Optimierungsverfahren zur Kalibrierung Typologie-basierter energetischer Gebäudemodelle

Möchte man den Energieverbrauch eines Gebäudes simulieren, müssen zuvor Geometrie, Wetterdaten, Materialeigenschaften, Heizverhalten der Nutzer und viele weitere Informationen erfasst, aufbereitet und digitalisiert werden. Fehlende Angaben können durch statistisch fundierte Annahmen ersetzt werden. Allerdings ist fraglich, ob mit dem resultierenden Gebäudemodell noch Simulationen durchgeführt werden können, welche die Realität nah genug abbilden. Eine Möglichkeit die Qualität eines Modells zu bemessen ist es, die durch Simulation gewonnen Werte des Energieverbrauchs mit real gemessenen Werten (zum Beispiel von Smart Metern) zu vergleichen. Hat man eine Aussage über die Qualität des Modells, so auch über die Qualität der Daten, aus denen sich das Modell speist. Verändert man nun die Daten des Modells, führt erneut eine Simulation mit dem geänderten Modell aus und stellt wieder simulierte und realen Daten einander gegenüber, so wird man im Vergleich zum vorherigen Durchgang eine Verbesserung oder Verminderung der Qualität des Modells feststellen. Durch mehrfache Wiederholung dieses Vorgangs können die Modelldaten systematisch verbessert werden. Mathematisch spricht man hierbei von einem Optimierungsproblem. Der Beitrag legt die theoretischen Grundlagen zweier Lösungsverfahren für ein solches Problem dar: Evolutionäre Algorithmen und Simulated Annealing. Auf Grundlage dieser Algorithmen wurde ein Softwaremodul zur Kalibrierung der Eingangsdaten der Simulationssoftware EnergyPlus entwickelt. Um den Einfluss von Datenerhebungsfehlern und die Ungenauigkeit der Simulationssoftware zunächst auszuschließen, wurde anstelle von Smart-Meter-Daten ein zweiter Simulationsdatensatz verwendet. Unter diesen Testbedingungen war eine Verbesserung der Startkonfiguration mit beiden Algorithmen möglich. Der evolutionäre Algorithmus fand in einigen Durchläufen auch die Konfiguration, mit welcher der zweite Simulationsdatensatz erstellt wurde