Sustainable Heating – Konzept zur Generalisierbarkeit für KI-gesteuerte Heizung fertiggestellt 

In SECAI wird die Heizung durch KI so gesteuert, dass der Energieverbrauch so gering wie möglich ist und gleichzeitig der Mindestkomfortstandard eingehalten wird. Wie aber weiß die KI, wie die beiden Komponenten Komfort und Energieverbrauch zu gewichten sind? Im Bereich des Machine Learnings wird dazu eine Loss-Funktion formuliert, die Forschende des DFKI nun auf den SECAI-Anwendungsfall konzipiert haben. „In der mathematischen Gleichung beschreibt Alpha das Verhältnis von Energie und Komfort“, so Simon Binz vom DFKI. „Die Komponenten sind in der Gleichung berücksichtigt. Setzt man den Wert auf 0,5 dann sind sie gleich gewichtet.“ 

Loss = ∑ αW + ∑ (1-α)0 · C

Die hier dargestellte Lossfunktion beschreibt das Zusammenspiel zwischen Energieverbrauch (W) und dem Komfort (C), wobei der Komfort nur bei der Anwesenheit (O) der Mietenden berücksichtigt wird. Der Parameter Alpha wägt dabei zwischen Energieverbrauch und Komfort ab.

In dem aktuellen Konzept, das vom DFKI entwickelt wurde, wird das Modell zur Temperaturvorhersage genutzt, um die Heizenergie/Wärmebedarf abzuschätzen. Damit das Modell der Temperaturvorhersage auch generalisierbar ist, also orts- und datenunabhängig übertragen werden kann, muss die KI nun anhand verschiedener Testdatensätze trainiert werden. „Gerade wenn keine historischen Heizdaten vorhanden sind und man so ein System in einem Mehrfamilienhaus neu integriert, will man durch die Generalisierbarkeit sicherstellen, dass die automatische Anpassung der Heizleistung sofort funktioniert“, erläutert Simon Binz.

Federated Learning: Training der KI auf Edge- und Cloud-Ebene

Der Federated-Learning-Ansatz in SECAI ermöglicht valide Ergebnisse, wenn das Modell zur Vorhersage des Wärmebedarfs auf andere Wohnungen angewendet wird. Denn der Vorteil dieser Methode ist, dass die Daten zwischen den Wohnungen übertragbar sind und jede Wohnung die KI eigenständig trainiert. Das auf Edge-Ebene gewonnene Modell wird dann in der Cloud zur Temperaturvorhersage aggregiert, optimiert und anschließend wieder an die Wohnungen zurückgeschickt. So werden nicht nur das individuelle Heizverhalten der Mietenden, die aktuellen Wetterdaten, sondern auch die Wärmebereitstellung der Zentralheizung in einem Edge-Cloud-basierten Ansatz berücksichtigt.

Die Antwort auf die Frage, wie die Heizung eingestellt sein muss, um genügend Komfort in den Wohnungen sicherzustellen und gleichzeitig keine Energie zu verschwenden, ist damit zwar noch nicht abschließend beantwortet, aber die Forschenden sind ihr wieder ein Stück näher gekommen.

Artikel in Audio-Format: