KI-basierte Methoden zur optimierten Dimensionierung von Wärmepumpen in Bestandsgebäuden hinsichtlich Treibhausgasemissionen und Netzstabilität

Problemstellung 

Der Gebäudesektor verursacht in Deutschland einen erheblichen Anteil der Treibhausgasemissionen, wobei rund 78 % der etwa 25 Millionen installierten Wärmeerzeuger noch auf fossilen Brennstoffen basieren. Gleichzeitig ist ca. ein Drittel des Gebäudebestands energetisch unsaniert, ein weiteres Viertel nur teilweise saniert. Weiterhin ist die aktuelle Sanierungsrate zu gering, um in den nächsten 50 Jahren eine umfassende Dekarbonisierung zu erreichen. Daraus ergibt sich die Notwendigkeit, Wärmepumpen auch in unsanierten Bestandsgebäuden wirtschaftlich und effizient einzusetzen.

Moderne Wärmepumpen, insbesondere mit dem Kältemittel Propan, ermöglichen mittlerweile auch bei niedrigen Außentemperaturen ausreichend hohe Vorlauftemperaturen für den Einsatz in Bestandsgebäuden mit Heizkörpern. Durch modulierende Betriebsweisen entsteht jedoch ein komplexer multivariabler Betriebsraum, in dem Effizienz und Leistungsbereitstellung stark von verschiedenen Einflussgrößen wie Quellentemperatur, Systemtemperaturen, Betriebsstrategien und Netzbedingungen abhängen.

Bestehende Auslegungsmethoden werden dieser Komplexität häufig nicht gerecht. Während vereinfachte Dimensionierungsansätze zu einer Unterdimensionierung und erhöhtem Heizstabeinsatz führen können, resultieren konservative Planungsansätze oft in einer Überdimensionierung mit ineffizientem Taktbetrieb. Daraus ergibt sich die zentrale Herausforderung, geeignete Dimensionierungs- und Betriebsstrategien für Wärmepumpen zu entwickeln, die sowohl Effizienz, Netzverträglichkeit als auch reale Betriebsbedingungen angemessen berücksichtigen.

Zielsetzung 

Ziel des Projektvorhabens ist es, eine Dimensionierungs-Methodik für Wärmepumpen zu entwickeln, die den beschriebenen multivariablen Lösungsraum unter der Maßgabe einer Minimierung von Treibhausgas-Emissionen und einer Minimierung der Verteilnetzbelastung berücksichtigt. Hierfür sollen sowohl die Leistungs- und Effizienzkennfelder marktüblicher Wärmepumpen, als auch die heutige und zukünftige (lokale) Verfügbarkeit von erneuerbarem Strom sowie die thermische Charakteristik unterschiedlicher energetischer Gebäudestandards und frei verfügbare Monitoring-Daten als Trainingsdaten für Methoden des maschinellen Lernens herangezogen werden. Dabei liegt eine Extraktion von Dimensionierungs-Regeln mittels Unsupervised Learning mit anschließender Validierung von Prognosen auf der Basis von Supervised Learning nahe. Für das dabei entstehende KI-Modell wird im Anschluss an das Promotionsvorhaben die Bereitstellung einer Open-Source-Anwendung im Rahmen eines Transferprojekts angestrebt, wodurch eine signifikante Entlastung von Fachkräften im Planungsprozess für die notwendige Installation von Wärmepumpen im hohen sechsstelligen Stückzahlbereich pro Jahr entstünde.