17.02.2026
Effizienzsteigerungen im Fernwärmesystembetrieb durch maschinelles Lernen (ML4FW)
Abstract ML4FW
Im Projekt ML4FW – Machine Learning für den Fernwärmesystembetrieb – wurden durch ein Konsortium aus Fraunhofer IEE und IBP, SAMSON, der Neubrandenburgischen Wohnungsbaugenossenschaft (NeuWoBa) und der AGFW unter Leitung der dena zwei zentrale Hebel für die digitale Wärmewende umgesetzt: Erstens zeigt das Projekt in einem Demonstrator im laufenden Realbetrieb, dass ML-gestützte Betriebsoptimierung auf Gebäudeebene kurzfristig wirksame Effizienzhebel erschließen kann. Zweitens schafft es mit einer praxistauglichen Bewertungsmethodik eine belastbare Entscheidungsgrundlage, welche ML-Use-Cases im Fernwärmebetrieb mit Blick auf Nutzen, Aufwand und Risiko priorisiert und zielgerichtet pilotiert werden sollten. Damit liegt sowohl ein übertragbarer technischer Ansatz zur netzseitig relevanten Effizienzsteigerung als auch ein Instrument zur strategischen Use-Case-Auswahl vor.
Im ersten Projektteil wurde der Use Case „Optimierung von HAST-Reglerparametern“ als Auto- und Continuous-Commissioning umgesetzt, also als automatisches und kontinuierliches Anpassen von Regelparametern in Hausstationen an externe Bedingungen (z. B. Wetter und Lastprofile). In einem modernisierten WBS-70-Mehrfamilienhaus mit 40 Wohneinheiten wurden Regler-, Verbrauchs- und Umgebungsdaten minütlich über eine API aus der Plattform SAM DISTRICT ENERGY von SAMSON integriert, sodass Simulation, Modelltraining und Live-Monitoring in einer schlanken ML-Ops-Pipeline zusammengeführt werden konnten. Die Pipeline nutzt Simulator- und ML-Modelle, um Heizkennlinien-Parameter datenbasiert zu optimieren und die daraus abgeleiteten Updates über Schnittstellen an die Regelgeräte zu übermitteln; hierfür ist keine permanente Datenverbindung erforderlich.
Der Feldtest an der Petrosawodsker Straße 66 in Neubrandenburg zeigt als Proof-of-Concept eine Absenkung der primären Rücklauftemperatur um mindestens 2 K; im direkten Vergleich zu einer Referenzliegenschaft rund 3 K. Ergänzend ergibt sich eine indikative Reduktion der kumulierten Wärmemenge um ca. 8–9 %. Diese Einordnung erfolgt vor dem Hintergrund einer begrenzten Datenbasis und typischer Herausforderungen realer Feldbedingungen (u. a. Vergleichszeiträume und saisonale Effekte). Dies würde bei einer Umsetzung der im Bericht beschriebenen Methode auf alle Gebäude im Fernwärmenetz in Neubrandenburg bei einer jährlichen Wärmeabgabe von ca. 237 GWh ein Einsparpotenzial von ungefähr 355.000 €/a bedeuten.
Im zweiten Projektteil wurde mit dem ML4FW-Fragebogen eine Open-Source Bewertungsmethodik entwickelt, um ML-Use-Cases im Fernwärmebetrieb strukturiert zu priorisieren. Der Fragebogen richtet sich insbesondere an Fernwärmeversorger und Netzbetreiber, Wohnungsunternehmen/Contractor, kommunale Projektverantwortliche sowie technische Dienstleister und ist über GitHub verfügbar. Die Methode besteht aus einem zweistufigen Verfahren: Eine datenlose Erstbewertung in Form eines Fragebogens entlang der Kategorien Nutzen/Aufwand/Risiko (Skala 1–5) mit frei gewichtbaren Kriterien schafft schnell Transparenz für den Anwender; eine optionale Vertiefung kann durch eine Analyse von Benutzerdaten und einen strukturierten Expertenreview ergänzt werden. So lassen sich die nächsten Pilot-Use-Cases zielgerichtet auswählen und benötigte Daten- und Ressourcenbedarfe frühzeitig klären.
