Projekt: TransParEnergy

Die systematische Erfassung des Energieverbrauchs von Gebäuden ist traditionell ein zeit- und arbeitsaufwändiger Prozess, der seine Anwendung vor allem auf isolierte groß angelegte Studien beschränkt. Folglich sind umfassende und aktuelle Energiedaten auf der Ebene einzelner Gebäude oder Stadtteile nach wie vor Mangelware. Die Einführung eines „digitalen Energiezwillings“, eines digitalen Abbilds, das räumliche und energiebezogene Daten integriert, steht weiterhin vor großen Herausforderungen. Dazu gehören die eingeschränkte Verfügbarkeit und Granularität der Eingabedaten, unzureichende Mechanismen für einen sicheren und standardisierten Datenaustausch sowie Probleme im Zusammenhang mit dem Datenschutz. Infolgedessen weist das derzeitige digitale Zwillingssystem Defizite in Bezug auf die Detailliertheit, Vollständigkeit und Konsistenz der Energiedaten auf. Diese Forschungsarbeit ist durch die Notwendigkeit motiviert, diese Lücke zu schließen, indem die nahtlose Integration verschiedener Datenquellen - einschließlich Architekturplänen, Bildern, Energieausweisen und vom Nutzer bereitgestellten Daten - in einen einheitlichen Rahmen ermöglicht wird. Durch die Entwicklung einer digitalen Energieschnittstelle, die sowohl mit BIM- als auch mit GIS-Plattformen kompatibel ist, soll den Städten ein robuster digitaler Energiezwilling zur Verfügung gestellt werden, mit dem der Energieverbrauch visualisiert und analysiert werden kann. Dieses Tool wird nicht nur die Zugänglichkeit von Energiedaten über verschiedene Bereiche hinweg verbessern, sondern auch die evidenzbasierte Entscheidungsfindung unterstützen und so die Energiewende in der bebauten Umwelt beschleunigen. 

Das Ziel dieses Forschungsprojekts ist die Entwicklung eines intelligenten, interoperablen Rahmens für die städtische Energieanalyse durch die Nutzung bestehender maschineller Lerntechniken und digitaler Modellierungswerkzeuge. Das Projekt beginnt mit einer umfassenden Literaturrecherche über aktuelle Ansätze des maschinellen Lernens, die für die Vorhersage, Klassifizierung und Modellierung der Energieeffizienz von Gebäuden relevant sind. Anschließend werden Daten aus verschiedenen Quellen gesammelt, darunter architektonische Entwürfe, Energieausweise, Sensordaten und nutzergenerierte Eingaben. Diese Datensätze dienen als Grundlage für das Training und die Validierung eines KI-basierten Modells, das in der Lage ist, die Energieverbrauchseigenschaften von Gebäuden zu schätzen oder zu klassifizieren. Das trainierte KI-Modell wird in die digitale Energieschnittstelle integriert, eine Softwareplattform, die sowohl die Datenanalyse als auch den digitalen Energiezwilling und die Benutzerinteraktion unterstützt.

DKSR

Reich & Hölscher

Kreis Lippe (assoziiert)

Sennestadt GmbH (assoziiert)