Entwicklung einer hocheffizienten Optimierung von Energieversorgungssystemen im Gebäudebereich auf Basis von Prior-Modellen der Künstlichen Intelligenz; Kurztitel: SmartPrior

Abstract

Das Projekt SmartPrior adressierte eine zentrale Herausforderung der Energiewende: die zunehmende Komplexität hybrider Energieversorgungssysteme und die damit verbundenen Schwierigkeiten bei Auslegung und Optimierung. Klassische Optimierungsverfahren auf Basis gemischt-ganzzahliger Programme benötigen mehrere Tage Rechenzeit und sind für die Praxis ungeeignet. Im Vorgängerprojekt EnergyExpert wurde bereits eine Methode mit Näherungsmodellen entwickelt, deren Modellbildungszeit jedoch bei realistischen Szenarien bis zu elf Stunden betragen kann. SmartPrior entkoppelte daher rechenintensive Modellbildung und nachgelagerte Anwendung durch sogenannte Prior-Modelle: vorberechnete Approximationsmodelle für typische Randbedingungsklassen. Last- und Wetterprofile wurden per Clustering in 36 Klassen eingeteilt, für die jeweils ein Modell auf Basis statistischer Versuchspläne trainiert wurde. Gaußprozessregressionen zeigten die beste Prognosegüte; durch aktives Lernen wurden Bestimmtheitsmaße über 99 % erreicht. Die entwickelte Softwarearchitektur umfasst eine Python-Anwendung mit MySQL-Datenbank und REST-API. Drei Rechenkerne mit unterschiedlichem Detailgrad wurden integriert, von regelbasierter Simulation (~2 s) bis zur MILP-Betriebsoptimierung (~500 s). Eine Trennung von energetischer Simulation und Zielgrößenberechnung erlaubt es, wirtschaftliche Parameter wie Energiepreise ohne erneute Simulation zu variieren. Die Evaluation zeigte Zeitgewinne von über 98% bei nahezu identischen Ergebnissen. Bei 16 variablen Parametern betrug die Modellbildung ~171 Minuten, die anschließende Optimierung unter einer Sekunde. Für die Übertragung auf MILP-basierte Systeme besteht weiterer Entwicklungsbedarf. Insgesamt schuf SmartPrior eine solide methodische und softwaretechnische Grundlage für KI-gestützte Energiesystemoptimierung. The SmartPrior project addressed a core challenge of the energy transition: the growing complexity of hybrid energy supply systems and the resulting difficulties in their design and optimization. Classical optimization methods based on mixed-integer programs require several days of computation time and are therefore impractical for real-world use. A predecessor project, EnergyExpert, had already developed a surrogate modeling approach, but model training times of up to eleven hours at realistic scales remained a bottleneck. SmartPrior tackled this by decoupling computationally intensive model training from the actual user application through so-called prior models — precomputed approximation models for typical boundary condition classes. Load and weather profiles were clustered into 36 classes, each with a dedicated model trained on statistical design-of-experiments data. Gaussian process regression achieved the best predictive performance; combined with active learning, R² values above 99 % were reached. The software architecture consists of a Python backend with a MySQL database and a REST API. Three simulation engines of varying fidelity were integrated, ranging from rule-based simulation (~2 s) to MILP-based operational optimization (~500 s). Separating energy simulation from objective calculation allows economic parameters such as energy prices to be varied without re-running simulations. Evaluation showed time savings exceeding 98% with near-identical optimization results. For systems with 16 variable parameters, model training took ~171 minutes on average, while the subsequent optimization ran in under one second. Transferability to MILP-based systems showed promise but requires further development. Overall, SmartPrior established a solid methodological and software foundation for AI-assisted optimization of future energy systems.