Kann KI dabei helfen, die leistungsschwächsten Gebäude vor größeren Sanierungsprogrammen zu identifizieren?

Ja. KI kann dabei helfen, die Gebäude mit der schlechtesten Leistung in einem Portfolio zu identifizieren, bevor Sanierungsprogramme gestartet werden. Und so funktioniert es:

• Datenanalyse in großem Maßstab: KI prüft Energierechnungen, Belegungsmuster, Gebäudeeigenschaften und Klimadaten, um Immobilien mit unzureichender Leistung zu finden.
• Verbessertes Targeting: Durch das Aufspüren von Gebäuden mit hohem Risiko hilft die KI, die Verschwendung von Ressourcen für Anlagen mit geringer Priorität zu vermeiden.
• Fortgeschrittene Modelle: Techniken wie die Erkennung von Anomalien, Clustering und prädiktive Modellierung stufen Gebäude nach Leistung und Risiko ein.
• Datenintegration: KI kombiniert verschiedene Datenquellen - wie Rechnungen von Versorgungsunternehmen, IoT-Sensordaten und Wartungsprotokolle - um schärfere Erkenntnisse zu gewinnen.
• Unterstützt Experten: KI sorgt dafür, dass die Ingenieure ihre Zeit dort verbringen, wo sie am meisten bewirken.

Wichtigste Vorteile:

• Potenzielle Energieeinsparungen: 10-40%.
• Genauere Vorhersagen: KI-Modelle erreichen Fehlerquoten von nur 5%, verglichen mit 18-25% bei herkömmlichen Methoden.
• Langfristige Finanzplanung: KI unterstützt mehrjährige Investitionsstrategien, senkt die Kosten und steigert den ROI.

KI ist kein Ersatz für Expertenprüfungen, sondern dient als Vorabprüfung, um intelligentere, datengesteuerte Entscheidungen zu treffen.

OAA-Webinar: Einsatz von AI und IR-Imaging bei energieeffizienten Nachrüstungen

sbb-itb-5be7949

Warum Nachrüstungsprogramme die schlechtesten Gebäude übersehen

Nachrüstungsprogramme greifen oft zu kurz, weil sie sich auf die falschen Ziele konzentrieren. Dies geschieht vor allem aus drei Gründen: unvollständige Daten, ein Fokus auf Kosten statt auf Leistung und die finanziellen Auswirkungen einer schlechten Zielsetzung.

Lücken in der Daten- und Portfoliotransparenz

Die Datenqualität in den verschiedenen Gebäudeportfolios ist oft uneinheitlich. Eine Immobilie kann über detaillierte Energieaudits und Messdaten verfügen, während bei einer anderen kaum mehr als die Quadratmeterzahl und die Adresse gespeichert sind. Diese Diskrepanz erschwert einen fairen Vergleich von Gebäuden.

"Retrofit-Entscheidungen werden schwieriger - nicht, weil es keine Lösungen gibt, sondern weil die Gebäude in Bezug auf Bereitschaft, Datenqualität und Einschränkungen unterschiedlich sind." - Schneider Electric ^[3]

Herkömmliche Energieaudits können helfen, diese Lücken zu schließen, aber sie sind teuer und zeitaufwändig. Infolgedessen werden Entscheidungen oft auf der Grundlage unvollständiger Daten getroffen, was von echten leistungsbezogenen Verbesserungen ablenkt.

Vorrang der Kosten vor der Leistung

Wenn die Budgets knapp sind, neigen Gebäudeeigentümer dazu, billigeren Nachrüstungen den Vorzug vor solchen zu geben, die die besten Energieeinsparungen bringen könnten. Dieser kostenorientierte Ansatz führt häufig zu unzuverlässigen Einsparprognosen. Regressionsbasierte Planungsmodelle weisen beispielsweise Fehlerquoten von 18% bis 25% auf, was die finanziellen Risiken der Missachtung von Leistungsdaten verdeutlicht ^[4]. Auf lange Sicht kann diese Denkweise die Bemühungen um eine sinnvolle Energieeffizienz zunichte machen.

Die Kosten für das Anvisieren der falschen Gebäude

Wenn man sich auf die falschen Gebäude konzentriert, verschwendet man Geld und verlangsamt den Fortschritt bei den Dekarbonisierungszielen. Die Ausrichtung auf die Gebäude mit der schlechtesten Leistung - die "Sparfüchse" - kann den Gesamtenergieverbrauch des Portfolios um 12-32% senken. ^[2]. Diese Chancen zu verpassen wird immer riskanter, da die Energievorschriften immer strenger werden und die Mieter umweltfreundlichere Räume verlangen. Gebäude, die die Leistungsvorgaben nicht erfüllen, müssen mit Problemen bei der Einhaltung der Vorschriften, einem geringeren Vermietungspotenzial und einem sinkenden Wert rechnen.

KI bietet einen Ausweg aus diesem Kreislauf. Durch die Bereitstellung präziser, datengestützter Erkenntnisse kann sie die wahren Underperformer innerhalb eines Portfolios identifizieren und Eigentümern helfen, intelligentere Entscheidungen zu treffen.

"Die Steigerung der Energieeffizienz ist der greifbarste Weg zur Dekarbonisierung von Immobilien, aber vielen Gebäudeeigentümern fehlt ein klarer Fahrplan." - Ramya Ravichandar, Vice-President of Product Management, Smart Buildings & IOT, JLL ^[1]

Wie KI Gebäude mit hohem Risiko und hoher Auswirkung aufspürt

Bei großen Immobilienportfolios kann es sich wie die Suche nach der Nadel im Heuhaufen anfühlen, wenn man weiß, wo man anfangen soll. Die künstliche Intelligenz hilft durch systematische Datenanalyse, um die Objekte zu finden, die sofortige Aufmerksamkeit erfordern.

AI-Methoden für das Screening großer Portfolios

KI nutzt fortschrittliche Techniken wie die Erkennung von Anomalien, um ungewöhnlichen Energieverbrauch zu erkennen, Clustering, um ähnliche Gebäude zu gruppieren, und Prognosemodellierung, um den künftigen Energiebedarf und die Emissionen abzuschätzen. Diese Tools helfen dabei, die Anlagen nach Risiko einzustufen, was es einfacher macht, Maßnahmen zu priorisieren.

Ein herausragender Ansatz ist die Risikobewertung. Bei dieser Methode werden Gebäude auf der Grundlage von Faktoren wie der Gefährdung durch sich ändernde Vorschriften und der Gefahr, dass sie bei strengeren Energiestandards nicht mehr genutzt werden können, bewertet. Durch die Kombination von Modellen wie LSTM (Netzwerke für das Langzeitgedächtnis) und XGBoost, AI erfasst sowohl zeitbasierte Muster als auch komplexe Interaktionen zwischen Gebäudemerkmalen. Diese hybriden Modelle sind sehr genau und erreichen einen mittleren quadratischen Fehler (RMSE) von weniger als 5%, verglichen mit 18-25% für herkömmliche Regressionsmodelle. ^[4].

Wenn mehrere Datenströme integriert werden, werden diese Risikobewertungen noch schärfer.

Kombinieren mehrerer Datenquellen für ein vollständiges Bild

Kein einzelner Datensatz kann eine vollständige Perspektive bieten. KI führt verschiedene Daten zusammen, darunter grundlegende Gebäudedetails (wie Grundfläche, Alter, Isolierung und HLK-Systeme), Betriebsdaten von intelligenten Zählern und Gebäudemanagementsystemen, Wartungsprotokolle von CMMS und kontextbezogene Faktoren wie Wettermuster und Belegungszeitpläne. Zur Bereicherung der Analyse werden auch Aufzeichnungen über Kohlendioxidemissionen und Kennzahlen zur Energienutzungsintensität (EUI) eingefügt.

KI ist hervorragend im Umgang mit inkonsistenten Daten. Hybride Ensemble-Modelle kombinieren zum Beispiel hochfrequente Sensordaten von modernen Gebäuden mit spärlicheren Aufzeichnungen von älteren Gebäuden ^[6]. Dies ist von entscheidender Bedeutung, da ältere Gebäude im Vergleich zu neueren, nahezu energiefreien Gebäuden etwa 1,65 Mal empfindlicher auf klimabedingte Veränderungen des Energiebedarfs reagieren. Bis 2050 wird erwartet, dass die Energienachfrage in traditionellen Gebäuden um 199,1% steigen wird, während sie in effizienteren Gebäuden um 120,7% steigen wird ^[6]. KI hilft dabei, diese "Klimaresilienzlücke" zu quantifizieren und gibt Vermögensverwaltern eine Frühwarnung über potenzielle finanzielle Risiken.

Dieses präzise Screening bildet die Grundlage für gezielte Expertenbewertungen.

AI als Screening-Tool, nicht als endgültiger Entscheidungsträger

KI ersetzt keine detaillierten Audits, sondern beschränkt den Fokus auf die Anlagen, die einer genaueren Untersuchung bedürfen. Dieser Ansatz hält die Kosten unter Kontrolle und stellt gleichzeitig sicher, dass das technische Know-how dort eingesetzt wird, wo es am wichtigsten ist.

"Der Wert von KI liegt in ihrer Fähigkeit, die Energiebedarfsmuster von Gebäuden zu lernen und die Energieverteilung zu optimieren." - Ramya Ravichandar, Vice-President of Product Management, Smart Buildings & IOT, JLL ^[1]

Die KI erkennt auch subtile Probleme wie "unsichtbare Verschlechterungen". So kann sie beispielsweise einen allmählichen 2% wöchentlichen Anstieg des Energieverbrauchs erkennen, der bei Routineinspektionen unbemerkt bleiben könnte ^[7]. KI wird Ingenieure zwar nicht ersetzen, aber sie stellt sicher, dass sich ihre Bemühungen auf die Bereiche konzentrieren, in denen Nachrüstungen und Investitionen die größte Wirkung haben werden.

Was Daten-KI-Modelle brauchen, um gut zu funktionieren

Qualitativ hochwertige Daten sind das Rückgrat eines jeden KI-Modells, das darauf abzielt, risikoreiche Gebäude zu identifizieren und Sanierungsinvestitionen zu priorisieren. Die Genauigkeit und Struktur der Eingabedaten bestimmen direkt, wie zuverlässig die Ergebnisse des Modells sein werden.

Zentrale Dateneingaben für die AI-Analyse

KI-Modelle beruhen auf grundlegenden Daten, die den meisten Gebäudeeigentümern bereits vorliegen, wie z. B:

• Anlagenregister
• Rechnungen für Versorgungsleistungen
• Architektonische Zeichnungen
• Belegungspläne
• Wartungsprotokolle

Diese Datenpunkte bilden eine Grundlage für das Verständnis des Energieverbrauchs, der Betriebsmuster und der Instandhaltungshistorie eines Gebäudes.

Der Zugang zu detaillierten Aufzeichnungen ist jedoch unterschiedlich. Gebäude mit begrenzten Daten können nur grundlegende Maßnahmen unterstützen, wie z. B. allgemeine Empfehlungen auf der Grundlage von Typ, Größe und Standort (Maßnahmen der Stufe 3). Umfassende Daten hingegen ermöglichen präzisere, tiefer gehende Analysen, die die Genauigkeit der KI-Vorhersagen erheblich verbessern ^[3].

Sobald diese grundlegenden Daten vorhanden sind, können erweiterte Eingaben die Analyse auf die nächste Ebene bringen.

Erweiterte Eingaben, die die Modellgenauigkeit verbessern

Die Hinzufügung detaillierterer und spezifischerer Daten verbessert die KI-Vorhersagen. Zum Beispiel:

• Wetternormierte Energiedaten: Beseitigt saisonale Schwankungen und zeigt die tatsächlichen Effizienzlücken auf.
• Konditionssätze auf Komponentenebene: Enthält Messdaten wie Wärmedurchgangskoeffizienten (U-Werte) für Wände und Fenster, thermografische Scans, Rohrmaterial und -alter sowie IoT-Sensordaten in Echtzeit (z. B. Vibration, Druck und Stromaufnahme).

Wenn KI multivariate IoT-Signale analysiert - etwa den Vergleich der Stromaufnahme eines Kompressors mit der Umgebungstemperatur - kann sie Fehler Wochen vor einem Ausfall erkennen. Tatsächlich können einige Systeme Probleme 3-6 Wochen im Voraus erkennen ^[5][7][9]. Diese Art der proaktiven Wartung ist nur mit kontinuierlichen, granularen und gut beschrifteten Daten möglich.

Die richtigen Daten zu haben, ist jedoch nur ein Teil der Gleichung. Die ordnungsgemäße Verwaltung dieser Daten ist der Schlüssel.

Warum Data Governance wichtig ist

Das Sammeln von Daten ist eine Sache, aber sicherzustellen, dass sie nutzbar sind, ist eine ganz andere Herausforderung. Probleme wie inkonsistente Benennungen, doppelte Einträge und isolierte Systeme über mehrere Liegenschaften hinweg können die Fähigkeit der KI, zuverlässige Erkenntnisse zu generieren, behindern. Im Schneider Electric Blog heißt es dazu:

"Konsistenz ist genauso wichtig wie technische Raffinesse. Portfolio-Entscheider brauchen selten präzise Vorhersagen für jedes einzelne Jahr... Was sie brauchen, ist eine zuverlässige Möglichkeit, Optionen zu vergleichen." ^[3]

Damit KI-Ergebnisse verwertbar sind - insbesondere wenn sie als Grundlage für millionenschwere Sanierungsentscheidungen dienen - müssen die Daten zentralisiert, validiert und einheitlich formatiert werden. Ohne eine klare Daten-Governance können selbst die fortschrittlichsten Modelle Ergebnisse liefern, die nur schwer vertrauenswürdig oder umsetzbar sind ^[8].

Die Etablierung portfolioweiter Datenstandards ist nicht nur eine technische Formalität, sondern unerlässlich, um das volle Potenzial von KI zu erschließen. Geregelte Daten bilden die Grundlage für KI-gesteuerte Erkenntnisse, die zu effektiven und gezielten Nachrüstungsinvestitionen führen.

Umwandlung von KI-Erkenntnissen in einen Investitionsplan für die Nachrüstung

Sobald die KI risikoreiche Gebäude identifiziert hat, besteht der nächste Schritt darin, diese Erkenntnisse in praktische Investitionsstrategien umzuwandeln.

Vom Portfolio-Screening zum Szenarienvergleich

Das detaillierte Screening von AI liefert eine Rangliste von Gebäuden auf der Grundlage von Risiko, Energieleistung und prognostizierten Kosten. Aber eine Rangliste allein führt nicht zum Handeln. Um sie handlungsfähig zu machen, unterteilen Sie die Liste in verschiedene Stufen: Gebäude, die sofortige Aufmerksamkeit benötigen, solche, die 2-3 Jahre warten können, und Gebäude, bei denen kleinere betriebliche Optimierungen vorerst ausreichen.

Anschließend können Sie mithilfe von Szenarienvergleichen verschiedene Prioritäten und Zeitpläne für die Umrüstung abwägen. KI-Tools eignen sich hervorragend für Stresstests dieser Szenarien im Hinblick auf reale Beschränkungen wie Budgetgrenzen, Kohlenstoffreduktionsziele und akzeptable Risikoniveaus. Dieser Prozess hilft, Entscheidungen zu verfeinern, bevor die tatsächlichen Ausgaben beginnen, und schafft einen klaren Weg zu einem mehrjährigen CAPEX- und OPEX-Modell.

Erstellung mehrjähriger CAPEX- und OPEX-Pläne

Szenarienvergleiche bilden die Grundlage für einen detaillierten Investitionsfahrplan. Diese Roadmap bewertet die Nachrüstungsoptionen anhand mehrerer Dimensionen, einschließlich der Energienutzungsintensität, der Kapitalrendite (ROI), des internen Zinsfußes (IRR), des Kapitalwerts (NPV) und der prognostizierten CO₂-Einsparungen. Diese Metriken werden oft über Zeiträume von 25 Jahren oder mehr modelliert ^[5].

Diese langfristige Perspektive ist entscheidend. Ohne eine Analyse der Lebenszykluskosten können Nachrüstungsentscheidungen zunächst billiger erscheinen, aber im Laufe der Zeit zu höheren Kosten führen. Die Umstellung von reaktiven Notreparaturen auf eine prädiktives Investitionsmodell stabilisiert nicht nur die Budgets, sondern minimiert auch unangenehme finanzielle Überraschungen. Systeme, die auf diesem Ansatz aufbauen, liefern oft innerhalb von 6-12 Monaten einen ROI ^[10].

Verwendung von Asset-Management-Plattformen wie Oxand Simeo™

Plattformen wie Oxand Simeo™ überbrückt die Lücke zwischen KI-Einsichten und umsetzbaren Investitionsplänen. Mit einer umfangreichen Bibliothek von 10.000 Modelle zur Alterung und Energieleistung und 30.000 Instandhaltungsmaßnahmen, Oxand Simeo™ simuliert den Anlagenverschleiß und die Interventionskosten - ohne zusätzliche Hardware oder Sensoren ^[10].

Hier zwei Beispiele für seine Wirksamkeit:

• In'li, Ein französisches Unternehmen, das Wohnimmobilien verwaltet, hat mithilfe von Oxand Simeo™ energiebezogene Ziele in seine Investitionsplanung integriert. Der Leiter der Abteilung Budget und Asset Valuation erklärt:
  

  "Wir haben uns an Oxand gewandt, weil wir ein Tool brauchten, das uns eine vorausschauende - und nicht nur korrigierende - Sichtweise bietet und uns hilft, unsere Investitionen effektiver zu verwalten. Oxand zeichnete sich durch seine Risikomanagement-Funktionen aus." ^[10]

• Die Departement Meuse in Frankreich hatte Probleme mit fragmentierten Daten, die über mehrere Systeme verstreut waren. Durch die Konsolidierung dieser Daten mit Oxand Simeo™ konnten klare, zukunftsorientierte Investitionsprognosen erstellt werden. Ihr Generaldirektor für Dienstleistungen berichtete:
  

  "Wir brauchten ein Instrument, mit dem wir die fragmentierten Daten, die wir hatten, konsolidieren und auf eine Weise projizieren konnten, die unseren gewählten Vertretern, die die Entscheidungsträger sind, klar präsentiert werden konnte." ^[10]

Beide Beispiele verdeutlichen, wie datengesteuerte Instrumente kurzfristige Maßnahmen mit langfristigen Investitionsstrategien in Einklang bringen und so Masterpläne erstellen können, die sowohl praktisch als auch zukunftsorientiert sind.

Schlussfolgerung: AI als Standardbestandteil der Nachrüstungsplanung

Wenn das Portfolio-Screening unzuverlässig ist, geben Gebäudeeigentümer oft Geld für Anlagen aus, die keine unmittelbare Aufmerksamkeit benötigen, während kritische, risikoreiche Anlagen weiter verfallen. KI dreht dieses Drehbuch um, indem sie einen konsistenten und skalierbaren Weg bietet, um genau zu bestimmen, wo Interventionen den größten Unterschied machen werden.

Die Zahlen untermauern dies. Untersuchungen zeigen, dass KI-gesteuerte Entscheidungsframeworks die Leistung um bis zu 53% im Vergleich zu traditionellen Planungsansätzen für Nachrüstungen ^[12]. In größerem Maßstab können Unternehmen, die von reaktiver Wartung zu prädiktiven, KI-gestützten Strategien übergehen, ihre Gesamtbetriebskosten um bis zu 50 % senken. 30% im Laufe der Zeit ^[11].

Auch bei der Bewältigung der Komplexität realer Szenarien leistet die KI hervorragende Arbeit. Unabhängig davon, ob es sich um Anlagen mit detaillierten Messdaten oder um solche mit nur grundlegenden Informationen wie Gebäudetyp, -größe oder -standort handelt - KI liefert unter einer Vielzahl von Bedingungen genaue Ergebnisse. Ihre Stärke liegt in der konsistenten Handhabung vielfältiger und komplexer Anlagenprofile in großem Maßstab.

Angesichts dieser Erkenntnisse und der klaren Vorteile von KI ist es klar, dass diese Technologie ein zentraler Bestandteil der Sanierungsplanung werden sollte. Anstatt eine einmalige Lösung zu sein, sollte KI als kontinuierliche Intelligenzschicht dienen, die Investitionsentscheidungen auf solide, datengestützte Erkenntnisse stützt. In Verbindung mit integrierten Asset-Management-Tools ermöglicht KI Gebäudeeigentümern, früher zu handeln, Ressourcen intelligenter einzusetzen und Retrofit-Programme zu erstellen, die auch in den kommenden Jahren effektiv bleiben.

FAQs

Wie viele Gebäudedaten brauche ich, damit das KI-Screening funktioniert?

Die Menge der benötigten Daten variiert je nach Anwendung, aber große Datensätze sind im Allgemeinen die Norm. Diese Datensätze umfassen häufig Nutzdaten, Gebäudeeigenschaften, Energienutzung, Wetterinformationen, und Bilder der Fernerkundung. So wurden beispielsweise KI-Tools zur Analyse von Einrichtungen mit einer Fläche von 40 Millionen Quadratmetern eingesetzt. Durch die Nutzung von Metriken wie Energieverbrauchsintensität, Kohlenstoffemissionen, und historische Performance, können diese Instrumente präzise und umsetzbare Erkenntnisse liefern.

Wie kann ich KI-Ergebnisse validieren, bevor ich Geld für Nachrüstungen ausgebe?

Um sicherzugehen, dass die KI-Ergebnisse verlässlich sind, bevor Sie sich für eine Nachrüstung entscheiden, sollten Sie ein paar wichtige Schritte unternehmen. Erstens: Suchen Sie unabhängige Validierung der Fähigkeiten der KI. Prüfen Sie, ob die KI eine Erfolgsbilanz mit ähnlichen Portfolios wie dem Ihren vorweisen kann. Transparenz ist von entscheidender Bedeutung. Vergewissern Sie sich, dass der Mess- und Überprüfungsprozess (M&V) klar und einfach zu überprüfen ist.

Erkundigen Sie sich nach Referenzen von Gebäuden, die vergleichbar sind in Größe, Art und Standort zu Ihrem. Es ist auch wichtig, die Leistung der KI an mehreren Standorten zu bewerten, nicht nur an einem einzigen Pilotprojekt. So erhalten Sie ein besseres Verständnis für die Konsistenz und Zuverlässigkeit der KI. Vor allem aber sollten Sie sicherstellen, dass alle Einsparungen durch einen Prozess gestützt werden, der zuverlässig gemessen und überprüft werden kann.

Wie können AI-Rankings in einen 3-5-Jahres-Budgetplan für die Nachrüstung umgewandelt werden?

KI-Rankings bieten eine intelligente Möglichkeit, einen 3-5-Jahres-Budgetplan für die Modernisierung zu erstellen, indem kritische Faktoren wie Energieeffizienz, Wartungsanforderungen und CO2-Bilanz untersucht werden. Diese Analyse hilft dabei, herauszufinden, welche Gebäude am dringendsten modernisiert werden müssen. So können Asset Manager ihre Investitionen dort konzentrieren, wo sie die größte Wirkung erzielen. Durch die Verwendung einer abgestuften Strategie können Maßnahmen in einer logischen Reihenfolge organisiert werden, wobei unmittelbare Verbesserungen mit langfristigen Zielen in Einklang gebracht werden. Dieser Ansatz stellt sicher, dass die Ressourcen effektiv genutzt werden und die Budgets mit den Nachhaltigkeitszielen in Einklang gebracht werden.

Verwandte Blogbeiträge

• Quick Wins für Nachhaltigkeit: Maßnahmen mit geringem Kostenaufwand, die Ihr Portfolio auf größere Veränderungen vorbereiten
• Nationale Pläne zur Gebäudesanierung: Wie man Politik in eine Portfolio-Investitionsstrategie verwandelt
• Am schlechtesten laufende Gebäude: Wie man Investitionen in einem Portfolio identifiziert, einstuft und abwickelt
• Wie KI die Dekarbonisierungs-Investitionsplanung in Gebäudeportfolios unterstützen kann