Gebäudeenergiemanagement & HLK-Optimierung

Heizung, Lüftung und Klimatisierung machen typischerweise den größten Anteil am Energieverbrauch eines Gewerbegebäudes aus, doch die meisten Gebäude laufen noch mit festen Zeitplänen und statischen Sollwerten. KI ergänzt Wetter- und Belegungsprognosen, ein Modell des Gebäudes und einen Optimierer (oder gelernten Regler), der Sollwerte alle paar Minuten anpasst, Störungen erkennt und Last in günstige oder grüne Stunden verschiebt. Dokumentierte Projekte berichten von zweistelligen prozentualen HLK-Einsparungen, doch die Ergebnisse hängen stark von der Ausgangslage und der Datenqualität ab.

Problem & Nutzen

• Heute: Eine Gebäudeautomation (GLT/BACS) führt Regeln und Zeitpläne aus, die einmal bei der Inbetriebnahme festgelegt wurden. Betreiber reagieren auf Beschwerden, simulieren selten und sehen wenig vom Zusammenspiel von Wetter, thermischer Masse, Belegung, Wärmepumpen, PV und Tarifen. Störungen (klemmende Ventile, gleichzeitiges Heizen und Kühlen, driftende Sensoren) können monatelang unbemerkt laufen.
• KI-Nutzen: (1) Lastprognose, (2) vorausschauende Regelung wie Vorkonditionierung auf Basis von Wetter und Belegung, (3) Fehlererkennung und Diagnose (FDD), (4) Abstimmung der HLK mit PV, Speicher, E-Fahrzeug-Laden und dynamischen Tarifen, (5) Berichtswesen für Regulierung und ESG.
• Evidenz: DeepMind berichtete von rund 40 % weniger Kühlenergie in einem Google-Rechenzentrum durch ML-Empfehlungen (2016); das ist ein Rechenzentrumsergebnis und darf nicht 1:1 auf Büros übertragen werden [3]. Modellprädiktive Regelung (MPC) in Gebäuden ist gut untersucht; berichtete Einsparungen schwanken stark, bestehen Sie daher auf gemessenen Ausgangswerten (nach Art von IPMVP) statt auf Herstellerangaben.
• Regulatorischer Sog: Die neugefasste EU-Gebäuderichtlinie (EPBD) (EU) 2024/1275 verlangt Gebäudeautomations- und Steuerungssysteme in Nichtwohngebäuden mit großen HLK-Anlagen (über 290 kW bis Ende 2024, über 70 kW bis Ende 2029, soweit technisch und wirtschaftlich machbar), die den Energieverbrauch überwachen, protokollieren, analysieren und anpassen können [1]. Die nationale Umsetzung (Frist Mai 2026) ist unterschiedlich, prüfen Sie daher das örtliche Recht.

Varianten

• Büros, Schulen, Krankenhäuser, Hochschulen und kommunale Liegenschaften: portfolioweite Analysen mit zentraler Optimierung.
• Handelsketten und Hotels: viele ähnliche Standorte, Modellvorlagen, starke Tarif- und Belegungseffekte.
• Rechenzentren und Reinräume: Kühlungsoptimierung mit engeren Sicherheitsgrenzen.
• Wohnungswirtschaft und Wohnungsgenossenschaften: Optimierung von Wärmepumpen und Fernwärme; für Einzelhaushalte siehe OPT-032.
• Campus-/Quartiersebene: Abstimmung mit BHKW und Wärmenetzen (OPT-023) und Speichern (OPT-011).

So funktioniert es

1. BMS/IoT data (BACnet, Modbus, KNX, MQTT) + meters + weather forecast + tariffs + occupancy
2. ingestion & semantic model (Brick / BIM, point mapping)
3. forecasting (load, PV, occupancy) and grey-/black-box thermal model
4. optimisation: MPC / MILP solver or RL policy with comfort constraints
5. safety layer (limits, rate limits, fallback to BMS default)
6. set-point write-back (supervisory layer, not direct actuator control)
7. monitoring: M&V, FDD alerts, operator dashboard, LLM explanation

• Prognose: Gradient Boosting oder Zeitreihen-Foundation-Modelle (z. B. Chronos, TimesFM) für Last, PV und Belegung.
• Regelung: MPC mit einem vereinfachten thermischen RC-Modell, gelöst als LP/MILP/QP, ist der robusteste Ansatz; RL-Policies werden in Simulatoren (EnergyPlus, Modelica) trainiert und zunehmend an BOPTEST gemessen [4][5].
• FDD: Regeln (im Stil der ASHRAE-Richtlinien) plus Anomalieerkennung auf Trenddaten, wie in ANOM-001.
• LLM-Schicht: übersetzt Alarme in verständliche Sprache, beantwortet „Warum war es in Raum 3.12 kalt?“, entwirft Arbeitsaufträge und ordnet unübersichtliche Datenpunktnamen Brick-Klassen zu. Das LLM schreibt niemals direkt Sollwerte.
• Mensch-in-der-Schleife (Human-in-the-Loop): Der Facility Manager genehmigt Betriebsarten und Komfortbänder; das System handelt nur innerhalb dieser Grenzen und fällt bei Störungen auf die GLT-Regelung zurück.

Datenaufbereitung

Benötigt werden: Zählerdaten (Strom, Wärme, Wasser), Trenddaten der Gebäudeleittechnik (GLT), Sensordaten für Temperatur, CO2 und Belegung, Wetterdaten, Zeitpläne, Grundrisse und Anlagenlisten. Diese liegen in der GLT, in Versorgerportalen, in Excel-Tabellen mit Zählerablesungen und in Wartungsprotokollen auf Papier.

Typische Lücken: manuell oder nur monatlich abgelesene Zähler, fehlende Sensoren, uneinheitliche Datenpunktnamen zwischen Herstellern, Lücken und Ausreißer in Zeitreihen sowie keine Zuordnung von Zählern zu Räumen oder Mietern. Der Zugang zur GLT ist oft vom Errichter gesperrt, und OT-Netze sind von der IT getrennt.

Aufbereitungsschritte: - Zähler, Sensoren und GLT-Datenpunkte inventarisieren (PREP-001, PREP-005). - Fehlende Unterzähler oder Gateways installieren; offene Protokolle wie BACnet oder Modbus nutzen. - Datenpunktnamen und Einheiten vereinheitlichen; Lücken füllen und kennzeichnen. - Manuelle Zählerablesungen an der Quelle digitalisieren (PREP-008). - Anlagen- und Zeitplandaten in einer Tabelle erfassen (PREP-011).

Grober Aufwandsanteil: 50-70 Prozent, da die Messinfrastruktur die Haupthürde ist. Nutzen Sie den Check in GUIDE-003 früh.

Umsetzungswege

Welcher Weg für wen

• KMU: Weg A. Fertige Produkte für Energiemonitoring und HLK-Optimierung mit EU-Hosting gibt es, und Gebäude folgen Standardmustern.
• Großunternehmen: Weg B. Große Immobilienportfolios rechtfertigen es, Gebäudedaten aus der GLT in eigene Plattformen und APIs zu integrieren, weil die Einsparungen mit der Portfoliogröße wachsen.
• Entwickler: Weg C. Open-Source-Werkzeuge (z. B. Home Assistant, Zeitreihendatenbanken, offene Prognosebibliotheken) laufen auf HW1 und eignen sich für eigene Produkte.
• Öffentliche Hand: Weg C. Kommunale Gebäude bevorzugen souveräne, lokal betriebene oder in der EU gehostete Open-Source-Stacks aus Gründen der Souveränität und des Vergaberechts.

Weg A — Kaufen (Standardsoftware) (für die meisten Organisationen empfohlen)

• GLT-Hersteller mit KI-Schichten: Siemens (DE; Building X / Desigo CC), Schneider Electric (FR; EcoStruxure Building), Honeywell Forge, Johnson Controls OpenBlue, Trane, Carrier Abound.
• Aufgesetzte Optimierer: aedifion (DE; Cloud-Analyse und Optimierung), BrainBox AI (autonome HLK), Monitoring der Klasse Verdigris, Loxone (AT) für kleine Gewerbe- und Smart Buildings.
• A wählen, wenn: Sie kein eigenes Regelungs- und Data-Science-Team haben; eine Leistungsgarantie des Anbieters verlangen; Standorte standardisiert sind. Prüfen Sie die Offenheit für BACnet/OPC UA, Dateneigentum und Export, EU-Hosting, Cybersicherheits-Zertifizierung und was bei Vertragsende passiert.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Plattform: Azure, AWS oder Google Cloud (EU-Regionen) mit IoT-Datenaufnahme plus Zeitreihendatenbank; Prognose über gehostete Foundation-Modelle; Optimierung mit Gurobi, OR-Tools oder HiGHS; LLM-APIs (Claude, Mistral, GPT, Gemini) für Erklärungen und Datenpunktzuordnung.
• Integration: Lesen aus der GLT über BACnet/IP-Gateways oder Hersteller-APIs; Zurückschreiben nur von Sollwert-Hinweisen über eine übergeordnete (supervisory) Schicht.
• B wählen, wenn: Sie ein großes Portfolio betreiben und differenzierte Analysen ohne Austausch der GLT wollen.

Weg C — Selbst betreiben (Open Source)

• Stack: EnergyPlus und die Modelica-Buildings-Bibliothek für Simulation, BOPTEST für Regler-Benchmarks, Sinergym für RL-Training [4][5][6], Brick-Schema für Semantik [7], Home Assistant oder Gateways im Stil von VOLTTRON, TimescaleDB/InfluxDB, HiGHS/OR-Tools für MPC, Chronos oder Darts für Prognosen, ein kleines offenes LLM (Klasse Qwen, Mistral, Llama) für Erklärungen.
• Hardware: HW1 genügt (Edge-Gateway oder CPU-Server) für Prognose und MPC; HW2 nur, wenn Sie ein lokales LLM wollen.
• Aufwand: erfordert Regelungsingenieure sowie Dateningenieure; die Inbetriebnahme an der realen Anlage dominiert den Aufwand.

Weg D — Eigenes Training

Lohnt sich für große Portfolios mit ähnlichen Gebäudetypen: standortspezifische thermische Modelle oder Offline-RL-Policies auf Jahren an GLT-Historie trainieren, in der Simulation vortrainiert und mit realen Daten feingetunt. Erfordert mindestens eine Heiz- und eine Kühlperiode sauberer Trenddaten.

Stand der Technik (2026)

• MPC bleibt das Arbeitspferd in der Produktion; RL und hybride Ansätze zeigen starke Simulationsergebnisse, doch reale Einsätze sind seltener wegen Dateneffizienz, Sicherheit und Inbetriebnahmekosten. BOPTEST bietet einen gemeinsamen Maßstab für Vergleiche [5].
• Zeitreihen-Foundation-Modelle liefern brauchbare Zero-Shot-Lastprognosen und verringern den Aufwand für den Modellaufbau je Gebäude.
• Semantische Datenmodelle (Brick, Project Haystack) und LLM-gestützte Datenpunktzuordnung verkürzen die Einführungszeit, historisch der Hauptkostenfaktor.
• Netzdienliche Gebäude: Optimierung gegen dynamische Preise und Flexibilitätsmärkte, zunehmend kombiniert mit PV, Speichern und Wärmepumpen.
• Grenzen: schlechte Sensordaten, fehlende Messung, undokumentierte Regelsequenzen, Komfortbeschwerden durch zu aggressive Vorkonditionierung, Rebound-Effekte und Einsparungen, die ohne witterungsbereinigte Ausgangswerte schwer nachzuweisen sind. Gelernte Regler können sich außerhalb der Trainingsverteilung unvorhersehbar verhalten.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (Zeitreihen + Optimierungslöser + Streaming): PRED-007 Lastprognose, OPT-011 Batterieeinsatz, OPT-023 Fernwärme, OPT-032 Prosumer-Haushaltsenergie, OPT-021 Laden im E-Fahrzeug-Depot, PRED-031 Smart-Meter-Disaggregation.
• FDD und Instandhaltung: PRED-006 vorausschauende Instandhaltung, ANOM-001 Anomalieerkennung auf Sensorströmen.
• Eingaben: PRED-017 Wetterprognose; PRED-046 Strukturüberwachung teilt sich die Sensorinfrastruktur.
• Ein einziges Edge-Gateway und eine Zeitreihenplattform bedienen je Standort alle diese Anwendungsfälle.

Aufwand, Kosten & Kennzahlen

• Weg A: Wochen bis wenige Monate je Standort; Abo- oder Einsparbeteiligungs-Preismodell; GLT-Upgrades können nötig sein.
• Weg B: 4–9 Monate für die erste Portfolio-Einführung; die Kosten werden von Integration und Messtechnik getrieben, nicht von KI-APIs.
• Weg C: 6–12 Monate mit einem gemischten Regelungs-/Datenteam; niedrige Lizenzkosten.
• Kennzahlen: witterungsbereinigte kWh/m² und CO2 pro m²; Energiekosten pro Jahr; Spitzenlast (kW); Komfortstunden außerhalb des Bandes; Zeit bis zur Störungserkennung und bis zur Behebung; Anteil der Stunden unter automatischer Optimierung; Amortisationszeit.

Menschen & Veränderung

Binden Sie die Geschäftsleitung für Einsparziele und Investitionen ein, den Facility Manager als Prozessverantwortlichen sowie IT und IT-Sicherheit, weil GLT- und OT-Netze sicher verbunden werden müssen (GUIDE-013). Der Errichter oder das Servicehaus ist ein wichtiger Partner, da er den GLT-Zugang kontrolliert. Datenverantwortliche (Energieabrechnung, Immobilienverwaltung) liefern Zählerdaten. Mieter oder Gebäudenutzer sind von Temperaturänderungen betroffen und müssen informiert werden.

Betriebsrat: kommt darauf an. Werden nur Daten der Gebäudetechnik genutzt, wird §87 Abs. 1 Nr. 6 BetrVG nicht ausgelöst; er greift, wenn Belegungs- oder Zutrittsdaten Personen zugeordnet werden können oder wenn Raumsensoren eine Verhaltensüberwachung erlauben. §90 Abs. 1 Nr. 3 verlangt rechtzeitige Information über KI-geplante Änderungen. Im öffentlichen Dienst übernimmt der Personalrat diese Rolle.

Die Belegungserfassung sollte anonym und zählend sein, nicht personenbezogen. Sind personenbezogene Daten betroffen, beziehen Sie die Datenschutzbeauftragte(n) ein und prüfen Sie eine DSFA (GUIDE-005). KI-Kompetenz: Schulen Sie das Facility-Personal, Sollwertempfehlungen zu verstehen und zu hinterfragen (GUIDE-006). Starten Sie mit einem Pilot in einem Gebäude, erhalten Sie die manuelle Übersteuerung jederzeit und kommunizieren Sie Komfortänderungen vorab. Typische Sorge: „zu kalt oder zu warm“. Begegnen Sie ihr mit Komfortgrenzen und einem Beschwerdekanal (GUIDE-008, GUIDE-009).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): typischerweise minimales Risiko. Vorsicht: KI als Sicherheitskomponente bei Verwaltung und Betrieb kritischer digitaler Infrastruktur, des Straßenverkehrs oder der Versorgung mit Wasser, Gas, Wärme und Strom ist nach Anhang III hochriskant (Nr. 2). Die gewöhnliche Komfort- und Effizienzregelung eines Gebäudes fällt nicht darunter; die Steuerung von Fernwärme oder Netzen im Quartiersmaßstab dagegen möglicherweise. Ordnen Sie je Einsatz ein (keine Rechtsberatung) [2].
• DSGVO: Belegungserfassung kann personenbezogen werden (WLAN/MAC, Arbeitsplatzbuchung, kamerabasierte Zählung); bevorzugen Sie aggregierte, anonyme Sensoren und eine DSFA, wo Einzelpersonen verfolgt werden können; Mitbestimmung des Betriebsrats in Deutschland (BetrVG §87).
• Energierecht: BACS-Pflichten der EPBD und nationale Umsetzung (in Deutschland das GEG); Audits nach der Energieeffizienzrichtlinie; ISO 50001; EN ISO 52120-1.
• Cybersicherheit: Schreibzugriff auf die GLT ist ein Angriffspfad; OT-Netze segmentieren, NIS2 anwenden, soweit einschlägig, Schreibzugriff nach dem Prinzip der minimalen Rechte vergeben und eine Hardware-Rückfallebene vorsehen.
• Sicherheit und Komfort: Legionellengrenzen, Mindestlüftung (Arbeitsstättenregeln), Frostschutz sowie Brand-/Rauchfunktionen müssen außerhalb der KI-Steuerung bleiben.
• Gegenmaßnahmen: begrenzte übergeordnete Sollwerte, Watchdog-Rückfall auf GLT-Logik, Audit-Log jeder Aktion, unabhängige Mess- und Verifizierung (M&V).

Erste Schritte

1. Bestand erheben: GLT-Typ, BACnet-Zugang, Unterzähler, Datenpunktbenennung, Heiz-/Kühlanlagen und 12+ Monate Trenddaten.
2. Ein oder zwei repräsentative Gebäude auswählen; zuerst Messlücken und Sensordrift beheben.
3. Mit reiner Analyse beginnen (Prognose + FDD, kein Zurückschreiben); das Einsparpotenzial gegen einen witterungsbereinigten Ausgangswert beziffern.
4. Übergeordnete Optimierung (Vorheizen, Sollwert-Nachführung) mit Komfortbändern und automatischem Rückfall pilotieren; eine volle Saison laufen lassen.
5. Über ein semantisches Modell (Brick) und vorlagenbasierte Einführung skalieren; EPBD-/ISO-50001-Nachweise dokumentieren.

Quellen

1. Directive (EU) 2024/1275 (recast EPBD), EUR-Lex — https://eur-lex.europa.eu/eli/dir/2024/1275/oj/eng
2. Regulation (EU) 2024/1689 (AI Act), Annex III — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
3. DeepMind — AI reduces Google data centre cooling bill by 40% — https://deepmind.google/discover/blog/deepmind-ai-reduces-google-data-centre-cooling-bill-by-40/
4. EnergyPlus (US DOE) — https://energyplus.net
5. BOPTEST, IBPSA Project 1 — https://github.com/ibpsa/project1-boptest
6. Sinergym, RL environments for building simulation — https://github.com/ugr-sail/sinergym
7. Brick Schema — https://brickschema.org
8. Chronos time-series foundation models — https://github.com/amazon-science/chronos-forecasting
9. EU.BAC — guidelines for EPBD transposition (2026) — https://eubac.org/wp-content/uploads/2026/02/2025_eu.bac-Guidlines-fort-the-transposition-of-the-EPBD.cleaned-.pdf