KI-gestützte techno-ökonomische und ökologische Optimierung zur Sanierung von Niedrigstenergiegebäuden: eine Fallstudie eines Universitätscampus

Warum intelligentere Gebäude wichtig sind

Weltweit verbrauchen Gebäude stillschweigend enorme Energiemengen, ein großer Teil davon aus fossilen Brennstoffen, die den Klimawandel antreiben. In heißen Regionen wie den Vereinigten Arabischen Emiraten ist die Kühlung von Klassenräumen und Büros besonders energieintensiv. Diese Studie untersucht, wie ein Universitätsgebäude in Sharjah mit einer Kombination aus besserem Design, Solarenergie und künstlicher Intelligenz zu einem deutlich sparsamen Energieverbraucher umgestaltet werden kann. Die Ergebnisse bieten einen praxisnahen Einblick, wie bestehende Gebäude – nicht nur glänzende Neubauten – in Richtung nahezu null Energieverbrauch bewegt werden können, während Kosten gesenkt und klimaschädliche Emissionen reduziert werden.

Das Problem heutiger Campusgebäude

Die Forschenden beginnen mit den Rahmenbedingungen: Gebäude machen weltweit etwa 40 % des Energieverbrauchs und einen großen Anteil der CO2-Emissionen aus. In den VAE wird die Nachfrage stark durch Klimaanlagen getrieben, und viele ältere Gebäude wurden nie mit Blick auf Effizienz geplant. Das betrachtete Beispiel ist das Gebäude M9 der University of Sharjah, eine dreigeschossige Ingenieurgebäude aus den späten 1990er Jahren. Eine Energieprüfung und ein detailliertes Computermodell zeigen, dass es etwa 1,43 Millionen Kilowattstunden Strom pro Jahr verbraucht, wobei der Energieverbrauch pro Quadratmeter höher ist als bei typischen Bürobenchmarks. Fast 40 % dieser Energie entfallen auf veraltete Kühlgeräte, die nahezu dauerhaft laufen und nur manuell per Thermostat statt über automatisierte Zeitpläne gesteuert werden.

Einfache Maßnahmen vor High-Tech-Aufrüstungen

Bevor neue Energiequellen hinzugefügt werden, prüft das Team, wie der Energiebedarf des Gebäudes gesenkt werden kann. Mithilfe eines Simulationswerkzeugs testen sie mehrere relativ einfache Änderungen: die Außenwände von Beige auf Weiß umlackieren, um mehr Sonnenlicht zu reflektieren; horizontale Sonnenschutzvorrichtungen über den Fenstern anbringen, um direkte Sonneneinstrahlung zu blockieren; intelligentere Zeitpläne einführen, sodass das Kühlsystem nur läuft, wenn das Gebäude tatsächlich genutzt wird; und leistungsintensive Desktop-Computer durch effizientere Laptops ersetzen. Zusammen senken diese Maßnahmen den jährlichen Energieverbrauch des Gebäudes um etwa ein Drittel und reduzieren den Spitzenkühlbedarf um mehr als 11 %. Zudem verringern sie die CO2-Emissionen um rund 296 Tonnen pro Jahr bzw. über 7.300 Tonnen über 25 Jahre – ohne die Nutzung des Gebäudes zu verändern.

Die Sonne nutzen

Mit reduziertem Bedarf ist der nächste Schritt zu prüfen, wie viel der verbleibenden Energie von der Sonne stammen kann. Die intensive Sonneneinstrahlung in den VAE macht Dach-Photovoltaik besonders attraktiv. Die Fläche auf dem Gebäude M9 ist begrenzt, aber die Forschenden entwerfen mit spezialisierter Software ein netzgekoppeltes Solarsystem von etwa 215 Kilowatt. Theoretisch kann dieses System rund 366 Megawattstunden Strom pro Jahr erzeugen und damit 38,4 % des reduzierten Jahresbedarfs des Gebäudes decken. Obwohl dies nicht die formale „nahezu null Energie“-Schwelle erreicht – hier definiert als mindestens die Hälfte des Energiebedarfs aus erneuerbaren Quellen – verringert es die Netzabhängigkeit deutlich. Finanzielle Modellierungen zeigen, dass das Solarsystem sich in etwa sechs Jahren amortisiert, einen nivellierten Stromgestehungspreis liefert, der unter dem lokalen Netzpreis liegt, und über eine Lebensdauer von 25 Jahren eine attraktive Rendite erbringt, während es nahezu 5.000 Tonnen CO2 einspart, selbst unter Berücksichtigung des Herstellungsaufwands der Module.

KI trifft Entscheidungen

Da es viele mögliche Kombinationen aus Effizienzmaßnahmen und Solargrößen gibt, entwickelt das Team ein KI-Werkzeug, um die Entscheidungsfindung zu beschleunigen. Sie erzeugen Tausende hypothetischer Sanierungsszenarien, jeweils mit unterschiedlichen Kombinationen von Verbesserungen und Solarleistung, und berechnen langfristige Kosten, Amortisationszeiten und Emissionsreduktionen. Ein Entscheidungsbaum-Modell lernt aus diesen Daten, um für neue Szenarien Schlüsselkennzahlen wie den Kapitalwert und CO2-Einsparungen nahezu sofort vorherzusagen. Dieser KI-basierte „Berater“ kann Sanierungspakete dann danach bewerten, wie gut sie drei Ziele gleichzeitig ausbalancieren: niedrigere Energierechnungen, bessere finanzielle Renditen und stärkere Emissionsminderungen. Statt für jede Idee eine zeitaufwändige Simulation laufen zu lassen, können Planer schnell sehen, welche Optionen voraussichtlich den größten Nutzen bringen.

Was das für zukünftige Gebäude bedeutet

Am Ende der Analyse ist das M9-Gebäude noch kein vollwertiges nahezu null Energiegebäude, kommt dem Ziel aber nahe: Der Energieverbrauch wird um ein Drittel reduziert und die vor Ort erzeugte Solarenergie deckt nahezu zwei Fünftel des verbleibenden Bedarfs, bei solider finanzieller Performance. Die Studie zeigt, dass die Kombination aus moderaten architektonischen Anpassungen, intelligenterem Betrieb, effizienter Ausrüstung und Dachsolar große Fortschritte bringen kann, ohne radikale Umbaumaßnahmen. Ebenso wichtig ist die Demonstration, wie KI Berge technischer Daten in klare Empfehlungen für Gebäudemanager und politische Entscheidungsträger verwandeln kann. Für Campusgelände und Städte in heißen Klimazonen weist dieser Ansatz einen realistischen Weg: Statt auf futuristische Neubauten zu warten, können wir die heutigen Werkzeuge nutzen, um bestehende Gebäude in sauberere, günstigere und widerstandsfähigere Orte zum Leben und Arbeiten zu verwandeln.

Zitation: Alobaid, M., Abo-Khalil, A.G. & Sayed, K. AI-enhanced techno-economic and environmental optimization for nearly zero-energy building retrofitting: a case study of university campus. Sci Rep 16, 14599 (2026). https://doi.org/10.1038/s41598-026-41747-1

Schlüsselwörter: Niedrigstenergiegebäude, Gebäudesanierungen, Photovoltaik, Energieeffizienz, Künstliche Intelligenz im Energiesektor