BigDAPESI

Big Data-Analyse und -Prognose von Energieverbrauch und Sanierungskosten bei Immobilien

Die Beheizung des Gebäudebestands trägt zu einem großen Teil zum Energieverbrauch in Deutschland bei. Etwa 40 % der gesamten eingesetzten Energie wird zur Erzeugung von Heizenergie bundesweit verwendet. Der Gesetzgeber hat über mehrere Stufen Vorschriften erlassen, die den Energieverbrauch von Neubauten und zunehmend auch von Bestandsgebäuden minimieren sollen. Dazu werden genormte Berechnungsverfahren eingesetzt. Mit diesen Verfahren können zwar grobe Vergleiche des Energiebedarfs zwischen verschiedenen Wohngebäuden erstellt werden, die Ergebnisse weichen in der Regel allerdings stark von den realen Energieverbräuchen ab.

Genauere Energiedaten sind aber aus zwei wesentlichen Gründen notwendig: Die Förderung des energieeffizienten Bauens ist ein sinnvolles politisches Ziel, um Klimaschutzziele zu erreichen und um für heutige und zukünftige Generationen die Kosten für die Bereitstellung von Wärme auf ein volkswirtschaftlich sinnvolles Maß zu reduzieren. Die zugehörigen Verfahren zur Ermittlung des (prognostizierten) Verbrauchs müssen jedoch realistische Werte liefern. Des Weiteren dürfen weder Planer, noch ausführende Firmen, noch die Nutzer der Wohngebäude durch zum Teil irreführende Ergebnisse verunsichert werden und aufgrund dieser Ergebnisse gegebenenfalls ungeeignete und/oder unwirtschaftliche bauliche oder anlagentechnische Maßnahmen beauftragen. Insbesondere gilt es, volkswirtschaftlich nicht sinnvolle Effekte zu vermeiden.

Im Rahmen des Forschungsprojektes BigDAPESI wurde mit den Projektpartnern Fraunhofer FIT (Projektgruppe Wirtschaftsinformatik), KISTERS AG und CalCon Holding GmbH ein Prognosetool zur datengetriebenen Analyse und Prognose von Energieverbräuche mit Hilfe von Machine-Learning-Algorithmen entwickelt. Der für die Prognose verwendete Algorithmus, wurde auf Basis von ca. 15.000 anonymisierten Inputdaten von Ein- und Zweifamilienhäusern in Deutschland trainiert und evaluiert. Der Algorithmus wurde gezielt auf wenige aber für eine Energieverbrauchsprognose hochrelevanten Attributen trainiert, sodass eine schnelle und gleichfalls zuverlässige Energieverbrauchsprognose erstellt werden kann.