Einsetzbare hybride Wissens‑Daten‑Modelle zur Tagesvorhersage der Kühllast bei Datenknappheit: eine Fallstudie und Leistungsvalidierung

Warum die Vorhersage der Gebäudekühlung wichtig ist

Mit dem Wachstum von Städten und der Zunahme von Hitzewellen sind große Bürogebäude stark auf Klimaanlagen angewiesen. Die Kenntnis des Kühlbedarfs für den nächsten Tag hilft Betreibern, Strom vorausschauend einzukaufen, Kältemaschinen effizient zu betreiben und ein Stromnetz zu unterstützen, das zunehmend Solar- und Windenergie integriert. Gleichzeitig haben die modernsten und effizientesten Gebäude oft nur sehr wenige Messdaten aus den ersten Monaten ihres Betriebs, was es herkömmlichen KI‑Werkzeugen schwer macht, ihre Kühlanforderungen zuverlässig vorherzusagen.

Die Herausforderung begrenzter Daten

Viele heutige Vorhersagetools behandeln ein Gebäude als Blackbox. Sie füttern Vergangenheitsdaten zum Energieverbrauch, Wetter und Zeitplänen ein und lassen einen Lernalgorithmus nach Mustern suchen. Diese datenhungrigen Modelle können gut funktionieren, wenn Jahre hochwertiger Aufzeichnungen vorliegen. In einem neuen oder frisch renovierten Gebäude existiert jedoch nur eine kurze Historie. Unter diesen Bedingungen neigen rein datenbasierte Modelle dazu, sich an Besonderheiten der begrenzten Daten festzuhalten, plötzliche Sprünge im Bedarf zu übersehen und Vorhersagen zu liefern, die von Tag zu Tag stark schwanken. Das ist besonders problematisch für die Tagesvorplanung, wenn Betreiber die Kühltechnik planen und 24 Stunden im Voraus mit dem Strommarkt interagieren müssen.

Einfache Physik mit modernem Lernen verbinden

Die Studie stellt einen praktischen Mittelweg zwischen detaillierten physikalischen Simulationen und reinem Data Mining vor. Statt jede Wärmequelle im Gebäude modellieren zu wollen, konzentrieren sich die Autoren auf zwei Beiträge, die aus Informationen berechnet werden können, die die meisten Gebäude bereits haben: die mit der Außenluft eingelieferte Wärme und die Wärme, die durch Wände und Fenster eintritt. Mithilfe grundlegender Wärmeübertragungsformeln wandeln sie Wettervorhersagen, Verglasungseigenschaften und Lüftungspläne in grobe, physikalisch sinnvolle Schätzungen dieser Lasten um. Diese Schätzungen ersetzen nicht die gemessene Kühlleistung, sondern werden als zusätzliche Eingaben verwendet, die ein Deep‑Learning‑Modell mit konvolutionalen und rekurrenten Schichten leiten.

Erprobung der Hybrididee in einem echten Büroturm

Der Ansatz wurde an einem 23‑stöckigen Bürogebäude in Hangzhou, China, mit moderner Glasfassade und zentraler Kühlanlage getestet. Die Forschenden nutzten eine Kühlsaison mit stündlichen Daten, insgesamt etwa 4.300 Stunden, und beschränkten dann künstlich, wie viel dieser Historie jedes Modell während des Trainings sehen konnte. In einigen Tests konnten die Modelle nur aus 10 Prozent der Daten lernen, was etwas mehr als zwei Wochen Aufzeichnungen entspricht. Bei vier Varianten des Vorhersagemodells nutzten drei physikbasierte Frischluft‑ bzw. Wand‑ und Fensterlasten als Leitgrößen, während die vierte ausschließlich auf vergangene Kühl- und Wetterdaten setzte. Alle Modelle versuchten, das Kühlprofil des nächsten Tages stundenweise vorherzusagen.

Genauere und stabilere Prognosen

Bei knappen Trainingsdaten waren die Unterschiede zwischen den Ansätzen deutlich. Mit nur 10 Prozent der Daten verfehlte das rein datengetriebene Modell häufig den steilen morgendlichen Anstieg der Kühlung, wenn Mitarbeitende eintrafen, und unterschätzte heiße Nachmittagspeaks. Seine Fehler schwankten stark je nachdem, welche Tage für das Training verwendet wurden. Im Gegensatz dazu folgten alle drei hybriden Varianten Zeitpunkt und Höhe der Peaks wesentlich besser und zeigten deutlich weniger Streuung in ihren Fehlern. Im Mittel halbierten die Hybridmodelle den typischen Vorhersagefehler etwa und verringerten die Fehlerspanne im Vergleich zur Basisversion um annähernd eine Größenordnung. Die einfachste Variante, die nur die Frischluftlast als Zusatzinformation nutzte, bot ein besonders attraktives Verhältnis von Genauigkeit, Stabilität und einfachem Aufbau.

Was das für reale Gebäude bedeutet

Für Gebäudeeigentümer und Energiemanager lautet die Kernbotschaft: Ein wenig Physik hilft viel. Indem einfache, leicht berechenbare Schätzungen dazu genommen werden, wie Frischluft und die Gebäudehülle zur Kühllast beitragen, lässt sich bereits in den frühen Betriebsmonaten, wenn historische Daten noch dünn sind, nützliche Tagesvorhersage erzielen. Die Studie zeigt, dass dieser Wissens‑Daten‑Hybrid Überanpassung dämpft, die Trainingskosten moderat hält und verlässliche Hinweise für die Planung von Kältemaschinen und Speichern liefert. Kurz gesagt: Die Kombination grundlegender ingenieurwissenschaftlicher Einsichten mit modernen Datentools hilft Gebäuden, komfortabel zu bleiben, Verschwendung zu reduzieren und reibungsloser mit einem wandelnden Stromnetz zusammenzuarbeiten.

Zitation: Chen, J., Sun, T., Zhang, Y. et al. Deployable knowledge–data hybrid models for day-ahead cooling load prediction under data scarcity: a case study and performance validation. Sci Rep 16, 15079 (2026). https://doi.org/10.1038/s41598-026-45325-3

Schlüsselwörter: Vorhersage der Kühllast, Gebäudeenergie, hybride Modellierung, Datenknappheit, Deep Learning