Intelligente Wärme statt verschwendeter Energie

Kern von SECAI ist ein Regelungsalgorithmus, der den Wärmeerzeuger nicht mehr nach starren Heizkurven, sondern nach dem tatsächlichen Wärmebedarf der Wohnungen steuert. Grundlage sind Sensordaten zu Raumtemperaturen und Sollwerten, aus denen die Abweichung zwischen gewünschter und tatsächlicher Temperatur berechnet wird. Aus dieser Abweichung wird in einem Modell der Wärmebedarf bestimmt.

Der ermittelte Wärmebedarf wird auf Gebäudeebene aggregiert und mit weiteren Informationen durch ein KI-Modell kombiniert, etwa mit physikalischen Eigenschaften des Gebäudes und Wetterdaten. So wird die Vorlauftemperatur in Echtzeit angepasst, statt dauerhaft auf einem überhöhten Sicherheitsniveau zu laufen. In ersten Testgebäuden konnte die durchschnittliche Soll-Vorlauftemperatur durch diesen bedarfsgesteuerten Ansatz um rund 4 bis 6 Grad Celsius gesenkt werden, ohne dass Komforteinbußen berichtet wurden. „Die bisherige Evaluationsphase ist noch zu kurz, um die Einsparungen exakt in Zahlen zu fassen. Man sieht aber einen klaren Trend: Die Maßnahmen, die wir in SECAI umsetzen, von der intelligenten Steuerung des Wärmeerzeugers bis hin zu datenbasierten Heizempfehlungen für die Mietenden, tragen dazu bei, den Energieverbrauch der Gebäude spürbar zu senken“, erklärt Simon Binz, Researcher am DFKI.

Um den Wärmebedarf möglichst präzise abzuschätzen, setzt SECAI auf KI-Modelle, die das Heizverhalten und die Gebäudecharakteristik abbilden. Untersucht wurde unter anderem ein Federated-Learning-Ansatz. Der Vorteil: Mietende müssen nicht zwingend mit zusätzlicher Sensorik ausgestattet werden, da der Wärmebedarf auch modellbasiert rekonstruiert werden kann.

Parallel dazu wurden Wetterdaten analysiert und mit dem Heizverhalten korreliert, um relevante Parameter und sinnvolle zeitliche Auflösungen zu identifizieren. Darauf aufbauend entwickelte das Projekt Downsampling-Verfahren, die eine große Anzahl an Wetterparametern so verdichten, dass sie für die Steuerung nutzbar bleiben. Die gedownsampelten Wetterparameter werden als Eingangswerte in den Regelungsalgorithmus integriert und unterstützen dort eine robuste, witterungssensitive Steuerung des Wärmeerzeugers.

Nudging und Mietenden-App

Ein zentraler Hebel für zusätzliche Energieeinsparungen liegt im Heizverhalten der Mietenden. Eine explorative Analyse der Heiz- und Temperaturdaten identifizierte wiederkehrende Muster ineffizienten Verhaltens, darunter fehlende Nachtabsenkung, dauerhaft hohe Solltemperaturen, Heizen bei geöffneten Fenstern oder das Weiterheizen trotz technischer Störungen wie defekter Heizkörper. Diese Erkenntnisse wurden in ein regelbasiertes System überführt, das Heizdaten kontinuierlich auswertet und suboptimale Situationen automatisch erkennt. Für Mietparteien ohne bestehende Heizpläne wurden zunächst Grundheizpläne als Voreinstellung vorgeschlagen, die pro Raum angepasste Komforttemperaturen sowie eine angemessene Nachtabsenkung enthalten und als direkt nutzbare Basis dienen.

Auf dieser Grundlage erzeugt das System zwei komplementäre Artefakte: situationsbezogene Nudging-Nachrichten sowie optimierte, regelkonforme Heizpläne pro Raum. Die SECAI-App stellt den Mietenden voreingestellte Heizpläne zur Verfügung, die sich am tatsächlichen Nutzungsprofil orientieren, Nachtabsenkungen berücksichtigen und auf konstante Übertemperaturen hinweisen. Für jeden Raum wird aus dem Temperaturverlauf der vergangenen Woche zunächst ein „natürlicher“ Nutzungsrhythmus rekonstruiert, der anschließend automatisiert in einen effizienteren Heizplan überführt wird. Die Pläne können in der App eingesehen, angepasst und bei Bedarf direkt übernommen werden.

Ergänzend dazu unterstützen intelligente Nudging-Messages ein nachhaltigeres Heizverhalten. Diese werden regelbasiert aus Echtzeit-Heizdaten, Temperaturverläufen und saisonalen Informationen abgeleitet. Die Hinweise erinnern beispielsweise daran, bei milden Außentemperaturen die Heizung zu reduzieren, markieren ungewöhnlich hohe Raumtemperaturen oder machen auf mögliche Störungen aufmerksam, etwa wenn sich die Raumtemperatur trotz hoher Sollwerte nicht erhöht. Auch saisonale Übergänge wie der Beginn der Sommerpause oder der Start der Heizperiode werden automatisch erkannt und kommuniziert. Erste qualitative Rückmeldungen der Mietenden bestätigen insbesondere die intuitive Bedienbarkeit der App sowie die hohe Nachvollziehbarkeit der vorgeschlagenen Maßnahmen.

Zusammenspiel der Maßnahmen: Algorithmus trifft Alltag

Die Anpassung des Wärmeerzeugers und das Nudging der Mietenden werden gemeinsam evaluiert, indem Energieverbräuche mit Monaten mit einem ähnlichen Temperaturprofil verglichen werden. Externe Faktoren wie Umzüge, Ferienzeiten oder Witterungseinflüsse machen die Interpretation derzeit jedoch noch anspruchsvoll, weshalb die laufende Heizperiode 2026 für belastbarere Aussagen genutzt wird.