Gebäude sind für 40 % des Energieverbrauchs und 36 % der CO₂-Emissionen in Europa verantwortlich. Eine Optimierung der Gebäudetechnik ist notwendig, um die Ziele des European Green Deals zu erreichen.

Der tatsächliche Energieverbrauch von Gebäuden weicht häufig bis zu 30 % von den Planwerten ab, bedingt durch Betriebsfehler und unvorhergesehenes Nutzerverhalten. Traditionelle Methoden zur Fehlererkennung und Fehlerdiagnose (FDD) erfordern hohen manuellen Aufwand und sind aufgrund mangelnder Skalierbarkeit und Erklärbarkeit für den breiten Einsatz ungeeignet. Die fehlende Verfügbarkeit und Konsistenz von semantischen Gebäudedaten erschwert die Umsetzung automatisierter Lösungen.

Im Projekt BOSS werden Causal AI Methoden entwickelt, die einerseits semantische Daten auf der Basis von Zeitreihen ableiten und andererseits für FDD-Anwendungen genutzt werden. Causal AI bieten den Vorteil, dass sie darauf abzielen, Ursache-Wirkungs-Beziehungen statt nur statistische Korrelationen zu identifizieren, was die Erklärbarkeit der Modelle erhöht und ihre Leistungsfähigkeit und Zuverlässigkeit im Vergleich zu herkömmlichen Ansätzen deutlich verbessert.

Das Konsortium kombiniert das Wissen von ISTA in den theoretischen Grundlagen der Kausalen AI mit der angewandten Forschung der TU Wien im Bereich der AI für Gebäude- und Energiesysteme, ergänzt durch die praktische Expertise der Industriepartner DiLT Analytics und EAM Systems. Gemeinsam deckt das Konsortium die gesamte Innovationskette von der Grundlagenforschung bis zur Umsetzung marktreifer Technologien ab und will die Grundlage für eine Technologieführerschaft im Bereich Causal AI und skalierbarer FDD-Lösungen schaffen.