Solarthermie: Künstliche Intelligenz regelt Heizungsanlagen effizienter

Fraunhofer ISE entwickelt selbstlernende Algorithmen für solarthermische Heizungsanlagen.

Das Fraunhofer-Institut für Solare Energiesysteme ISE hat in dem Forschungsprojekt "ANNsolar" selbstlernende künstliche neuronale Netze für die Regelung solarthermischer Heizungssysteme entwickelt. Die Netze prägen sich die individuelle thermische Dynamik von Gebäuden ein, ohne dass ein physikalisches Modell vorliegen muss – das ermöglicht eine effizientere und kostengünstigere Regelung der Heizungsanlagen. Die ersten Ergebnisse sind erfreulich: Die Einsparpotentiale liegen bei sieben Prozent und mehr. Auch andere Heizungen können von der Entwicklung profitieren.

Ein Schlüssel für den Erfolg der Energiewende ist eine signifikante Einsparung fossiler Energie im Gebäudebestand. Solarthermie kann hierzu einen wichtigen Beitrag leisten. Die Kosten der Wärmeerzeugung durch Solarthermie müssen jedoch sinken: Bei der Regelung von solarthermischen Heizungsanlagen entstehen unter anderem Kosten durch die Programmierung der Regelalgorithmen sowie durch Installation, Inbetriebnahme, Wartung und Optimierung der Anlage. Die Nutzung der Methodik von künstlichen neuronalen Netzwerken könnte hier deutliche Kostenvorteile erschließen. Auch für andere Wärmeerzeugungstechnologien, wie Holzpelletheizungen, Wärmepumpen, und auch für fossile Wärmeerzeuger könnte dies nützlich sein.

Projekt "ANNsolar"

Im Rahmen des Projekts "ANNsolar" (englisch für: "Artificial Neural Networks Solar"; deutsch: Neuronale Netzwerke für die Anwendung in der Solarthermie) ging es in einem ersten Schritt darum, die Grundlagen für die Anwendung von neuronalen Netzwerken zu schaffen. Neben der Entwicklung geeigneter Netztopologien und der Definition von Hardwareanforderungen standen insbesondere Trainingsalgorithmen im Fokus der Arbeit. Im zweiten Schritt wurde eine "ANN"-Regelung realisiert und gezeigt, welche Energieeinsparpotentiale möglich sind. Zusammen mit Industriepartnern verglichen die Forscher des Fraunhofer ISE sodann Kosten und Nutzen. Abschließend lieferten sie in einem realen Gebäude den Nachweis der prinzipiellen Funktionsfähigkeit des "ANN"-Regelungsansatzes.

Bei dem neu entwickelten neuronalen Netz für den Heizungsregler handelt es sich um eine Software-Lösung. Sie prognostiziert die zukünftige Raumtemperaturentwicklung, ohne dass eine physikalische Simulation des energetischen Niveaus des Gebäudes erforderlich ist. Hinzu kommt die Prognose des Speicherladezustandes. Hieraus errechnet der Regelungsalgorithmus die notwendige Heizkreisvorlauftemperatur und die Nachheizzeiten des Kessels. Diese Informationen werden einem konventionellen Regler weitergegeben. Das neuronale Netz erhält laufend Informationen aus dem realen Gebäude über Außentemperatur, Sonneneinstrahlung, Heizungsvorlauftemperatur, Uhrzeit und Datum. Es bekommt zudem regelmäßig Daten aus der Wettervorhersage im Internet.

Diese Daten werden ständig ausgewertet und mit dem tatsächlichen Raumtemperaturverlauf verglichen. Dabei generiert das System selbstständig eine Korrelation zwischen den Eingabedaten und dem Raumtemperaturverlauf. So weiß es nach einer gewissen Zeit, wie sich die Raumtemperatur bei bestimmten Randbedingungen entwickelt. Entsprechend kann der Regler die Heizung hoch- oder runterfahren. Der wesentliche Unterschied zu den konventionellen Heizungsregelungen: Niemand muss die Heizkurve einstellen und optimieren, was in der Regel durch zeitaufwändiges Ausprobieren erfolgt. Das System macht das automatisch.

Von der Biologie zu künstlichen neuronalen Netzen

Wie funktionieren neuronale Netzwerke genauer? Sie sind, wie das menschliche Gehirn, in der Lage, Regelungsstrategien anhand von "erlebten" Beispielen zu entwickeln. Der Aufbau orientiert sich dabei an den Erkenntnissen der Biologie über das Funktionieren des menschlichen Gehirns (Abb. 1).

Ein technisches neuronales Netz besteht aus Neuronen, in denen einfache Rechenoperationen ablaufen, sowie gerichteten, gewichteten Verbindungen zwischen diesen. Das mathematische Modell eines solchen Neurons ist in Abbildung 2 dargestellt.

Die verschiedenen Eingangssignale (Input) werden mit einem Gewicht ω_IK multipliziert und aufsummiert. Dieser Wert wird an eine Übertragungsfunktion übergeben, die den Charakter einer Schwellwertfunktion besitzt. Wenn die Summe einen bestimmten Schwellwert überschritten hat, ist das Ausgangssignal (Output) +1 im Fall der Unterschreitung -1.

Einzelne Neuronen werden dann zu einem neuronalen Netz zusammengesetzt, wobei der Output eines Neurons den Input eines weiteren Neurons darstellt (Abb. 3).

Zunächst werden die Eingangssignale in einer Eingangsschicht (Input layer) verarbeitet. Danach folgen mehrere verdeckte Schichten (hidden layer). Am Ende steht die Ausgangs-schicht (Output layer), die das Ausgangssignal (Output) generiert.

Das interessanteste Merkmal neuronaler Netze ist, ihre Fähigkeit zu lernen. Lernen bedeutet in diesem Zusammenhang, dass das System in der Lage ist, eine Korrelation zwischen Eingangssignalen und Ausgangssignalen herzustellen. Dabei verändert sich das System so, dass die berechneten Ausgangssignale möglichst gut mit den gemessenen übereinstimmen. Dieses Verhalten lernt es mit Hilfe von Trainingsdaten. Wird diese Funktionalität für die Simulation technischer Prozesse genutzt, so muss keinerlei Information über physikalische Zusammenhänge verfügbar sein. Es müssen lediglich Trainingsdaten zur Verfügung stehen, die das Verhalten des Prozesses ausreichend charakterisieren.

Regelung von Heizungsanlagen mit künstlicher Intelligenz

Es liegt nahe, solche Netze auch für die Regelungen von Heizungsanlagen einzusetzen. Für Heizungssysteme kann ein solches künstliches neuronales Netz genutzt werden, um die individuelle thermische Dynamik des Gebäudes und die Auswirkung von passiver solarer Erwärmung auf dessen Wärmebedarf zu erfassen und den Ladezustand des Speichers in Abhängigkeit der Betriebsbedingungen zu prognostizieren.

KI-Algorithmen (KI = Künstliche Intelligenz) erlauben, individuelle Randbedingungen wie lokales Klima, thermodynamisches Verhalten eines Gebäudes sowie charakteristisches Betriebsverhalten der solarthermischen Anlage und des Wärmeverteilsystems selbstständig zu identifizieren. Im Regelungsbetrieb kann dann die Entwicklung der Raumtemperatur und des Speicherladezustandes prognostiziert werden, um damit optimalen Betrieb zu ermöglichen. Neben der Maximierung von Solarertrag und Energieeffizienz ist durch diesen Ansatz auch eine Reduzierung der Kosten bei Installation und Inbetriebnahme der Regler möglich. Die Kombination von selbstlernenden künstlichen neuronalen Netzen und einer linearen System-Identifikation (LSI) zur Analyse des nichtlinearen und linearen Teils des dynamischen Verhaltens der Anlage und des Gebäudes erlauben eine robuste KI-Lösung für Heizungsregelungen. Die benötigten Algorithmen für diesen Ansatz wurden am Fraunhofer ISE entwickelt und in einen Regelungscode implementiert.

Prognose von Raumtemperatur und Speicherladezustand

Die Prognosen von Raumtemperatur und Speicherladezustand stellen die wesentliche Basis des entwickelten Regelungskonzeptes dar. Die genannten Größen können mit Hilfe der Kombination aus "ANN" und LSI recht genau prognostiziert werden. Für die Überprüfung dieser Aussage wurden Messdaten einer real existierenden Anlage genutzt, um "ANN"-Netze zu trainieren. Die trainierten "ANN"-Netze konnten folgende Genauigkeiten (jeweils für das 80-Prozent-Quantil) erzielen: Raumtemperatur +/- 0,5 K, Speicherladezustand +/-10 K. Nochmals zu betonen ist, dass all diese Prognoseergebnisse ohne Simulation erreicht werden. Dieser Ansatz stellt daher ein hervorragendes Instrument zur schnellen und kostengünstigen Prognose dar.

Die "ANN"-Regelung übernimmt die Sollwertermittlung der Vorlauftemperatur des Heizkreises und die Regelung der Zuschaltung einer möglichen fossilen Nachheizung. Die übrigen Funktionen entsprechen im Wesentlichen denen einer konventionellen Regelung. Für die "ANN"-Regelung wird auf die weiter oben beschriebenen "ANN"-­Prognosen zurückgegriffen. Bei der Ermittlung des Sollwertes der ­Heizungsvorlauftemperatur wird dieser Wert solange variiert, bis die pro­gnostizierte Raumtemperatur der gewünschten entspricht. Dieser Ansatz entspricht einer automatischen Heizkurvenermittlung, die zusätzliche Einflüsse, wie etwa passive solare Nutzung oder den Betrieb eines Kaminofens, berücksichtigt. Für die Entscheidung über die Einschaltung der fossilen Nachheizung wird überprüft, ob die notwen­digen Speichertemperaturen innerhalb eines Prognosezeitraums auch ohne Nachheizung erreicht werden. Unnötige Brennerstarts unterbleiben dann und der solare Ertrag wird maximiert.

Das Fraunhofer ISE hat die Funktionsfähigkeit des Regelungsansatzes eineinhalb Jahre lang in einem realen Gebäude erfolgreich getestet. Damit konnte die prinzipielle Funktionstüchtigkeit des Ansatzes nachgewiesen werden. An dem Projekt haben sich die drei Industriepartner Prozeda, Sorel und Steca beteiligt. Ein Feldtest mit mehr Anwendungen sollte nun folgen. Es gibt bereits mehrere Industriefirmen, die Interesse am Produkt angemeldet haben.

Fazit

Künstliche neuronale Netze bieten eine hervorragende Möglichkeit, Heizungsanlagen kostengünstiger und effizienter zu regeln: Wesentliche Vorteile ergeben sich durch die Möglichkeit, ohne Simulation oder Parametrisierung der Regelung automatisch Heizkurven zu erzeugen, die gegenüber einer konventionellen Heizkurve auch Effekte wie die passive solare Erwärmung des Gebäudes berücksichtigen. Das reduziert die Aufwände bei Installation und Inbetriebnahme der Regler. Erwartet werden Einsparungen von mehreren Stunden an Handwerkerdienstleistung.

Darüber hinaus bietet die Prognose des zukünftigen Speicherladezustandes die Möglichkeit, die möglicherweise fossile Nachheizung zu minimieren und Erträge von solarthermischen Anlagen zu maximieren. Gegenüber einer optimierten konventionellen Regelung bei Bestandsgebäuden haben sich in dem Forschungsprojekt Einsparpotentiale von mindestens sieben Prozent ergeben. Gegenüber nicht optimierten Regelungen, wie sie sehr häufig in der Praxis vorkommen, liegt das Einsparpotential sogar in der Größenordnung von zwölf Prozent und mehr.

Damit bietet dieser Ansatz eine sehr kostengünstige und wirksame Möglichkeit, Energieeinsparung für unterschiedliche Heizungssysteme insbesondere in Bestandsgebäuden zu realisieren.