Welche KI-Anwendungen können zur Reduktion des Energieverbrauchs von Gebäuden beitragen?

Thema: 2.1 — Dekarbonisierung des Gebäudebestands

Erstellt von Bernhard Götzendorfer mit KI-Unterstützung (claude-opus-4-7, prompts/ai-rating.v1.md) — siehe Methodologie

Quellen: 9 Quellen · 1 Wien · 2 AT · 1 EU · 5 Global
Umfang: 560 Wörter
Letztes Update: aktualisiert 16.05.2026

KI-Eignung

HochSumme 11/12

D1 DatenverfügbarkeitPassende Daten vorhanden?3/3

D2 AufgabentypWelche KI-Aufgabe passt?3/3

D3 Methoden-ReifeMethode etabliert?3/3

D4 Ethik / RechtRisiken & Regulatorik?2/3

Bewertungs-Begründung

Sum-Regel D1+D2+D3+D4 = 3+3+3+2 = 11 → high. D1 (Datenverfügbarkeit): Wiener-Netze-Smart-Meter-Rollout zu ~96% abgeschlossen (Stand Ende 2024, ca. 1,5 Mio Geräte), kombinierbar mit Wien-OGD (data.wien.gv.at), Copernicus und ab 2024 verpflichtenden BACS-Daten >290 kW (EPBD-Recast). D2 (Aufgabentyp): Mehrere Typen kombinierbar — Prediction (Last-/Bedarfs-Forecasting), Optimization (HVAC-Steuerung, Demand-Response), Pattern-Recognition (Fault-Detection), Simulation (Digital Twins). D3 (Methoden-Reife): Etabliert in EU-Pilotumgebungen — Reinforcement-Learning-HVAC erreicht in Feldversuchen 24-55% Einsparung gegenüber PI/PID, AIT-Pilot mAIntenance abgeschlossen 2023. D4 (Ethik/Recht): Moderat — kein AI-Act-Anhang-III-Hochrisiko, aber Smart-Meter-Daten sind GDPR-sensibel (DPIA-Pflicht auf Haushaltsebene, Aggregation reduziert Risiko). Keine Override-Regel aktiv.

Stand der Forschung

KI-gestützte HVAC-Steuerungen sind Bestandteil moderner Building-Management-Systeme 2022-ipcc-ar6-wg3-buildingsGlobal. Die IEA quantifiziert das Skalierungspotenzial: KI-Interventionen könnten weltweit ~300 TWh Strom einsparen, im Gewerbe-Segment bis zu 40 % ohne Anlagentausch (medium confidence; medium evidence, medium agreement) 2025-iea-energy-and-aiGlobal. RL-Reviews zeigen 24–26 % HVAC-Einsparung in Simulationsstudien gegenüber PI-Reglern (medium confidence; limited evidence, medium agreement) sowie 40–55 % als aggregierte Pilot-Range in heterogenen Feldversuchen gegenüber PID-Reglern (keine Längsschnitt-Studien) (medium confidence; limited evidence, medium agreement) 2024-alsayed-rl-hvac-reviewGlobal. Allerdings zeigt Mulayim et al. (2025) im kontrollierten Field Deployment, dass MPC unter ΔT-korrigierter Efficiency-Metrik gegenüber PID-Baseline (12,7 %) RL (7,3 %) übertrifft (Eq. 16); qualitativ wird MPC's Superiorität auch unter Comfort-Normalisierung explizit bestätigt — die Simulations-Literaturbandbreite ist ohne Real-World-Kalibrierung überoptimistisch 2025-mulayim-rl-vs-mpcGlobal. In Österreich validierte das AIT-Projekt mAIntenance (2021-2023) einen Zwei-Ebenen-Ansatz aus Zeitreihen-Forecasting und ML-basierter Anomalie-Erkennung 2023-ait-maintenance-hvacAT. Im EU-Kontext verschiebt der EPBD-Recast 2024 mit verpflichtenden BACS ab >290 kW den Rahmen Richtung KI-fähiger Gebäude 2024-hernandez-european-smart-buildingsEU.

Forschungslücken

Die wichtigste Lücke ist methodisch: KI-/IoT-Studien messen Einsparungen, übersetzen sie aber selten in CO2-Äquivalente oder Lebenszyklus-Bezug 2022-ipcc-ar6-wg3-buildingsGlobal. Für Wien fehlen Längsschnittstudien (≥3 Jahre) zur realen Einsparungsperformance KI-gesteuerter HVAC-Anlagen; AT-spezifische Feld-Pilots sind nicht publiziert 2024-alsayed-rl-hvac-reviewGlobal 2023-ait-maintenance-hvacAT. RL-Methoden leiden zudem unter mangelnder Generalisierung und fehlenden Sicherheitsgarantien für Live-Deployment.

Trends & Entwicklungen

Im Zeithorizont 2024-2030 wandert RL-basierte HVAC-Optimierung von Forschungspilots in produktive Smart-City-Anwendungen 2024-alsayed-rl-hvac-reviewGlobal. EU-weit erzwingt der EPBD-Recast bis 2029 die Ausweitung auf Anlagen >70 kW 2024-hernandez-european-smart-buildingsEU. In Wien entstand mit dem nahezu abgeschlossenen Smart-Meter-Rollout (~1,5 Mio Geräte, 96 % Quote Ende 2024, viertelstündliche Daten via Opt-in) eine flächendeckende Datenbasis (high confidence; robust evidence, high agreement) 2024-wiener-netze-smart-meter-rolloutWien. Das Öko-Institut (2020) dokumentiert für DACH-Smart-Home-Nutzer einen Rebound-Effekt von +19 % Strommehrverbrauch bei Komfort-/Sicherheits-Nutzung — Netto-Einsparungsberechnungen müssen diesen Effekt einkalkulieren 2020-oeko-institut-smart-home-reboundAT.

KI-Eignungs-Bewertung

Die Frage ist mit hoher KI-Eignung zu bewerten (Score high, Rubric-Sum 11/12, D1=3 / D2=3 / D3=3 / D4=2). Einschlägige Aufgabentypen: Prediction (Last-/Bedarfs-Forecasting auf Smart-Meter-Daten), Optimization (HVAC-Steuerung via RL/MPC, Demand-Response), Pattern-Recognition (Fault-Detection analog AIT mAIntenance) und Simulation (Digital Twins) 2025-iea-energy-and-aiGlobal 2024-alsayed-rl-hvac-reviewGlobal. RL ist für HVAC feldreif, MPC bleibt jedoch vorzuziehen bei Real-Time-Sicherheits-Constraints; Mulayim (2025) zeigt eine ΔT-korrigierte Efficiency-Differenz MPC vs. RL von 12,7 % zu 7,3 % gegenüber PID-Baseline 2025-mulayim-rl-vs-mpcGlobal. Datenseitig stehen Wiener-Netze-Smart-Meter, Wien-OGD und ab 2024 verpflichtende BACS-Daten bereit 2024-wiener-netze-smart-meter-rolloutWien. Privacy-Caveat: Voyez et al. (2025) zeigen 90 % Re-Identifikationsrate aus nur 5 Smart-Meter-Messungen (high confidence; robust evidence, high agreement) — die DSGVO/DPIA-Anforderung auf Haushaltsebene ist real, Aggregation auf Gebäude- oder Quartiersebene bleibt der praxistaugliche Mitigationsweg 2025-voyez-smart-meter-reidGlobal.

Audit-Trail (Dimensionen-Scoring)

Martin Kozek
TU Wien
Hochschule
Profil ansehen ORCID 0000-0003-0402-3309
Iva Kovačić
TU Wien
Hochschule
Profil ansehen ORCID 0000-0002-0303-3284
Ardeshir Mahdavi
TU Wien
Hochschule
Profil ansehen ORCID 0000-0002-8765-0801

Weitere Wiener Forschende zu diesem Thema auf OpenAlex →

Verlinkte Quellen (9)

GlobalGold OA
Energy and AI2025
GlobalGold OA
Climate Change 2022: Mitigation of Climate Change. Working Group III Contribution to the IPCC Sixth Assessment Report — Chapter 9: Buildings2022
EUHybrid OA
Challenges and opportunities in European smart buildings energy management: A critical review2024
GlobalHybrid OA
Reinforcement learning for HVAC control in intelligent buildings: A technical and conceptual review2024
ATGold OA
mAIntenance — AI supported maintenance and energy management2023
WienGold OA
Smart Meter-Rollout der Wiener Netze: 1,5 Millionen installierte Geräte zum Jahresende 20242024
GlobalGreen OA
MPC outperforms RL in real-world HVAC control under comfort normalization2025
GlobalGold OA
The privacy cost of fine-grained electrical consumption data2025
ATGold OA
Smart Home – Energieverbrauch und Einsparpotenzial der intelligenten Haustechnik2020

Andere Forschungs-Briefe aus Cluster 2 — Bau & Gebäude

WFK-2.1.4EntwurfWelchen Einfluss haben Anpassungen von Bestandsgebäuden (Energieeffizienz, Erneuerbare, Kreislauffähigkeit) auf Miet-, Betriebs-, Erhaltungs- und Verwertungskosten? Können Mehrwerte (Gemeinschaftsräume, begrünte Höfe) Mehrkosten rechtfertigen?
WFK-2.2.1EntwurfWie wirkt sich der Klimawandel auf den Kühlbedarf im Stadtgebiet aus?

Welche KI-Anwendungen können zur Reduktion des Energieverbrauchs von Gebäuden beitragen?

Thema: 2.1 — Dekarbonisierung des Gebäudebestands

Erstellt von Bernhard Götzendorfer mit KI-Unterstützung (claude-opus-4-7, prompts/ai-rating.v1.md) — siehe Methodologie

9 Quellen · 1 Wien · 2 AT · 1 EU · 5 Global

560 Wörter

aktualisiert 16.05.2026

Andere Forschungs-Briefe aus Cluster 2 — Bau & Gebäude

WFK-2.1.4EntwurfWelchen Einfluss haben Anpassungen von Bestandsgebäuden (Energieeffizienz, Erneuerbare, Kreislauffähigkeit) auf Miet-, Betriebs-, Erhaltungs- und Verwertungskosten? Können Mehrwerte (Gemeinschaftsräume, begrünte Höfe) Mehrkosten rechtfertigen?

WFK-2.2.1EntwurfWie wirkt sich der Klimawandel auf den Kühlbedarf im Stadtgebiet aus?