Motivation und Forschungsfrage

Gebäude verursachen rund 40 % des Endenergieverbrauchs und 36 % der CO₂-Emissionen in der EU (European Commission, 2020). Gleichzeitig verbringen Menschen bis zu 90 % ihrer Zeit in Innenräumen (Brasche et al., 2005; Klepeis et al., 2001), deren Qualität Gesundheit, Wohlbefinden und Leistungsfähigkeit beeinflusst (Melikov, 2015; Awada et al., 2021; Crook & Burton, 2010; Wargocki et al., 2019). Der Gebäudebetrieb steht damit vor einer doppelten Herausforderung: Energieverbrauch und Emissionen senken, ohne den Komfort der Nutzer:innen zu beeinträchtigen. Gängige Komfortstandards wie PMV basieren auf Laborstudien und zielen auf das durchschnittliche Empfinden einer Gruppe, bilden individuelle Unterschiede aber nur unzureichend ab. Das Projekt PersonAI untersuchte, ob datengetriebene, personalisierte Komfortmodelle diesen Widerspruch auflösen können und welche Auswirkungen eine kohortenbasierte Temperatursteuerung auf Komfort und Energieverbrauch im realen Gebäudebetrieb hat.

Ausgangssituation

Personal Comfort Models (PCM) nutzen subjektives Feedback, physiologische Signale und Umgebungsdaten, um thermische Präferenzen individuell vorherzusagen. Die bisherige Forschung zu PCMs war jedoch überwiegend auf tropische Klimazonen und kontrollierte Laborsettings mit kleinen Stichproben beschränkt. Cohort Comfort Models (CCM) erweitern den Ansatz, indem sie Personen mit ähnlichem Komfortempfinden zu Gruppen zusammenfassen, was eine Personalisierung auch für neue Nutzer:innen mit wenigen Daten ermöglicht. Ob diese Ansätze unter realen Bedingungen in einer europäischen Klimazone funktionieren und welchen Effekt sie im Gebäudebetrieb tatsächlich erzielen, war bisher nicht untersucht.

Projektinhalte und Zielsetzungen

PersonAI verfolgte vier Schwerpunkte: die Definition von Anforderungen und Use Cases für nutzer:innenzentrierte Energieservices gemeinsam mit Stakeholdern, die Durchführung einer empirischen Langzeitstudie zur Erhebung von Komfortdaten unter Alltagsbedingungen, die Entwicklung und Erprobung von Cohort Comfort Models mit anschließendem Proof of Concept in einem realen Gebäude sowie ein offenes, datenschutzkonformes Forschungsdatenmanagement.

Methodische Vorgehensweise

Die empirische Studie wurde mit 83 Teilnehmer:innen über vier Wochen im Frühling 2025 durchgeführt. Die Datenerhebung kombinierte Ecological Momentary Assessment (sieben Right-Here-Right-Now-Befragungen pro Tag über die Cozie-App auf der Apple Watch), physiologische Messungen (Herzfrequenz über Apple Watch und Oura Ring) und Umgebungsdaten (Temperatur, Luftfeuchte, CO₂ über stationäre AirCO2ntrol-Sensoren). Ergänzend wurden im Rahmen eines Onboardings demografische, psychologische und persönlichkeitsbezogene Merkmale erhoben. Nach der Datenaufbereitung umfasste der finale Datensatz 72 Personen. Für die Komfortmodellierung wurde die publizierte Codebasis der Cohort Comfort Models nach Quintana et al. (2023) übernommen und an den eigenen Datensatz angepasst. Aus den gebildeten Kohorten wurden deskriptiv Temperatur-Sollwerte und Komfortbänder abgeleitet, die im Proof of Concept in den Living Labs des Projektpartners Forschung Burgenland als Setpoints eingesetzt wurden. Die energetischen Auswirkungen wurden über Simulationen mit einem datengetriebenen modellprädiktiven Regelungsansatz (DMPC) an zwei Gebäuden mit unterschiedlicher Bauweise und Anlagentechnik bewertet.

Ergebnisse und Schlussfolgerungen

Die Komfortantworten waren stark unbalanciert. Die Klasse „Keine Veränderung" dominierte bei den meisten Teilnehmer:innen . Die trainierten Komfortmodelle konnten die selteneren Klassen „Kühler" und „Wärmer" nicht zuverlässig erkennen. Im Proof of Concept zeigte die kohortenbasierte Temperatursteuerung keinen eindeutigen Komfort-Effekt. Auch bei bewusst falscher Kohortenzuordnung wurde ein vergleichbarer Zufriedenheitsanstieg beobachtet.

Eine im Anschluss an das PoC durchgeführte Reproduktionsstudie auf den Originaldaten (Dorn-Datensatz) und dem PersonAI-Datensatz identifizierte mehrere methodische Punkte in der Referenz-Codebasis. Die Evaluierungsstrategie wurde durch eine personenbezogene Leave-One-Out-Cross-Validation ersetzt, die bei kleinen Datensätzen verzerrungsärmere Schätzungen liefert und in der Feature-Selektion wurde ein Information Leak behoben. Die im Original verwendete Bewertungsmetrik F1-Micro wurde um F1-Macro ergänzt, das die Klassifikationsleistung über alle drei Komfortklassen gleichmäßig gewichtet. F1-Macro zeigt, dass die unter F1-Micro scheinbar gute Leistung der Modelle im Wesentlichen auf der korrekten Vorhersage der dominanten Klasse „Keine Veränderung" beruht. Auch auf dem umfangreicheren Referenzdatensatz ließ sich kein statistisch belastbarer Leistungsunterschied zwischen den CCM und einer einfachen Baseline feststellen. Der Vergleich von korrekter und absichtlich falscher Kohortenzuordnung ergab zudem, dass die berichteten Leistungsgewinne auf wenige Ausreißer mit nahezu homogenem Antwortverhalten zurückgehen. Die Annahme, dass 60 Datenpunkte pro Person für stabile Komfortvorhersagen ausreichen, konnte ebenfalls nicht bestätigt werden.

Die parallel durchgeführten Energiesimulationen zeigen hingegen, dass breitere Komfortkorridore in Kombination mit modellprädiktiver Regelung erhebliches Einsparpotenzial bieten. Am ENERGETIKUM, einem Gebäude mit regelbarer Verschattung und thermisch aktivierten Bauteilsystemen, reduzierte der DMPC den Heizenergiebedarf um bis zu 47 % und den elektrischen Energiebedarf der Wärmepumpe um bis zu 45 % gegenüber einem konventionellen Zweipunktregler. Am LOWERGETIKUM, einem Gebäude ohne regelbare Verschattung, fielen die Einsparungen mit 7 bis 8 % geringer aus. Die Einsparungen resultieren primär aus der prädiktiven Regelungsstrategie und den damit erschlossenen thermischen Freiheitsgraden, nicht aus der Personalisierung der Komfortmodelle.

Ausblick

Die Projektergebnisse werden in mehreren Anschlussprojekten weiterverfolgt. Im Projekt WellFit wird das Studiendesign bei sommerlichen Temperaturen repliziert und erweitert. In weiteren geplanten Vorhaben soll die Verbindung von Innenraumluftqualität, Wearable-Daten und KI-gestützter Auswertung vertieft werden. Die Reproduktionsstudie wird als eigenständige wissenschaftliche Publikation veröffentlicht. Für die energetische Seite wird empfohlen, Komfortbänder zukünftig nicht nur als feste Randbedingung, sondern als eigenständigen Optimierungsparameter zu betrachten und deren Wirkung gebäudespezifisch, unter Berücksichtigung von Bauweise, Speichermasse, Verschattung und verfügbarer Anlagentechnik, zu bewerten.

Projektleitung

Technische Universität Graz

Projekt- bzw. Kooperationspartner:innen

• DILT Analytics GmbH
• Forschung Burgenland GmbH
• Universität Graz - Institut für Öffentliches Recht und Politikwissenschaft

Gerald Schweiger
Inffeldgasse 16b/II
A-8010 Graz
Tel: +43 (316) 873 - 5747
E-Mail: gerald.schweiger@tugraz.at
Web: https://www.tugraz.at/institute/ist/home/