Zur Erreichung der nationalen und europäischen Klimaneutralitätsziele 2050 müssen die CO2-Emissionen signifikant reduziert werden. Der Gebäudesektor spielt dabei eine zentrale Rolle: in der EU entfallen 40 % des Endenergieverbrauchs und 36 % der Emissionen auf ihn. Eine kontinuierliche, systematische Überwachung des Gebäudebetriebs wird aufgrund der Komplexität der Heizungs-, Lüftungs- und Klimaanlagen (HLK-Anlagen), unzureichender Daten und Tools oder Personalmangels aber nur in seltenen Fällen durchgeführt, obwohl die laufende Überprüfung der Betriebsparameter großes Potential besitzt. Studien zeigen ein großes Energieeinsparungspotential von bis zu 30 % durch optimierte Betriebsführung und intelligentes Monitoring im Nichtwohngebäudesektor. Am Markt erhältliche Software zur Betriebsoptimierung setzt jedoch hochqualifizierte Fachkräfte voraus, ist aufwändig einzurichten oder benötigt im Vorfeld oft ein Upgrade der Messtechnik der vorhandenen HLK. Die Möglichkeiten und Vorteile intelligenter Fehlererkennung und automatischer Fehlerkorrektur in Gebäuden sind noch nicht in der Praxis angekommen.
SELF²B demonstriert eine KI-basierte selbstlernende & selbstdiagnostizierende Fehlererkennung- und Diagnoselösung (FDD) im Gebäudeportfolio der Bundesimmobiliengesellschaft am Standort der Veterinärmedizinischen Universität Wien. Die im Projekt erarbeiteten Lösungen sollen in Form eines Echtzeit-Online-FDD-Prototyps im Realbetrieb demonstriert und der Nutzen anhand einer Bewertungsmatrix (technisch, ökonomisch, ökologisch) evaluiert werden. Zusätzlich zu den HLK-Systemen wird auch die PV-Anlage am Standort kontinuierlich überwacht. Des Weiteren wird ein Technologiekonzept für „selbstlernende, selbstoptimierende“ Bestandsgebäude für die nächste Generation des effizienten Gebäudebetriebs erstellt.
Die im Projekt SELF²B geplanten Innovationen gehen über den internationalen Stand der Technik hinaus: Die Kombination von semantischen Daten und Ontologien, Heuristiken und darauf aufbauendes maschinelles Lernen garantiert skalierbare und robuste Lösungen für HLK und PV Anlagen. Die im Projekt geplante Kombination von semi-supervised Machine-Learning Modellen mit Autoencodern in Kombination mit automatisiertem Clustering und Klassifikations-Modellen stellt auch im Maschinellen Lernen eine Innovation dar, die potenziell auf andere Bereiche übertragen werden kann.
Die geplante Useri:innen-Intergration bei der Entwicklung sowie der Fokus auf Explainability und Nutzerfreundlichkeit adressieren die für vollautomatisierte Softwarelösungen relevante Markthürde der Technologieskepsis der relevanten Stakeholdergruppen. Wichtige Forschungsarbeiten stammen hauptsächlich aus China und den USA, d.h. das geplante Pilotprojekt ist eines der ersten Echtzeitimplementierungen in dieser Form in Europa.
