Entwicklung einer hocheffizienten Optimierung von Energieversorgungssystemen im Gebäudebereich auf Basis von Prior-Modellen der Künstlichen Intelligenz; Kurztitel: SmartPrior
Year: 2026
Type: report
Abstract: Das Projekt SmartPrior adressierte eine zentrale Herausforderung der Energiewende: die zunehmende Komplexität hybrider Energieversorgungssysteme und die damit verbundenen Schwierigkeiten bei Auslegung und Optimierung. Klassische Optimierungsverfahren auf Basis gemischt-ganzzahliger Programme benötigen mehrere Tage Rechenzeit und sind für die Praxis ungeeignet. Im Vorgängerprojekt EnergyExpert wurde bereits eine Methode mit Näherungsmodellen entwickelt, deren Modellbildungszeit jedoch bei realistischen Szenarien bis zu elf Stunden betragen kann. SmartPrior entkoppelte daher rechenintensive Modellbildung und nachgelagerte Anwendung durch sogenannte Prior-Modelle: vorberechnete Approximationsmodelle für typische Randbedingungsklassen. Last- und Wetterprofile wurden per Clustering in 36 Klassen eingeteilt, für die jeweils ein Modell auf Basis statistischer Versuchspläne trainiert wurde. Gaußprozessregressionen zeigten die beste Prognosegüte; durch aktives Lernen wurden Bestimmtheitsmaße über 99 % erreicht. Die entwickelte Softwarearchitektur umfasst eine Python-Anwendung mit MySQL-Datenbank und REST-API. Drei Rechenkerne mit unterschiedlichem Detailgrad wurden integriert, von regelbasierter Simulation (~2 s) bis zur MILP-Betriebsoptimierung (~500 s). Eine Trennung von energetischer Simulation und Zielgrößenberechnung erlaubt es, wirtschaftliche Parameter wie Energiepreise ohne erneute Simulation zu variieren. Die Evaluation zeigte Zeitgewinne von über 98% bei nahezu identischen Ergebnissen. Bei 16 variablen Parametern betrug die Modellbildung ~171 Minuten, die anschließende Optimierung unter einer Sekunde. Für die Übertragung auf MILP-basierte Systeme besteht weiterer Entwicklungsbedarf. Insgesamt schuf SmartPrior eine solide methodische und softwaretechnische Grundlage für KI-gestützte Energiesystemoptimierung.
Source: RENATE
DOI: 10.34657/42640
Language: German
Subfield: Building and Construction
Field: Engineering
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7214775017