Prognose der Gebäudeenergieeffizienz und Erstellung von Sanierungsfahrplänen (Energieausweis / iSFP)

Gebäude verursachen einen großen Teil des Energieverbrauchs in der EU, doch die meisten Eigentümer kennen weder die Effizienzklasse ihres Gebäudes noch wissen sie, welche Sanierungsschritte sich lohnen. ML-Ersatzmodelle (Surrogate) und simulationsgestützte Pipelines schätzen Bedarf und Klasse aus spärlichen Daten (Adresse, Fotos, Rechnungen, 3D-Stadtmodelle); anschließend entwirft ein LLM-gestützter Ablauf einen mit Kosten hinterlegten Fahrplan samt Fördermittelabgleich. Energieberater, kommunale Wärmeplaner, Wohnungsunternehmen und Eigentümer erhalten eine erste Einschätzung in Minuten statt Wochen; die zertifizierte Fachperson bleibt in der Schleife.

Problem & Nutzen

• Heute: Ein Energieausweis oder ein individueller Sanierungsfahrplan (iSFP) erfordert einen Vor-Ort-Termin, manuelle Datenerfassung und Berechnung in zertifizierter Software. Die Kapazität qualifizierter Berater ist der Engpass, und Kommunen fehlen gebäudescharfe Daten für die Wärmeplanung.
• KI-Nutzen: (1) Gebäudedaten aus Bildern, Dokumenten und Geodaten vorbefüllen; (2) schnelle Surrogatmodelle für Bedarf und Klasse im Bestandsmaßstab; (3) Maßnahmen priorisieren und in eine Reihenfolge bringen; (4) lesbare Fahrplanentwürfe und Förderprüfungen erzeugen. Berater verwenden ihre Zeit auf Prüfung und Kundengespräch statt auf Dateneingabe.
• Regulatorischer Sog: Die Neufassung der Gebäudeenergieeffizienz-Richtlinie (EU) 2024/1275 verlangt die Umsetzung bis zum 29. Mai 2026, führt Renovierungspässe, harmonisierte digitale Energieausweise mit nationalen Datenbanken und nationale Pfade zur Senkung des durchschnittlichen Primärenergiebedarfs von Wohngebäuden ein (Mindestanforderungen an die Gesamtenergieeffizienz, zuerst die schlechtesten Gebäude) [1]. In Deutschland erzeugen das GEG (Heizungsgesetz), das Wärmeplanungsgesetz (WPG) und das Förderprogramm BEG Nachfrage nach gebäudescharfen Daten und Beratung [2]. Prüfen Sie den aktuellen nationalen Stand der Umsetzung, da er zum Zeitpunkt der Erstellung noch in Bewegung war.
• Es werden hier keine gemessenen Nutzenzahlen genannt; die veröffentlichte Genauigkeit von Surrogatmodellen schwankt stark mit Datenqualität und Region, validieren Sie daher am eigenen Bestand.

Varianten

• Werkzeuge für Energieberater: Vorbefüllung, Plausibilitätsprüfungen und Entwurf von Fahrplantexten innerhalb zertifizierter Berechnungssoftware; der Berater gibt frei.
• Kommunale Wärmeplanung / Quartiersebene: Bedarf jedes Gebäudes aus Grundrissen, Höhe, Altersklasse und Typologien schätzen, um Wärmebedarfskarten zu speisen (zur netzseitigen Last siehe PRED-007).
• Wohnungsunternehmen und Portfolioeigentümer: Sanierung über Tausende Einheiten priorisieren, CO2-Pfad und Investitionsplanung; Anbindung an ESG-Berichterstattung und PRED-036 (Klimarisiko).
• Banken, Versicherer, Immobilienbewertung: Effizienzklasse als Eingangsgröße für grüne Kredite und Bewertung (PRED-015). Die Nutzung des Ergebnisses für Kreditentscheidungen über Personen kann zusätzliche regulatorische Pflichten auslösen.
• Private Eigentümer: Selbstcheck anhand von Fotos und Rechnungen mit Chat-Assistent („Was braucht eine Wärmepumpe in meinem Haus?“), dann Übergabe an einen zertifizierten Berater für den geförderten iSFP.
• Nichtwohngebäude / Standorte von KMU: Büros, Werkstätten, Einzelhandel; Kombination mit Messdaten (PRED-031).

So funktioniert es

1. building identification (address
2. cadastre, footprint, 3D city model, orthophoto)
3. data enrichment (typology by age class, climate file, user photos, bills, old certificates via doc parsing)
4. feature extraction (VLM: facade, windows, roof, boiler label; geometry: area, volume, compactness)
5. demand model (physics-based simulation OR ML surrogate trained on simulations / certificates)
6. calibration against measured consumption where available
7. measure catalogue simulation (insulation, windows, heat pump, PV) + cost database
8. optimisation (sequence, budget, subsidy rules)
9. uncertainty-aware ranking
10. roadmap draft (LLM, grounded in the computed numbers)
11. expert review
12. certificate / iSFP

• Surrogate: gradientenverstärkte Bäume oder neuronale Netze, trainiert auf großen simulierten Beständen (z. B. Läufe der Physik-Engine EnergyPlus über Gebäudetypologien) oder auf nationalen Energieausweis-Datenbanken; sie liefern Schätzungen in Millisekunden und ermöglichen Szenarien im Portfoliomaßstab [3][4].
• Vision-Sprachmodelle (VLM) lesen Kesselschilder, Fenstertypen, Fassadenzustand und Zählerfotos; sie sind Extraktoren, keine Rechner.
• Rolle des LLM: den Fahrplan strukturieren, Maßnahmen in verständlicher Sprache erklären, Regeln und Förderbedingungen per Retrieval nachschlagen. Zahlen stammen immer aus der Modell-/Berechnungsschicht, nie vom LLM.
• Mensch-in-der-Schleife (Human-in-the-Loop): Ein zertifizierter Energieberater prüft die Eingaben und unterzeichnet den rechtlich relevanten Ausweis oder Fahrplan; das Werkzeug zeigt Konfidenz und die getroffenen Annahmen.

Datenaufbereitung

Die Eingaben stammen aus mehreren Quellen: Kataster und 3D-Stadtmodelle (CityGML/LoD2) beim Vermessungsamt, Baujahr und Heizungsdaten im ERP oder Liegenschaftsregister des Wohnungsunternehmens, Energierechnungen oder Smart-Meter-Daten bei den Versorgern, alte Energieausweise, Grundrisse und Rechnungen als PDF oder Papier auf Dateiservern sowie Fotos auf Handys oder in E-Mails.

Typische Lücken: fehlende oder falsche Baujahre, gescannte Ausweise ohne Text, doppelte Gebäudedatensätze, uneinheitliche Adressen, kein gemessener Verbrauch, Fotos ohne Beschriftung sowie Kundendaten, die eine Einwilligung oder einen AVV erfordern.

Schritte der Aufbereitung: 1. Gebäudedaten und Verantwortliche erfassen (PREP-001, PREP-004), Exporte aus ERP und Zählersystemen ziehen (PREP-005). 2. Adressen normalisieren und Gebäudedatensätze zu einer stabilen Gebäude-ID entdoppeln. 3. Alte Ausweise, Grundrisse und Rechnungen per OCR erfassen und Schlüsselfelder extrahieren (PREP-006, DOC-014). 4. Eine einheitliche Fotoerfassung mit kurzer Checkliste für Vor-Ort-Termine einrichten. 5. Personenbezogene Daten vor der Analyse pseudonymisieren (PREP-022). 6. Geprüfte Ausweise als Referenz-Testdatensatz nutzen (PREP-018, PREP-020).

Aufwand: mittel; Adressabgleich und Dokumentenextraktion dominieren. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• KMU (Energieberater, Handwerker, Planer): Weg A — etablierte deutsche Berechnungs- und Proptech-Werkzeuge gibt es zu KMU-tauglichen Preisen, und der Prozess ist standardisiert.
• Unternehmen (Wohnungsunternehmen, Versorger): Weg B — Analysen im Portfoliomaßstab müssen sich in eigene Gebäuderegister und ERP integrieren, was Standardwerkzeuge nur teilweise abdecken.
• Entwickler: Weg C — offene Surrogate und Simulations-Engines (auf EnergyPlus-Basis) laufen auf HW2 und erlauben eigene Typologien.
• Privat: Weg A — eine Anbieter-App oder ein Portal gibt Eigentümern ohne jede Infrastruktur eine schnelle Vorabeinschätzung.
• Öffentliche Hand (Kommunen): Weg B in einer souveränen EU- oder deutschen Cloud — die Wärmeplanung braucht die Integration von Kataster und 3D-Stadtmodellen; nutzen Sie ein zugekauftes Werkzeug nur, wenn es für den amtlichen Gebrauch zertifiziert ist.

Weg A — Kaufen (empfohlen für die meisten KMU und Privatnutzer)

• Berechnungssoftware für Energieberater mit wachsender Automatisierung: etablierte deutsche Anbieter wie Hottgenroth/ETU, Zub und ähnliche (EU/DE) sowie iSFP-fähige Werkzeuge — prüfen Sie die KI-Funktionen je Produkt.
• Proptech-/Gebäudedatenplattformen (EU/DE): Enter und greenventory positionieren sich bei der adressbasierten Analyse des Gebäudebestands und der Sanierungsplanung; hinzu kommen GIS-/3D-Stadtmodell-Anbieter und Wärmeplanungsplattformen, die Kommunen nutzen. Prüfen Sie Datengrundlage, Validierungsstudien und ob die Ergebnisse für amtliche Ausweise anerkannt werden (meist: nur als Vorabeinschätzung).
• Wählen Sie A, wenn: Sie rasch einen funktionierenden Dienst brauchen und keine Data Scientists haben. Verlangen Sie von Anbietern die Hold-out-Genauigkeit für Gebäude wie Ihre sowie DSGVO-/AVV-Unterlagen.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Extraktion: eine multimodale Modell-API (Claude, Gemini, GPT, Mistral; EU-Regionen, wo angeboten) mit strukturierten Ausgaben für Fotos, Schilder, Ausweise und Rechnungen; Document AI für PDFs.
• Berechnungsschicht: ein eigener Dienst rund um eine zertifizierte Berechnungs-Engine oder offene Simulation; ML-Surrogate auf verwalteten ML-Plattformen (Azure ML, Vertex AI, SageMaker, EU-Regionen).
• Geodaten: nationales Kataster/offene Geodaten (z. B. deutsche LoD2-Gebäudemodelle, ALKIS) und eine 3D-Geodatenbank; Orthofotos und Wetterdateien.
• Orchestrierung: n8n oder Power Automate für Aufnahme → Anreicherung → Prüfung → PDF.
• Wählen Sie B, wenn: Sie ein Beraternetzwerk, Versorger, eine Bank oder ein Wohnungsunternehmen sind und eine markenspezifische Kundenreise und eigene Logik wünschen.

Weg C — Selbst betreiben (Open Source)

• Physik/Simulation: EnergyPlus (BSD-artige Lizenz, Gesamtgebäudesimulation) und OpenStudio (maßnahmenbasierte Modellierung mit Python/Ruby-SDK) [3][5]; ResStock/ComStock zeigen, wie sich synthetische Datensätze im Bestandsmaßstab erzeugen lassen [4]; BuildingsBench liefert einen Benchmark und Vortrainingsdaten für Lastmodelle auf Gebäudeebene [6]. Beachten Sie, dass diese auf die USA ausgerichtet sind; EU-Typologien (z. B. TABULA/EPISCOPE-Typologiedaten) müssen ergänzt und die Berechnung muss auf das nationale Verfahren abgebildet werden (in Deutschland Verfahren im Stil von DIN V 18599 / DIN 4108-6 / 4701-10 innerhalb zertifizierter Software).
• Geodaten: 3DCityDB (Apache 2.0, PostgreSQL/PostGIS, CityGML 3.0) für 3D-Stadtmodelle [7].
• ML: LightGBM/XGBoost/CatBoost; optional tabellarische Foundation-Modelle; offene VLM (z. B. Klasse Qwen-VL) und offenes LLM über vLLM für Fotoextraktion und Berichtsentwürfe.
• Hardware: HW2 genügt für VLM/LLM plus Surrogat-Inferenz; das Training von Surrogaten und Millionen von Simulationsläufen ist CPU-intensiv (Batch-Cluster).

Weg D — Eigenes Training

Lohnt sich für Versorger, große Wohnungsunternehmen, Landesbehörden oder Beraternetzwerke mit Tausenden Ausweisen samt geprüften Eingaben und gemessenem Verbrauch. Trainieren Sie Surrogat-Regressoren/-Klassifikatoren für Bedarf und Klasse, kalibrieren Sie sie an Messdaten und feintunen Sie ein kleines VLM auf beschrifteten Fassaden-/Kesselfotos. Erforderlich: eine saubere, repräsentative Bestandsstichprobe (Altersklassen, Gebäudetypen, Regionen), Referenzwerte aus Ausweisen oder Messungen und Hold-out-Validierung nach Region. Vorsicht bei Label-Rauschen: Viele Ausweise enthalten selbst Eingabefehler, und verbrauchsbasierte Labels hängen vom Nutzerverhalten ab.

Stand der Technik (2026)

• Hybride Modellierung dominiert: Physik-Engines für Was-wäre-wenn-Maßnahmen, ML-Surrogate für Geschwindigkeit und Kalibrierung an Messdaten. Rein datengetriebene Modelle sagen den aktuellen Bedarf im Mittel gut voraus, extrapolieren aber schlecht auf im Training nicht gesehene Maßnahmen (z. B. kombinierte Hüllen- und Wärmepumpen-Sanierungen).
• Große synthetische Datensätze und Vortraining für Gebäudeenergie (z. B. NRELs aus den End-Use Load Profiles abgeleitetes Buildings-900K) ermöglichen Zero-Shot- und Transferlernen für die Lastprognose [6].
• Geo-KI im Bestandsmaßstab: Grundrisse, Höhen und Dachformen aus LoD2/3D-Stadtmodellen und Luft-/Satellitenbildern liefern die Geometrie ganzer Kommunen; Altersklasse und Typologie füllen den Rest.
• VLM für die Datenerfassung: Das fotobasierte Lesen von Schildern, Fenstern und Dämmzustand verkürzt Vor-Ort-Audits, kann aber weder den Wandaufbau noch verdeckte Dämmung erkennen.
• LLM-Fahrplanentwürfe mit Retrieval über Förderregeln und Maßnahmenkataloge sind in Prototypen produktiv; sie erfordern Verankerung in Quellen, da sich Förderbedingungen häufig ändern.
• Grenzen und Fehlerbilder: Schätzungen allein aus Adressdaten haben große Einzelfehler, selbst wenn die Bestandsmittel stimmen; der Prebound-/Rebound-Effekt (der tatsächliche Verbrauch weicht vom berechneten Bedarf ab); veraltete Kostendaten; unbekannte frühere Sanierungen; halluzinierte Förderregeln. Unsicherheit muss gezeigt werden, und einzelne Ausweise erfordern weiterhin geprüfte Eingaben.

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack (Zeitreihen + tabular-ml + Simulation): PRED-031 (Smart-Meter-Disaggregation und Spareinsichten), PRED-007 (Lastprognose), OPT-007 (Gebäudebetriebs-/HLK-Optimierung), OPT-032 (Energiemanagement im Haushalt für Prosumer), ANOM-031 (Fehlererkennung bei HLK).
• Geo-/Vision-Stack (remote-sensing, 3d-vision, vlm): VIS-040 (Scan-to-BIM-Bestandsmodelle), PRED-036 (physisches Klimarisiko von Anlagen), PRED-046 (baulicher Zustand von Gebäuden).
• Dokumenten-Stack (ocr-docparse + llm-general + vector-db): DOC-016 (Compliance-Prüfung gegen Regeln) für Förderregeln sowie GEG/EPBD-Vorgaben; Auswertung von Ausweisen und Rechnungen wie in DOC-001.
• Bewertung/Finanzen: PRED-015 nutzt die Effizienzklasse als Preismerkmal.
• Hardware: Ein HW2-Server bedient VLM + LLM für diese Anwendungsfälle; Geodaten und Simulation teilen sich eine PostGIS-Datenbank und einen CPU-Batch-Cluster.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis Wochen; Lizenz je Berater, je Bewertung oder je Kommune.
• Weg B: 3–6 Monate für einen Produktivablauf einschließlich Integration der Berechnungs-Engine und Prüfoberfläche.
• Weg C: 4–9 Monate; überwiegend in Data Engineering, Typologie-Zuordnung und Validierung, nicht in GPUs.
• Weg D: 6–12 Monate mit einem Data-Science-Team; der Nutzen wächst mit der Bestandsgröße.
• Kostentreiber: Lizenzen für zertifizierte Berechnungs-Engines, Geodatenlizenzen, Datenbereinigung, Zeit für die Fachprüfung.
• Kennzahlen: Abweichung vom geprüften Ausweis (MAE in kWh/m²a, Trefferquote der Klasse ±1), Kalibrierungsfehler gegenüber gemessenem Verbrauch, Beraterstunden je Fahrplan, Anteil bewerteter Gebäude, Umsetzungsquote der Fahrpläne in ausgeführte Maßnahmen, Förder-Trefferquote und Abdeckung der Unsicherheitsintervalle.

Menschen & Veränderung

Beziehen Sie frühzeitig die Geschäftsleitung (Budget, Preisgestaltung der Beratungsleistungen), die Abteilungsleitung (Leitung Energieberatung oder Asset-Management), die Anwender (Energieberater, die Eingaben prüfen und Ausweise unterzeichnen), die IT (Integration mit ERP und Geodaten), die Datenschutzbeauftragte bzw. den Datenschutzbeauftragten und die Datenverantwortlichen ein. Kunden (Mieter, Eigentümer) sollten darüber informiert werden, wie ihre Gebäudedaten und Fotos genutzt werden.

Betriebsrat: kommt darauf an. Hat Ihr Unternehmen einen gewählten Betriebsrat, greift §87 Abs. 1 Nr. 6 BetrVG, wenn das Werkzeug Aktivität oder Durchsatz der Berater protokolliert, was die meisten SaaS-Werkzeuge tun; §90 Abs. 1 Nr. 3 verlangt in jedem Fall eine frühzeitige Unterrichtung, weil sich Arbeitsprozesse ändern (GUIDE-004). Öffentliche Stellen beziehen den Personalrat ein.

Datenschutz: Gebäudedaten mit Bezug zu Eigentümern oder Mietern, Rechnungen und Smart-Meter-Daten sind personenbezogene Daten. Schließen Sie mit jedem Anbieter einen AVV ab, prüfen Sie die Rechtsgrundlage und erwägen Sie eine DSFA für die großflächige Analyse von Smart-Meter-Daten (GUIDE-005, GUIDE-010).

KI-Kompetenz: Unterstützen Sie Berater mit Schulungen zu Modellunsicherheit, Annahmen und zur Prüfung von VLM-extrahierten Daten (GUIDE-006).

Pilot und Bedenken: Beginnen Sie mit 20–50 Gebäuden mit bekannten Ausweisen und vergleichen Sie die Ergebnisse. Berater könnten ihre Ersetzung befürchten; stellen Sie klar, dass der zertifizierte Berater verantwortlich bleibt und das Werkzeug Dateneingabe erspart (GUIDE-008, GUIDE-009).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): in der Regel minimales Risiko (eine technische Schätzung eines physischen Objekts, keine Kategorie des Anhangs III). Das kann sich ändern, wenn Ergebnisse in Entscheidungen über den Zugang von Personen zu Krediten oder wesentlichen Diensten einfließen (Anhang III, Nr. 5) oder wenn das System ein Sicherheitsbauteil kritischer Infrastruktur ist. Art. 4 (KI-Kompetenz) gilt. Keine Rechtsberatung [8].
• EPBD / GEG / Ausweisrecht: Ausweise und iSFP müssen von qualifizierten Personen nach vorgeschriebenen Verfahren ausgestellt werden; eine ML-Schätzung ist eine Vorabeinschätzung, sofern das nationale System sie nicht anerkennt. Halten Sie die Berechnung nachvollziehbar und die berechtigte Fachperson verantwortlich [1][2].
• DSGVO: Gebäudedaten mit Bezug zu einem Eigentümer oder Bewohner sind personenbezogen (Adresse, Verbrauch, Fotos von Wohnungen, möglicherweise von Personen). Erforderlich sind Rechtsgrundlage, Auftragsverarbeitungsvertrag, Datenminimierung und keine Speicherung von Bildern mit Personen; Smart-Meter-Daten sind besonders sensibel. EU-Hosting bevorzugt.
• Irreführende Beratung: Falsche Einspar- oder Amortisationszahlen schaden Verbrauchern; zeigen Sie Spannen, nennen Sie Annahmen und vermeiden Sie Einspargarantien. Verbraucherschutz- und Förderregeln gelten.
• Verzerrung/Abdeckung: Auf einer Region oder Altersklasse trainierte Modelle schätzen andere falsch, und Gebiete mit schlechten Geodaten erhalten schlechtere Ergebnisse; überwachen Sie die Leistung je Segment.

Erste Schritte

1. Legen Sie fest, welches Ergebnis Sie brauchen (Vorprüfung, Unterstützung für amtliche Ausweise, Wärmebedarf im Quartier) und welchen rechtlichen Status dieses Ergebnis in Ihrem Land hat.
2. Stellen Sie einen Validierungsdatensatz aus 100–300 Gebäuden mit geprüften Ausweisen oder gemessenem Verbrauch zusammen.
3. Testen Sie 2–3 Werkzeuge nach Weg A oder einen Prototyp (offene Geodaten + Typologie + EnergyPlus/Surrogat) gegen diesen Datensatz.
4. Ergänzen Sie Foto-/Dokumentenextraktion (VLM) für die fehleranfälligsten Eingaben und zeigen Sie dem Prüfer die Konfidenz.
5. Erproben Sie den Fahrplanentwurf mit einigen Beratern, messen Sie die eingesparte Zeit und die Korrekturquote und skalieren Sie dann.

Quellen

1. European Commission — Energy Performance of Buildings Directive (recast 2024/1275) — https://energy.ec.europa.eu/topics/energy-efficiency/energy-efficient-buildings/energy-performance-buildings-directive_en
2. Deutsche Energie-Agentur / Energie-Effizienz-Experten — BEG funding and energy consulting incl. iSFP — https://www.energie-effizienz-experten.de/
3. EnergyPlus (NREL / U.S. DOE) — https://github.com/NREL/EnergyPlus
4. NREL ResStock — https://github.com/NREL/resstock
5. OpenStudio — https://github.com/NREL/OpenStudio
6. NREL BuildingsBench (Buildings-900K) — https://github.com/NREL/BuildingsBench
7. 3D City Database (3DCityDB) — https://github.com/3dcitydb/3dcitydb
8. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj