„nachhaltige technologien 01 | 2023"

fen, und aus diesen wird diejenige identifiziert, die den geringsten Energieverbrauch repräsentiert und gleichzeitig die Auflagen zum Grundwasserverbrauch erfüllt. Die dazugehörigen Steuerwerte stellen dann die Empfehlung für die Eingabe in das Rege- lungssystem dar. Mögliche Verbesserungen dieses Verfahrens, je nach weiteren Erkenntnissen und An- forderungen, umfassen die heuristische Auswahl der Steuerwerte (z. B. mit genetischen Algorithmen) oder die Anwendung von Reinforcement Learning. Die Werkzeuge In der Entwicklung der Algorithmen kommen mo- derne Technologien zur Anwendung, darunter der Python Data Science Stack (Pandas, Scikit-learn), Darts (eine auf Machine Learning mit Zeitreihen op- timierte Bibliothek), Jupyter-Notebooks, Git und Linux. Den Autoren steht ein Server mit 36 CPU-Kernen, 128 GB RAM und einer GeForce-3090-Grafikkarte zur Verfügung. LightGBM eine gute Leistung. Die Vorhersage erfolgt für das gesamte Zeitraster der vorhergesagten Tage – vorläufig jeweils 192 Werte infolge des 30-Minuten- Rasters, eines Vorhersagehorizonts von einem Tag und vier vorherzusagender Variablen. Mögliche zu- künftige Optimierungen der Vorhersage wären z. B. die Anwendung von Transfer Learning und/oder von Physik-informiertem Machine Learning. Die Regelung Die Bestimmung der Steuerwerte als Input für das bestehende Regelungssystem ist im Projekt bislang nicht stark optimiert. In der derzeitigen, recht einfa- chen Form wird zunächst für jede Steuergröße eine Reihe zugelassener Werte definiert. Diese Steuer- werte werden in Machine Learning-Vorhersagen verwendet, indem die entsprechenden Kovariaten am vorherzusagenden Tag angepasst werden. Unter Verwendung dieses Verfahrens wird für jede Kom- bination der Steuerwerte eine Vorhersage getrof- Dr. Jan Kurzidim ist Research Engineer mit den Schwerpunkten Data Science, Machine Learning, Software- und Methodenentwicklung im Forschungsbereich „Digitalisation & HVAC Technologies in Buildings“ am AIT Austrian Institute of Technology GmbH, Center for Energy, Competence Unit „Sustainable Thermal Energy Systems“. jan.kurzidim@ait.ac.at DipI.-Ing. Michael Schöny ist Research Engineer und Leiter des Projekts „mAIntenance“ mit den Schwerpunkten Gebäude- & Anlagenmonitoring, Gebäude- und Anlagensimulation sowie Datenmodelle im Forschungsbereich „Digitalisation & HVAC Technologies in Buildings“ am AIT Austrian Institute of Technology GmbH, Center for Energy, Competence Unit „Sustainable Thermal Energy Systems“. michael.schoeny@ait.ac.at "Ohne die Weiterentwicklung digitaler Tools wird die Branche nicht in der Lage sein, ihr Image als einer der weltweit größten CO 2 -Emittenten loszuwerden. Die traditionell stark heterogene und fragmentierte Struktur der Bauwirtschaft macht es sehr schwierig, an einem Strang zu ziehen. Nur mithilfe der Digitalisierung können durchgängige klimafreundliche sowie kreislauffähige Prozesse etabliert werden. Sie weist uns den Weg, der schlussendlich aus dieser schwierigen Situation herausführen wird – auch wenn dafür noch viele Lösungen erarbeitet und eine Reihe alter Denkmuster aufgebrochen werden müssen." Steffen Robbi, Geschäftsführer Digital Findet Stadt GmbH Foto: Leo Hagen Veranschaulichung der Energieverbrauchsop- timierung für einen repräsentativen heißen Sommertag. Für diesen Tag führt eine reine Energieverbrauchsoptimierung (rot) zu einer Überschreitung der Grundwasserentnahmegren- ze. Eine Optimierung mit Berücksichtigung der Grenzen (blau) zeigt für diesen Tag ein mäßiges Einsparungspotenzial gegenüber dem realen Energieverbrauch (grün). kW 120 100 80 60 40 20 0 03:00 00:00 Aug 18, 2022 06:00 12:00 09:00 15:00 18:00 21:00 Minimaler vorhergesaqter Energieverbrauch mit Einhaltung der Grundwasserentnahmegrenzen Minimaler vorhergesagter Energieverbrauch ohne Einhaltung der Grundwasserentnahmegrenzen Realer Energieverbrauch