DaMo-TL

Datenbasierte Modellierung von Gebäudeenergiesystemen mittels Transfer Learning

Sensordatenbasierte Gebäudemodellierung bildet die Basis für die weitgehende Automation zukunftsweisender Anwendungen für Gebäude-Energiesysteme, wie fortschrittlicher Regelung (z.B. Model Predictive Control, Reinforcement Learning) und Lastprognosen [ZSD+22, SMK+23]. Für den Praxiseinsatz datenbasierter Modelle existieren aber kritische Hürden: Die geringe Dateneffizienz der datenbasierten Methoden, das entsprechend langdauernde Sammeln von Gebäude-Messdaten und die mangelnde Wiederverwendbarkeit der Modelle in verschiedenen Gebäuden. Um Dateneffizienz und Wiederverwendbarkeit zu verbessern, werden datengetriebene Methoden für Gebäudeenergiesysteme entwickelt, welche mit möglichst wenig im realen Gebäude gesammelten Messdaten auskommen und möglichst wiederverwendbare Modelle ergeben. Im Fokus stehen hierbei Transfer Learning (TL) Methoden, insb. der Pretraining- & Finetuning-Ansatz. Dabei sollen mittels einer großen Zahl simulierter Gebäudedaten Gebäudemodelle vortrainiert werden (Pretraining), die dann mit deutlich weniger Messdaten auf ein konkretes Gebäude angepasst werden können (Finetuning). Damit können Dateneffizienz und Wiederverwendbarkeit der Modelle deutlich verbessert werden. In Ermangelung geeigneter Realdaten sollen, inspiriert von Erfolgen in anderen Deep Learning Anwendungen [TSK+18], für das Pretraining synthetische Daten von simulierten Gebäuden eingesetzt werden. Projektziel ist ein Proof-of-Concept für das Pretraining von wiederverwendbaren TL-Modellen mittels großer Mengen an simulierten Daten - es gilt dabei zu prüfen, wie stark sich die Dateneffizienz und damit der Bedarf an in der Praxis zu sammelnden Realdaten verbessern lässt und wie hoch der Grad von Wiederverwendbarkeit der so vortrainierten Modelle für verschiede Gebäude ist. Als Beitrag zur Energiewende werden die methodischen Ansätze mit simulierten und realen Daten eines Wohngebäudes mit Wärmepumpe, Solarthermie, therm. Speicher und optional PV evaluiert.