Künstliche Intelligenz in der Wärmepumpenplanung

Wer eine Wärmepumpe geplant hat, kennt das Spielfeld: Heizlastberechnung nach DIN EN 12831, Auslegung, Heizkurve einstellen, Inbetriebnahme — fertig. Das System läuft dann oft mit den Parametern, die bei der Installation festgelegt wurden. Anpassungen an veränderte Randbedingungen erfolgen in der Praxis häufig erst dann, wenn Beschwerden, Mehrverbrauch oder Komfortprobleme auftreten.

Das strukturelle Problem dabei: Normative Berechnungen orientieren sich an definierten Auslegungsbedingungen, die im realen Betrieb nur einen kleinen Teil des Jahres abbilden. Gleichzeitig verändern Nutzerverhalten, Wetter, solare Gewinne und bauliche Änderungen den tatsächlichen Wärmebedarf laufend. Dadurch entsteht oft eine Lücke zwischen rechnerischer Auslegung und realem Anlagenverhalten.

Genau hier setzt Künstliche Intelligenz an. Sie hält zunehmend Einzug in die Wärmepumpenregelung und in datenbasierte Planungswerkzeuge.

Das Fraunhofer-Institut für Solare Energiesysteme ISE hat im Projekt AI4HP gezeigt, wohin die Entwicklung geht. In dem deutsch-französischen Forschungsprojekt mit Partnern wie Stiebel Eltron wurde ein künstliches neuronales Netz eingesetzt, das die Vorlauftemperatur auf Basis von Zeitreihendaten regelt (Quelle 1, Quelle 2).

Berücksichtigt werden dabei unter anderem Wetterdaten, Gebäudeverhalten und wiederkehrende Nutzungsmuster. Das Ziel ist kein einmaliger Abgleich, sondern eine Regelung, die sich fortlaufend an das tatsächliche thermische Verhalten des Gebäudes anpasst (Quelle 2, Quelle 3).

Ergebnisse aus Simulationen und ersten Feldtests:

Wichtig ist die Einordnung: Der Feldtest mit der 25-Prozent-COP-Steigerung war ein frühes Ergebnis in einem einzelnen Gebäude über einen kurzen Zeitraum. Das Fraunhofer ISE weist selbst darauf hin, dass längere Feldtests und weitere Gebäudetypen notwendig sind, bevor sich diese Größenordnung verallgemeinern lässt (Quelle 4).

Auch auf der Planungsseite verändert sich der Ansatz. Statt ausschließlich mit normativen Standardannahmen zu arbeiten, nutzen moderne Systeme zunehmend reale Betriebsdaten aus vielen installierten Anlagen.

thermondo etwa beschreibt seine Wärmepumpen-KI als System, das auf Daten aus mehr als 45.000 installierten Anlagen basiert. Daraus wird für das jeweilige Gebäude ein digitaler Zwilling abgeleitet, der Wetterprognosen und Verbrauchsverhalten in die Heizstrategie einbezieht (Quelle 5, Quelle 6).

Foto: KI Darstellung des digitalen Zwillings

Der digitale Zwilling ist dabei mehr als ein Schlagwort. Gemeint ist eine dynamische virtuelle Repräsentation von Gebäude und Heizsystem, die mit laufenden Mess- und Betriebsdaten abgeglichen wird. Dadurch lassen sich Strategien für den späteren Betrieb besser vorbereiten, testen und an das reale Verhalten des Gebäudes annähern (Quelle 6, Quelle 3).

In der Praxis bedeutet das: Die Optimierung beginnt nicht erst Wochen nach der Inbetriebnahme, sondern kann bereits in der Auslegung und beim Start des Systems unterstützt werden. Das ersetzt keine saubere Fachplanung, verbessert aber die Chance, schneller einen effizienten Betriebspunkt zu erreichen.

Foto: KI Darstellung einer intelligenten Kopplung verschiedener Geräte mit dem dynamischen Stromtarif

Ein weiteres Einsatzfeld ist die intelligente Kopplung von Wärmepumpe, Photovoltaik, Batteriespeicher und dynamischen Stromtarifen. Klassische Lösungen arbeiten hier oft nur mit einfachen Freigabesignalen wie SG Ready. KI-gestützte Systeme gehen deutlich weiter und beziehen Wetterprognosen, Strompreise und Gebäudeträgheit in die Regelung ein (Quelle 6, Quelle 7).

Bei thermondo werden laut Unternehmensangaben Wetterprognosen bis zu drei Tage im Voraus einbezogen (Quelle 6). Studien und Praxisberichte zeigen außerdem, dass modellprädiktive Regelungssysteme in solchen Konstellationen deutliche Kostenvorteile erzielen können — nicht nur durch geringeren Verbrauch, sondern vor allem durch zeitlich optimierten Betrieb bei günstigen Strompreisen (Quelle 8, Quelle 7).

Formulierungen wie „bis zu 40 Prozent Kosteneinsparung“ sollten deshalb immer als anwendungsabhängige Obergrenze verstanden werden. Sie hängen stark davon ab, wie gut Gebäude, Tarifmodell, Speicherfähigkeit und Regelstrategie zusammenpassen (Quelle 8, Quelle 7).

Wie groß das Potenzial intelligenter Wärmepumpensteuerung für das Stromsystem ist, zeigen auch Forschungsarbeiten aus Großbritannien. Im LATENT-Umfeld der University of Southampton wird beschrieben, dass smarte Wärmepumpen ihre Last in Spitzenzeiten stark reduzieren können, ohne dass Bewohner zwingend Komfortverluste bemerken (Quelle 9, Quelle 10).

Die oft zitierte Lastreduktion von bis zu 90 Prozent ist deshalb als technisch erreichbarer Spitzenwert unter bestimmten Bedingungen zu lesen, nicht als pauschaler Alltagswert für jede Anlage (Quelle 9).

Ein besonders reifer Bereich ist die automatische Fehlerdiagnose in der Gebäudetechnik. Ein Überblicksbeitrag auf HEAT PUMPS WATCH mit Verweis auf systematische Auswertungen beschreibt die Fehlerdiagnose als einen der technologisch am weitesten entwickelten KI-Anwendungsfälle in HVAC-Systemen (Quelle 8).

Genannt werden dort Genauigkeiten von über 97 Prozent bei bestimmten Deep-Learning-Verfahren für die Fehlererkennung sowie Trefferquoten von über 95 Prozent bei der Erkennung von Kältemittelleckagen. Solche Werte zeigen das Potenzial, sollten aber stets im Kontext der jeweiligen Datengrundlage und des untersuchten Anlagentyps gelesen werden (Quelle 8).

KI macht die Wärmepumpe nicht zu einem anderen Gerät — aber zu einem intelligenter geregelten System. Für das Fachhandwerk bedeutet das: Gute Planung, saubere Daten, korrektes Einmessen und ein solides Systemverständnis werden noch wichtiger. Denn genau darauf baut jede sinnvolle KI-Optimierung auf.

Genau hier setzt Künstliche Intelligenz an. Sie hält zunehmend Einzug in die Wärmepumpenregelung und in datenbasierte Planungswerkzeuge.