Modellierung von Gebäudeenergieverbrauch- und Raumklimadaten in einem latenten Merkmalsraum im Kontext Gebäudeenergieeffizienz

• Antragsteller: Professor Dr.-Ing. Christoph van Treeck
• Fachliche Zuordnung: Konstruktiver Ingenieurbau, Bauinformatik und Baubetrieb ; Baustoffwissenschaften, Bauchemie, Bauphysik
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 510733583

Die Verfügbarkeit von Daten zu Raumklima, Nutzerverhalten und Energieverbrauch in Gebäuden hat in den letzten Jahren erheblich zugenommen. Diese Daten spielen eine immer wichtigere Rolle im nutzerzentrierten, gesunden Gebäudebetrieb oder beim Einsatz digitaler Technologien in der TGA. Zusammen mit der ständig wachsenden Menge an verfügbaren gebäudebezogenen Daten wird üblicherweise die datengesteuerte Modellierung mittels Maschinellem Lernen (ML) zur Verarbeitung dieser Informationen eingesetzt. Gemeinsame Ziele der Datenverarbeitung sind die Fehlererkennung, die prädiktive ML-Modellierung stochastischer oder komplexer Effekte, wie dem Nutzverhalten oder modellprädiktive bzw. datengesteuerte Regelungsstrategien. Zusammenfassend zeigen alle diese Technologien bei der Erfüllung der Modellierungsziele empirisch eine bessere Leistung als herkömmliche regelbasierte oder statistischen Modelle. Zusätzlich zu der empirisch nachgewiesenen höheren Modellierungsgenauigkeit erfordern diese Modellierungsparadigmen keine explizite Kodierung von Domänenwissen. Diese Unabhängigkeit von der expliziten Kodierung domänenspezifischer Informationen bietet die Möglichkeit, generische Modelle und Rahmenwerke zu entwickeln, die für eine variantenreiche Modellierung verwendet werden können. Zur Rekonstruktion von Zeitreihendaten wie Innenraumlufttemperatur, Nutzerverhalten oder zum Energieverbrauch auf Quartiersebene wäre damit ein einziges Modell verwendbar. Diese unterschiedlichen Datenströme lassen sich oft mit ähnlichen Ansätzen modellieren. Die Anwendbarkeit der identischen Modelle ist jedoch aufgrund der Unterschiede im „latenten Raum“ der jeweiligen Zieldomäne noch nicht gegeben. Um einen wissenschaftlichen Fortschritt hinsichtlich generischer Datenmodellierung im Zusammenhang mit Gebäuden, der Umweltqualität in Innenräumen und der Energieverbrauchsmodellierung zu erzielen, befasst sich dieses Projekt mit folgenden Bereichen: 1) Schaffung eines semantischen Raums, um die Ähnlichkeiten abzubilden und Datenströme in Bezug auf verschiedene Zielvariablen und Gebäude vergleichbar zu machen; 2) wie kann das für ein bestimmtes Ziel entwickelte Modell die domänenspezifischen Daten berücksichtigen, die für die Anwendung auf alternative Modellierungsziele erforderlich sind, und schließlich 3) wie das gewonnene Wissen über den latenten Raum dieser Datenquellen genutzt werden kann, um synthetische und dennoch realistische Daten zum Energieverbrauch, Raumklima(qualität) und Nutzerverhalten von Gebäuden zu erzeugen. Der methodische Schwerpunkt des Projekts liegt auf Methoden des maschinellen Lernens für Latent-Space Learning und der Anwendbarkeit der Modelle in verschiedenen Zielbereichen. Insbesondere wird der Fokus auf die Techniken der Domänenanpassung, des Transferlernens, des Latent-Space-Learnings mit Hilfe von Autoencoder Neuronalen Netzen (AENN), des adversen Lernens sowie des Physik-informierten Lernens gelegt.

• DFG-Verfahren: Sachbeihilfen