SECAI – Sustainable Heating through Edge-Cloud-based AI Systems

Dem täglichen Heizverhalten deutscher Haushalte kommt vor dem Hintergrund des Klimawandels eine zentrale Bedeutung zu. Über 75 % der Wohnungen in Deutschland greifen zum Heizen auf die fossilen Brennstoffe Erdgas und Erdöl zurück (BDEW 2022), so entstehen durch die Beheizung und Kühlung von Gebäuden sowie die Warmwasserbereitstellung ca. 18 % aller CO₂-Emissionen in Deutschland (BDEW 2021). Die mit dem Krieg Russlands gegen die Ukraine einhergehende Diskussion zu Energieversorgungssicherheit und steigenden Öl- und Gaspreise zeigt zusätzlichen Handlungsbedarf auf, den Energieverbrauch nachhaltig zu reduzieren.

In der aktuell vorherrschenden, durch Inflation und steigende Preise geprägten Wirtschaftslage sind daher Heizlösungen gefragt, die allen Mietenden helfen Heizkosten einzusparen. Insbesondere wirtschaftlich schwächere Bevölkerungsschichten, die häufiger in energetisch nicht-sanierten Gebäuden wohnen (Hentschel und Hopfenmüller 2014), sind auf schnelle, kostengünstige Lösungen angewiesen. Klassische Ansätze wie eine vollständige energetische Gebäudesanierung, durch die Installation von Dämmung oder der Einbau von Wärmepumpen sind zu langsam, kostenintensiv (tagesschau.de 2023) und nicht skalierbar.

Der Einsatz moderner Technologien, die in Gebäuden nachträglich eingebaut werden können (Retrofitting), birgt hingegen das Potenzial, um kostengünstige und skalierbare Lösungen für den Massenmarkt bereitzustellen. Frühere Analysen zeigen, dass durch den Einsatz von Einzelraumregelungssystemen mit selbstlernenden Algorithmen für die automatische Erstellung energieeffizienter Heizprofile Energieeinsparpotentiale von bis zu 30 % möglich sind (Green with IT 2020). Aktuelle Marktlösungen in Form sog. „Smarter Thermostate“ sind jedoch nicht selbstlernend (Kleiminger et al. 2014). Dadurch bleibt ein Großteil der möglichen Einsparpotentiale aktuell ungenutzt. Weitere Einsparpotentiale entgehen, weil aktuelle Retrofitting-Lösungen in Isolation voneinander arbeiten. So werden Interdependenzen zwischen den Wohnungen eines Mehrfamilienhauses und Abhängigkeiten zu der zentralen Heizungssteuerung häufig außer Acht gelassen. Darüber hinaus wird in gängigen Lösungen die Rolle des Nutzerverhaltens vernachlässigt (Pallotta et al. 2008; Grinewitschus 2021; Laskari et al. 2022). Dies ist nachteilig, denn Verhaltensänderungen haben ein hohes Energieeinsparpotenzial (Masoso und Grobler 2010; Grinewitschus 2021; Alanne und Sierla 2022). Das Potenzial ergibt sich daraus, dass Individuen häufig Heizenergie verschwenden, ohne es zu wissen – z. B. durch manuelle Nachjustierung der Thermostate, um kurzfristig den gerade gewünschten Wärmekomfort zu erreichen. Weitere Energieeinsparpotentiale ergeben sich durch eine breite Akzeptanz, Adoption und Nutzung technologiebasierter Systeme für optimiertes Heizen. Um dies zu erreichen, ist eine Einbeziehung der Nutzenden durch die Erhebung von Anforderungen und Präferenzen unerlässlich. Um ein maximal ressourceneffizientes Heizen zu ermöglichen, gilt es intelligente, technologische Lösungen zu entwickeln, die die Nutzenden und ihre Bedürfnisse in das Zentrum stellen und durch Aufklärung Verhaltensänderungen anstoßen können (Grinewitschus 2021).

Der in dieser Arbeit vorgestellte SECAI-Ansatz verfolgt dieses Ziel und realisiert nachhaltiges, ressourcenschonendes Heizen durch Edge-Cloud-basierte KI-Systeme unter Berücksichtigung der Mietenden als wichtige Akteursgruppe. Nachhaltiges Heizen bezieht sich auf die Verwendung von Heizmethoden und -systemen, die umweltfreundlicher und ressourcenschonender und damit langfristig nachhaltig sind. Im Kern geht es darum, den Energieverbrauch und so die damit verbundenen Umweltauswirkungen zu reduzieren (Lun und Tung 2020). Zu diesem Zweck sollen einerseits Einsparungen von Energie auf der Nachfrageseite erreicht werden und andererseits die Heizenergieeffizienz ganzheitlich gesteigert werden. Die Reduzierungen auf der Nachfrageseite fokussiert die Schnittstelle zu Mietenden und einzelne Wohneinheiten. Die Reduzierung des Heizenergieverbrauchs aus ganzheitlicher Sicht stellt die Optimierung des Heizverbrauchs im Gesamtgebäude und in Gebäudeanlagen in den Vordergrund.

Um dieses ganzheitliche Verständnis von nachhaltigem Heizen zu realisieren, werden durch den SECAI-Ansatz vier Ebenen betrachtet: Sensoren in einer Wohnung (Nano-Ebene), die Gesamtheit der Wohnung (Mikro-Ebene), das Gebäude (Meso-Ebene), und ganze Gebäudekomplexe und Bestände (Makro-Ebene). Die Sensoren und Aktoren auf der Nano-Ebene erfassen Zustände und agieren steuernd, um die gelernten Heizprofile zu bedienen. Auf der Mikro-Ebene werden die Input-Daten der einzelnen Sensoren für eine Wohnung verdichtet und ein lokales KI-Modell für die Optimierung des Heizbedarfs dieser Wohnung trainiert. An der Schnittstelle zwischen der Mikro- und Meso-Ebene müssen die Daten einer Wohnung unter Einbezug der anderen Wohnungen und Etagen datenschutzkonform konsolidiert und analysiert werden, um beispielweise Abwärmeeffekte zu berücksichtigen und eine Optimierung der Zentralheizungssteuerung vorzunehmen. Auf der Makro-Ebene erfolgt dann die Generalisierung der gewonnenen Erkenntnisse, um die KI-Modelle für einzelne Gebäude auf die Gebäudebestände der Wohnungswirtschaftsunternehmen zu übertragen.

Basis für die zuvor beschriebenen Heizenergieoptimierungsmaßnahmen sind die Daten aus den Wohnungen der Mietenden. Entsprechend sind hohe Standards beim Datenschutz sowie der Souveränität der Bewohnenden durch das System sicherzustellen; die Entwicklung des Systems sollte auf dem Grundsatz der Vertrauenswürdigkeit erfolgen (Kortum et al. 2022b). Deshalb setzt der SECAI-Ansatz auf Edge-Computing und Federated-Learning. Das Edge Computing bezieht sich auf ein Datenverarbeitungsmodell, bei dem die Daten nicht über das Netzwerk an zentrale Server gesendet, sondern an dezentralen Standorten (z. B. auf einem Sensor) direkt verarbeitet werden. Federated Learning ist ein maschinelles Lernverfahren, bei dem ein Modell auf dezentralisierten Datenquellen, auf verteilten Geräten trainiert wird. Die Aggregation der Modelle erfolgt lediglich auf Ebene der Modellparameter, nicht aber auf Ebene der Rohdaten. Die so konsolidierten KI-Modelle werden anschließend auf die Edge zurückgespielt und betrieben, ohne dass die Rohdaten der Nutzenden den geschützten Bereich der eigenen Wohnung verlassen mussten. Der durch SECAI verfolgte Ansatz, sensible Daten durch eine Kombination aus Edge-Cloud-Technologien und Federated Learning durch KI zu verarbeiten und in menschzentrierte Interaktionssysteme zu integrieren, lässt sich auf andere Anwendungsfelder übertragen, wodurch dieser auch für andere Anwendungsdomänen von Relevanz sein kann.

Der Beitrag gliedert sich in fünf Abschnitte: Der nachfolgende Abschnitt 2 gibt einen Überblick über bestehende Lösungsansätze. Anschließend erfolgt in Abschnitt 3 die Vorstellung unseres SECAI-Ansatzes sowohl aus technischer und sozioökonomischer Sicht. Darauf aufbauend werden in Abschnitt 4 potenzielle Herausforderungen und Mehrwerte des SECAI-Ansatzes aus Perspektive der verschiedenen Stakeholder-Gruppen analysiert. Abschließend wird in Abschnitt 5 ein Fazit gezogen und ein Ausblick auf die nächsten Schritte der Lösungsentwicklung gegeben.

Eine Heizungsanlage funktioniert durch das Zusammenwirken verschiedener Komponenten mit dem Ziel einer Nutzungseinheit (bspw. Gebäude, Haus oder Wohnung) die benötigte Wärme für das Heizen und meist auch für die Trinkwasserversorgung bereitzustellen. Zu den Komponenten moderner Systeme zählen dabei u. a. der Wärmeerzeuger, eine Regelung, eine Wärmeverteilung und Heizflächen (bspw. Radiatoren). Der Wärmeerzeuger ist das zentrale Element einer Heizungsanlage und wandelt Brennstoffe in Wärme um. Dabei hat die Heizungsregelung die Aufgabe, die Menge des benötigten Wärmebedarfs zu berechnen. Die Wärmeenergie des Wärmeerzeugers muss zu den Heizflächen transportiert werden, was der Aufgabe der Wärmeverteilung entspricht. Die Heizflächen geben dann die erforderliche Wärmeenergie in den Raum ab (z. B. Heizkörper via Konvektion oder Flächenheizung via Strahlung). Wärmerzeugung und Wärmeverteilung werden in der Regel witterungsgeführt geregelt. Das bedeutet, dass die aktuelle Außentemperatur die primäre Einflussgröße für die Energiebereitstellung ist. Dabei erhält der Wärmeerzeuger durch die Heizungsregelung eine Sollwertvorgabe für die Vorlauftemperatur, was einen unmittelbaren Einfluss auf die zu produzierende Wärmemenge hat. Die Heizungsregelung wird durch die Anwendung einer Heizkurve an die baulichen und physikalischen Eigenschaften der Nutzungseinheit angepasst, da sonst die Gefahr besteht, dass vom Wärmeerzeuger entweder zu wenig oder zu viel Energie produziert wird (heizung.de 2023).

Der tatsächlich vorliegende Bedarf der Nutzungseinheit wird dabei jedoch nicht direkt berücksichtigt oder rückgekoppelt. Nutzungseinheiten werden zumeist mit einer analogen Thermostatregelung ausgestattet, welche die Wärmeübergabe in der Nutzungseinheit selbst regulieren, jedoch keine Bedarfsübermittlung an eben jene zentrale Wärmeerzeugung und -verteilung vornehmen kann. Thermostate steuern somit die Raumtemperatur nur durch das Zusammenwirken von Temperaturfühler (Temperaturmessung) und Ventil (Durchflussmenge des Wärmeträgers durch die Heizfläche). Ein Abgleich zwischen Bereitstellung und Bedarf findet somit nicht statt, wodurch in der Folge unnötige Wärmebereitstellungsverluste entstehen bzw. die Heizanlage weder wirtschaftlich (Kosten) noch ökologisch (CO₂-Emissionen, Brennstoffmenge, Energieverbrauch bei Wärmepumpen etc.) effizient genutzt wird. Abb. 1 fast die wichtigsten Heizkomponenten in Wohnumgebungen exemplarisch zusammen.

Um den Heizverbrauch zu optimieren, muss zusätzlich zur Energieeffizienz das Komfortbefinden der Bewohnenden einbezogen werden (Merabet et al. 2021). Das Komfortbefinden wird oft als Abweichung zu einem bestimmten Sollwert definiert (Gupta et al. 2021). Herkömmliche Lösungen vernachlässigen dabei allerdings oft sich ändernde Nutzungspräferenzen oder Umgebungsänderungen (Gupta et al. 2021). Um das Heizverhalten intelligenter zu gestalten, bedienen sich gegenwärtige Forschungsarbeiten vermehrt Künstlicher Intelligenz und setzen zudem auf die Verwendung von Sensoren (Merabet et al. 2021). Die jeweiligen Ziele dieser Arbeiten variieren stark. Sie thematisieren bspw. die Reduzierung des aggregierten Energiekonsums zur Glättung von Nachfragespitzen oder die Integration des aktuellen Gas- oder CO₂-Preises mit Echtzeitverarbeitung für die Erhöhung der Bewohnerproduktivität (Zhang et al. 2013; Rocha et al. 2015; Gupta et al. 2021).

Aktuelle Marktlösungen für intelligentes Heizen im Endkundensegment setzen insbesondere auf eine Energieverbrauchsreduktion durch den Einsatz sogenannter smarter Thermostate. Dabei werden Thermostate mit einer elektrischen Steuerung versehen, sodass diese bedarfsgerechter konfiguriert werden können. Hersteller bringen bedienungsfreundliche Steuerungselemente auf den Markt, die einfach zu installieren sind und zum Teil semi-intelligente Funktionen wie die Erkennung von geöffneten Fenstern integriert haben. Einige Produkte verfügen bereits über komplexere Funktionalitäten wie z. B. eine Abwesenheits- und Aktivitätenerkennung. Diese Funktionen spielen auch eine wichtige Rolle bei der Einbeziehung von Kontextinformationen (Merabet et al. 2021). Aktuelle Marktlösungen fokussieren jedoch lediglich dezidierte Wohneinheiten und verfügen nicht über eine Edge-Cloud-Funktionalität, wodurch eine ganzheitliche Optimierung der Gebäude unterbleibt. Darüber hinaus setzt ein Großteil der smarten Thermostate nicht auf Maschinelles Lernen und kann daher nicht als selbstlernend, sondern maximal als statisch regelbasiert bezeichnet werden. Bei bestehenden, intelligenten Heizlösungen, welche Daten zur Verarbeitung durch KI erfassen, werden diese oft in Cloud-Lösungen außerhalb des europäischen Raums verarbeitet. Somit ist nicht sichergestellt, dass die Privatsphäre der Mietenden gewahrt wird. Damit einhergehende Sicherheitsbedenken stellen ein wesentliches Hindernis dar, ebensolche Lösungen in private Wohnumgebungen einzubauen (King und Perry 2017). Daher ist es erforderlich, dass intelligente Heizlösungen mit einem Fokus auf die Wahrung der Privatsphäre gestaltet werden (Jia et al. 2018). Ebenfalls vernachlässigen aktuelle KI-basierte Heizlösungen meist den Einbezug der Bewohnenden – insbesondere im Falle mehrerer Personen mit unterschiedlichen Präferenzen – sowie die Interdependenz zwischen Energieeffizienz und Komfort (Merabet et al. 2021).

Im Rahmen von Fokusgruppeninterviews wurden für die verschiedenen im Ökosystem involvierten Akteurstypen Herausforderungen und Mehrwerte des SECAI-Ansatzes erhoben. Diese Ergebnisse werden nachfolgend für die einzelnen Akteursgruppen dargestellt.

Das Beheizen von Mehrfamilienhäusern ist in Deutschland mit einem hohen CO₂-Verbrauch verbunden. Vor allem ältere Gebäude nutzen häufig zentralisierte Heizsysteme, die mit fossilen Brennstoffen wie Kohle, Gas oder Heizöl betrieben werden. Eine Optimierung dieser Heizsystems im Hinblick auf einen effizienteren Ressourcenverbrauch kann daher signifikant zu einer Reduktion des Gesamt-CO₂-Bedarfs beitragen. Eine solche Optimierung stellt aber gleichzeitig eine Herausforderung dar, die einer digitalen, vernetzten Lösung bedarf. Es konnte festgestellt werden, dass zwar bereits Ansätze in diesem Bereich existieren, diese aber häufig unzureichend sind und nicht sämtliche Teilbereiche hinreichend berücksichtigen. Potenziell geeignete Heizlösungen müssen ganzheitlich konzipiert werden und das gesamte Ökosystem bestehend aus Anbietenden von Services, Sensorentwickelnden, Mietenden und Wohnungswirtschaft umspannen. Es gilt, ein Gesamtsystem aus einzelnen Wohnungen und Zentralheizungen zu optimieren. Der Einsatz von Edge-Cloud-Technologie in Verbindung mit KI stellt eine sinnvolle Weiterentwicklung aktuell vornehmlich regelbasierter Lösungen dar. Eine sichere, die Schutzansprüche von Dateneigentümerinnen und Dateneigentümern respektierende Datenverarbeitung, ein den Grundsätzen der Vertrauenswürdigkeit folgender Entwicklungsprozess für KI-Systeme sowie der Einbezug und die Mitnahme der Mietenden sind dabei unabdingbar. Das in dieser Arbeit vorgestellte SECAI-Konzept vereint diese Aspekte zu einem ganzheitlichen Lösungsansatz. Ein solcher Ansatz kann auch für andere Anwendungsbereiche einen Mehrwert darstellen. In diesem Sinne stellt das SECAI-Konzept auf technischer Ebene ein Referenzmodell dar, das durch andere Anwendungsdomänen über den Zweck des Heizens hinaus adaptiert werden kann, wodurch die in dieser Arbeit vorgestellten Erkenntnisse für eine breite Zielgruppe von Interesse sein können.

Zentrale nächste Schritte sind die Implementierung des in dieser Arbeit beschriebenen Konzepts und dessen Dissemination in die verschiedenen Stakeholder-Gruppen im Rahmen des vom Bundesministerium für Wirtschaft und Klimaschutz geförderten Forschungsprojekts „SECAI²“. Das Projekt bringt Wohnungswirtschaft, Mietende, Serviceentwickler, Heizungshersteller sowie Lösungsanbieter aus der Domäne Smart Living zusammen und vereint somit alle für die erfolgreiche Umsetzung notwendigen Kompetenzen. Neben der Entwicklung der technischen Heizlösung kommt der Implementierung und Verprobung des SECAI-Ansatzes in realen Nutzungsumgebungen eine große Bedeutung zu. Dazu werden mehrere Wohngebäude mit der notwendigen Sensorik und Aktorik ausgestattet und der SECAI-Ansatz während der Projektlaufzeit von drei Jahren laufend evaluiert und iterativ weiterentwickelt. Dieses Vorgehen soll sicherstellen, dass die entwickelte Lösung den realen Praxisanforderungen des Datenökosystems genügt und ermöglicht gleichzeitig den für die Modellentwicklung notwendigen Zugang zu Daten von Mietenden und Wohnungswirtschaft.