PersonAI - User-Centered AI-based energy services built on personal preference models

Durchführung einer breit angelegten Langzeitstudie mit 40-50 Personen zur Erstellung von persönlichen Komfortprofilen zur Behaglichkeitssteigerung in Gebäuden. Die persönlichen Komfortprofile werden anschließend in einem Proof-of-Concept als Inputgrößen in die Gebäuderegelung rückgeführt.

Kurzbeschreibung

Ausgangssituation/Motivation

Die EU will bis 2030 die Energieeffizienz um 32,5 % steigern und einen Anteil von 32 % an erneuerbaren Energien erreichen. Gegenwärtig ist der Gebäudebestand in der EU energieintensiv und überwiegend ineffizient; er ist für 40 % des Endenergieverbrauchs und 36 % der CO2-Emissionen der EU verantwortlich.

In diesem Zusammenhang müssen sich die Gebäude von ihrem derzeitigen statischen und ineffizienten Profil zu intelligenten dynamischen Akteuren entwickeln und gleichzeitig den Nutzer:innenbedürfnissen gerecht werden. Die Vergangenheit hat gezeigt, dass die erfolgreiche Umsetzung energiepolitischer Maßnahmen stark an sozialen Faktoren wie gesellschaftlicher Akzeptanz, Toleranz und Mitwirkungsmotivation hängen.

Inhalte und Zielsetzungen

Durch die rasante Weiterentwicklung der verfügbaren Technologien gewinnen AI-gestützte Energy Services wie Model Predictive Control (MPC), Demand Side Management, Forecasting, etc. zunehmend an Bedeutung und Praxisrelevanz im Gebäudesektor. Gleichzeitig muss die Einhaltung einer gesundheitsfördernden Innenraumqualität (Temperatur, Feuchte, Luftqualität etc.) gewährleistet bleiben.

Schon vor der COVID-19-Pandemie verbrachte ein Großteil der Bevölkerung rund 90 % der Zeit in Innenräumen. Die Innenraumqualität in Gebäuden hat damit einen wesentlichen Einfluss auf Gesundheit und Wohlbefinden.

Trotzdem gelingt die Einhaltung der entsprechenden Behaglichkeitskriterien nur selten. Derzeit kommen in Abhängigkeit der Gebäudeart zwei Arten von Komfortbewertungsmodellen zur Anwendung (standardisiert in ISO 7730:2005 oder EN 16798-1:2019):

  1. Wärmebilanzmodelle (z.B. Predicted Mean Vote PMV-Index) oder
  2. adaptive Modelle.

Beide sind stark vereinfachte, statistische Verfahren, wurden unter Laborbedingungen ermittelt und sollen die durchschnittliche Komfortbeurteilung einer großen Personengruppe bei der Gebäudeplanung/im Betrieb voraussagen. Mehrere Studien haben gezeigt, dass diese die Komplexität der Interaktionen in der Mensch-Umwelt-Beziehung nur unzureichend abbilden und zudem individuelle Gegebenheiten (Alter, Geschlecht, Gesundheit, Bekleidung, etc.) nicht berücksichtigen.

Aus den oben genannten Gründen rücken Personal Comfort Models, nicht zuletzt auch durch die Fortschritte im Bereich der AI/ML-Algorithmen, als innovatives und neues Forschungsfeld in den Vordergrund. Erste Studien bzw. Simulationen schätzen Energieeinsparungen zwischen 21,81 % und 44,36 % durch AI-basierte Energy Services und Komfortverbesserungen zwischen 21,67% und 85,77 % durch Personal Comfort Models.

Methodische Vorgehensweise

Personal Comfort Models werden anhand detaillierter Daten erstellt. Relevante Daten sind beispielsweise subjektive Feedback-Surveys (persönliche Präferenzen, Bekleidungsfaktor, Aktivitätsgrad, Luftzug, etc.), physiologische Messdaten (Hauttemperatur, Herzfrequenz, Schritte, etc.), GPS-Location oder Umgebungsbedingungen (Temperaturen, Luftfeuchte).

Anschließend werden die Modelle für jeden/jede Teilnehmer:in separat trainiert und können wieder aggregiert werden, um die thermische Behaglichkeit einer Gruppe (z.B. in einem Stockwerk, in einer thermischen Zone) bei den gegebenen Umgebungsbedingungen vorherzusagen.

Erwartete Ergebnisse

Die Entwicklung von AI-basierten Personal Comfort Models in Kombination mit Energieeffizienzzielfunktionen bildet das Kernstück des Projekts. Erwartete Projektergebnisse sind unter anderem die Durchführung einer breit angelegten Langzeitstudie mit 40-50 Personen und detaillierter Datenerhebung (Surveys in Kombination mit Hauttemperatur, Herzfrequenz, etc.) eines möglichst repräsentativen Bevölkerungsquerschnitts geplant.

Die daraus erstellen Personal Comfort Modelle werden anschließend aggregiert und in einen mit relevanten Stakeholdern gemeinsam ausgewählten Energy Service in einem Proof-of-Concept demonstriert.

Projektbeteiligte

Projektleitung

Technische Universität Graz

Projekt- bzw. Kooperationspartner:innen

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

Kontaktadresse

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/