram Vadadkar, Beatrice Rodenbücher, Michael Kropp, Katharina Morawietz, Hans-Martin Henning, Manuel Lämmle, Andreas Velte-Schäfer
In diesem Paper wird der Einsatz von TabPFN, einem transformer-basierten Tabular Foundation Model, zur Vorhersage von Kennfeldern drehzahlgeregelter Wärmepumpen und Kompressoren untersucht. Die Arbeit als Teil der Promotion von Sahil Vishram Vadadkar an der Albert-Ludwigs-Universität Freiburg bewertet die Vorhersagegüte insbesondere bei kleinen Datensätzen im Vergleich zu konventionellen Machine-Learning-Verfahren und den gängigen Polynommodellen.
Polynommodelle sind auf einzelne Varianten beschränkt und müssen für jede neue Anwendung neu kalibriert werden. Physikalische Modelle erfordern zahlreiche Parameter, die oft unbekannt und aufwendig zu bestimmen sind. TabPFN hingegen ermöglicht den Wissenstransfer über verschiedene Wärmepumpenvarianten und Hersteller hinweg. Das Modell lieferte hochpräzise Vorhersagen der Kennfelder sowohl für Wärmepumpen als auch für Verdichter – zuverlässige Ergebnisse waren bereits mit nur ein bis zwei Datenpunkten der Zielvariante erzielbar. Dabei übertraf TabPFN etablierte Verfahren wie XGBoost, Random Forest und Gradient Boost durchgängig.
Der geringe Datenbedarf reduziert den Messaufwand erheblich und beschleunigt künftig die Modellierung neuer Komponentenvarianten. Die Ergebnisse zeigen, dass TabPFN inhärente Zusammenhänge zwischen Eingangsmerkmalen erlernt und diese mittels Kontextmerkmalen in den Trainingsdatensätzen erfolgreich auf unbekannte Verdichter- oder Wärmepumpenvarianten überträgt. Diese neu entwickelte Trainingsstrategie ebnet den Weg für eine „lernende Umgebung" im Bereich Gebäudeenergietechnik.
Für die Analyse transienter Zustände bleiben physikalische Modelle weiterhin unverzichtbar. Für die Vorhersage von stationären Arbeitspunkten bietet dieser datengetriebene Ansatz jedoch eine leistungsfähige Alternative. Besonders in der Designphase, wo umfangreiche Messdaten oft nicht verfügbar oder zu kostspielig sind, kann die Methode gewinnbringend eingesetzt werden.