Nachhaltige Leistungssteigerung eines Erdwärme-Wärmerückgewinnungs-Wärmepumpensystems durch Felddaten und maschinelles Lernen

Warum die bessere Nutzung von im Boden gespeicherter Wärme wichtig ist

Während Städte nach saubereren Wegen suchen, Gebäude komfortabel zu halten, gewinnen Systeme, die die relativ konstante Temperatur im Erdreich nutzen, an Bedeutung. Diese Erdwärme-Wärmepumpensysteme können gegenüber konventionellen Klimaanlagen und Kesseln Energie einsparen, aber in Regionen mit heißen Sommern gibt es ein verstecktes Problem: Mit der Zeit geben sie immer mehr Abwärme an den Boden ab, der sich dadurch langsam erwärmt und die Effizienz beeinträchtigt. Diese Studie untersucht ein neues Konzept, das nicht nur die Erwärmung des Untergrunds begrenzt, sondern sommerliche Abwärme in nützliches Warmwasser verwandelt – gesteuert durch reale Feldmessungen und moderne Methoden des maschinellen Lernens.

Ein schlauerer Weg, Gebäude zu kühlen und Wasser zu erhitzen

Die Forschenden prüften eine Wärmerückgewinnungs-Erdwärmepumpe (HRGSHP) in einem großen Industriegebäude in einer chinesischen Stadt mit heißen Sommern und kalten Wintern. Wie bei einem üblichen Erdwärmesystem zirkuliert Wasser durch tiefe vertikale Rohrleitungen im Boden, um Wärme aufzunehmen oder abzugeben. Der Dreh liegt darin, dass jede Wärmepumpeneinheit zwei parallel geschaltete Verflüssiger enthält. Über ein Ventilsystem kann die Anlage entweder unerwünschte Wärme in den Boden leiten oder sie abschöpfen, um Warmwasser für Anwendungen wie Raumheizung, Wiederaufheizung bei Entfeuchtung oder Trinkwarmwasser zu erzeugen. Im Sommer, wenn der Kühlbedarf hoch ist und Warmwasser ebenfalls nützlich ist, erlaubt dieses Design, mit derselben Maschine Innenräume zu kühlen und gleichzeitig 50 °C warmes Wasser zu liefern.

Wie das System durch die Jahreszeiten fährt

Während fast drei Jahren Betrieb wechselte die Anlage zwischen vier Grundbetriebsarten. Im reinen Kühlmodus arbeitete sie ähnlich wie ein konventioneller Erdwärmenutzer und gab Wärme an die unterirdische Schleife ab, während sie gekühltes Wasser an das Gebäude lieferte. Im kombinierten Kühl-Plus-Warmwasser-Modus ging ein Teil der Wärme in den Boden und ein Teil in einen Warmwasserspeicher. Es gab außerdem einen reinen Warmwassermodus in milden Perioden und einen Heizmodus im Winter, wenn die unterirdische Schleife als Wärmequelle diente und das System Warmwasser für die Raumheizung lieferte. Durch Anpassung von Ventilstellungen, Wasserfluss und Kompressorleistung passte sich die Anlage an wechselndes Außenwetter und interne Bedarfe an, ohne separate Kessel oder Kühltürme zu benötigen.

Was Jahre von Felddaten zeigten

Das Team zeichnete kontinuierlich Temperaturen, Durchflussraten, Leistungsaufnahme, Bodenbedingungen und Wetter auf und sammelte mehr als zweihunderttausend Datenpunkte. Die Messungen zeigten, dass sich selbst unter starker Kühlung die mittlere Bodentemperatur in 150 m Tiefe über drei Jahre nur um etwa 0,45 °C erhöhte – deutlich weniger als bei standardmäßigen Erdwärmesystemen in ähnlichem Klima berichtete Zunahmen. Die Gesamtwirkungsgrade der realen Anlage lagen jedoch unter Laborwerten, teilweise weil Pumpen häufig mehr Wasser förderten als nötig, wodurch geringe Temperaturunterschiede im System entstanden und Strom verschwendet wurde. Saisonale Trends zeigten sich ebenfalls: Eine langsame Erwärmung des Bodens verringerte die Kühlleistung leicht, verbesserte aber das Heizen im Winter, indem sie die Temperatur der unterirdischen Wärmequelle erhöhte.

Algorithmen die Stellschrauben anziehen lassen

Um mehr Leistung aus der vorhandenen Hardware herauszuholen, entwickelten die Autorinnen und Autoren ein datengetriebenes Optimierungs-Framework. Sie verwendeten eine Form von neuronalen Netzwerken, um zu lernen, wie Effizienzkennzahlen des Systems auf Faktoren wie Außentemperatur, Wassertemperaturen und Durchflussraten reagieren. Ein genetischer Algorithmus suchte dann nach den besten internen Einstellungen, und eine Entscheidungsmethode namens TOPSIS balancierte mehrere Ziele gleichzeitig aus, einschließlich separater Kennzahlen für die Wärmepumpe selbst und für die Gesamtanlage. Diese virtuelle Testumgebung erlaubte es, viele Betriebsvarianten zu prüfen, die manuell unpraktisch wären, und dabei realistische Grenzen für Temperaturen und Durchflüsse einzuhalten.

Energieeinsparungen und ihre praktische Bedeutung

Bei Anwendung der optimierten Einstellungen im Modell waren die Ergebnisse eindrücklich. Im Mittel verbesserten sich die Heizkennwerte im Winter für die Gesamtanlage um bis zu 27 Prozent, während die Kühlleistung im Sommer um etwa 21 Prozent stieg. Gleichzeitig deutete die Analyse darauf hin, dass der Stromverbrauch um rund ein Fünftel sinken könnte, was zu einer geschätzten Senkung der Betriebskosten um etwa 19 Prozent gegenüber der derzeitigen Anlagenführung führt. Wichtig ist, dass diese Verbesserungen keine neue Ausrüstung erforderten, sondern nur andere Entscheidungen zu Wassertemperaturen und Pumpengeschwindigkeiten, gesteuert durch die datengetriebene Methode.

Was das für zukünftige Gebäude bedeutet

Für Nicht-Fachleute lautet die Kernbotschaft: Erdwärme-Wärmepumpensysteme lassen sich sauberer und kosteneffizienter betreiben, wenn sie ihre eigene Abwärme wiederverwenden und intelligenter gesteuert werden. Das getestete Design verhindert ein Überhitzen des Untergrunds, reduziert die Abhängigkeit von separaten Heiz- und Kühlgeräten und zeigt, dass maschinelles Lernen Betreibern helfen kann, Betriebsbereiche zu finden, die menschlichem Trial-and-Error entgehen würden. Obwohl weitere Arbeiten nötig sind, um detaillierte Lebenszykluskosten zu berücksichtigen und andere Gebäudetypen zu testen, bietet die Studie einen pragmatischen Weg, vergrabene Rohrleitungen und digitale Modelle in reale Energieeinsparungen zu verwandeln.

Zitation: Cui, Y., Chong, W.T., Varman, M. et al. Sustainable performance enhancement of a heat recovery ground source heat pump system using field data and machine learning. Sci Rep 16, 15271 (2026). https://doi.org/10.1038/s41598-026-45353-z

Schlüsselwörter: Erdwärmepumpe, Wärmerückgewinnung, Gebäudenergie, maschinelles Lernen, HVAC-Optimierung