KI-gestützte Energie-Baselines für verifizierte Gebäudedekarbonisierung

Warum das für den Alltag wichtig ist

Gebäude halten unsere Wohnungen kühl, sorgen für Beleuchtung in Büros und Komfort in Hotels – sie verbrauchen aber auch enorme Mengen Strom und verursachen einen großen Anteil der globalen klimaerwärmenden Emissionen. Dieses Papier untersucht, wie künstliche Intelligenz (KI) großen Gebäuden helfen kann, ihren Energieverbrauch in Echtzeit kontinuierlich „abzustimmen“, um Verschwendung zu reduzieren, ohne den Komfort zu beeinträchtigen. Die Arbeit zeigt, dass intelligente Algorithmen, kombiniert mit anerkannten Zertifizierungsregeln, Alltagsgebäude in leistungsfähige Instrumente im Kampf gegen den Klimawandel und zur Erschließung grüner Finanzierungen verwandeln können.

Von festen Annahmen zu lebendigen Baselines

Heute stützen sich die meisten Energiebewertungen von Gebäuden auf feste Baselines und grobe Daumenregeln zu Wetter, Belegung und Geräteleistung. Diese Ansätze wurden für eine statischere Welt entwickelt und haben Probleme, wenn sich Zeitpläne ändern, neue Geräte installiert werden oder extremes Wetter auftritt. Daher sind angegebene Energieeinsparungen nach einer Sanierung häufig unsicher und schwer zu prüfen. Diese Studie ersetzt diese starren Methoden durch eine „lebende“ Basislinie, die Stunde für Stunde aktualisiert wird. Datenströme – von Zählern, Sensoren und lokalen Wetterstationen – fließen in KI‑Modelle, die fortlaufend lernen, wie ein Gebäude tatsächlich funktioniert, sodass Einsparungen gegenüber einer beweglichen, aber verlässlichen Referenz gemessen werden können statt gegenüber einer einmaligen Schätzung.

Wie der intelligente Motor arbeitet

Die Autoren bauen eine hybride KI‑Engine, die zwei Stärken verbindet: Ein Modell (LSTM) eignet sich gut, um zeitliche Muster zu erkennen, etwa tägliche und saisonale Schwankungen des Kühlbedarfs, während ein anderes (XGBoost) viele verschiedene Gebäudemerkmale gleichzeitig verarbeiten kann, wie Geschossfläche, Gerätetyp und Sanierungsjahr. Gemeinsam verarbeiten sie stündliche Daten zu Energieverbrauch, Belegung und Wetter für zehn gewerbliche, Wohn- und gemischt genutzte Gebäude in Singapur. Das System lernt, was das Gebäude unter „normalen“ Bedingungen verbraucht hätte, und vergleicht dies mit dem tatsächlichen Verbrauch nach Effizienzmaßnahmen oder intelligenteren Steuerungen. Diese Lücke wird zu einer sorgfältig berechneten Schätzung der realen Energieeinsparungen.

Zahlen in anerkannten Klimaschutznachweis verwandeln

Ein wichtiger Schritt besteht darin, KI‑Prognosen in Metriken zu übersetzen, die Regulierungsbehörden und Finanzierer bereits kennen. Der Rahmen lässt sich direkt an Singapurs Energy Conservation Calculation (ECC) anschließen, die der nationalen Green Mark Gebäudezertifizierung zugrunde liegt. Mit etablierten Formeln wandelt das System prognostizierten und tatsächlichen Energieverbrauch in Energieeinsparungen und anschließend in CO₂‑Reduktionen um, basierend auf dem landesspezifischen Emissionsfaktor des Stromnetzes. Über drei Jahre und zehn Gebäude hinweg erzielte die KI‑ECC‑Kombination Vorhersagefehler typischerweise unter 5 %, verifizierte Energieeinsparungen von rund 6.885 MWh und vermiedene Emissionen von 3.221 Tonnen CO₂‑Äquivalent. In einigen sanierten Gebäuden sank der Energieverbrauch pro Quadratmeter um mehr als 60 %, alles dokumentiert in einer Form, die von Prüfern nachprüfbar und von Zertifizierungsstellen akzeptierbar ist.

Ein Hotel als realer Testfall

Um die Funktionsweise in der Praxis zu zeigen, beschreiben die Autoren eine Fallstudie eines achtstöckigen Hotels im Zentrum Singapurs. Nach der Installation effizienterer Kältemaschinen, LED‑Beleuchtung und intelligenter Lüftung, die auf Innenraum‑CO₂‑Werte reagiert, verband das Hotel seine Zähler und Sensoren mit dem KI‑System. Das Modell, zunächst auf nationale Daten vortrainiert und dann vor Ort feinabgestimmt, prognostizierte den Energieverbrauch und schlug betriebliche Anpassungen vor, etwa das Anheben von Kühlungs‑Sollwerten und das frühere Starten der Kältemaschinen an heißen, feuchten Tagen. Im Zeitraum 2020–2023 sank die Energieintensität des Hotels von fast 500 auf etwa 200 kWh pro Quadratmeter und Jahr, was zu einer Einsparung von 290–310 Tonnen CO₂ pro Jahr führte. Diese Ergebnisse halfen der Immobilie, die Green Mark Platinum‑Bewertung zu erreichen und einen nachhaltigkeitsgebundenen Kredit mit niedrigerem Zinssatz zu sichern, der an fortgesetzte Emissionsminderungen gekoppelt ist.

Von smarten Gebäuden zu grünerer Finanzierung

Über einzelne Standorte hinaus argumentieren die Autoren, dass dieser Ansatz die Sichtweise von Städten und Investoren auf Gebäudedekarbonisierung verändern kann. Da der Rahmen internationaler Anleitung zur Bewertung der Energieperformance folgt und klare, erklärbare Dashboards liefert, können seine Ergebnisse Umweltberichterstattung, Zertifizierung und sogar Programme für CO₂‑Zertifikate oder grüne Anleihen unterstützen. Mit anderen Worten: Verifizierte Energieeinsparungen werden zu einer Art Währung, die Investitionen in weitere Modernisierungen anziehen kann. Zwar bleiben Vorlaufkosten, Datenlücken in älteren Gebäuden und der Bedarf an qualifiziertem Personal Hürden, doch die Studie zeigt, dass ein integriertes KI‑und‑Politik‑Toolkit routinemäßige Gebäudebetriebe in einen verlässlichen, skalierbaren Pfad in Richtung Netto‑Null‑Ziele verwandeln kann.

Zitation: Li, J., Hao, Y. & Li, Y. AI-enabled energy baselines for verified building decarbonization. Sci Rep 16, 5815 (2026). https://doi.org/10.1038/s41598-026-36284-w

Schlüsselwörter: smarte Gebäude, Energieeffizienz, künstliche Intelligenz, Gebäudesanierungen, CO₂‑Emissionen