Zum Inhalt springen

Selbstlernende Netze für die Solarthermieheizung

Neuigkeiten aus dem Fraunhofer-Institut für Solare Energiesysteme ISE: In dem so genannten Projekt „ANNsolar - Neuronale Netzwerke für die Anwendung in der Solarthermie“ sind jetzt tatsächlich selbstlernende künstliche neuronale Netze entwickelt worden, die bei der Regelung solarthermischer Heizungssysteme helfen sollen. Diese künstlichen neuronalen Netze können Handlungsstrategien selbstständig entwickeln. Dafür nutzen sie – vergleichbar mit dem menschlichen Gehirn – erlebte Beispiele. Sie sind sozusagen in der Lage, zu trainieren.

Das Projekt hat ein Regelungskonzept zum Ergebnis, das viele verschiedene Faktoren selbstständig übernimmt. Dazu gehören folgende Punkte:

  • die selbstständige Identifizierung von individuellen Randbedingungen, wie Klima oder Wärmedämmstandard
  • das Erkennen des charakteristischen Betriebsverhaltens der solarthermischen Anlage und des Wärmeverteilsystems
  • die Prognostizierung von Entwicklung der Raumtemperatur, des Solarertrags und des Speicherladezustands


Grundlage des Regelungskonzeptes ist mehr oder weniger das Prognostizieren von Raumtemperatur, Solarertrag und Speicherladezustand. Eine sehr gute Voraussage ist hier durchaus möglich, indem man eine Kombination aus ANN und LSI anwendet. ANN sind selbstlernende künstliche neuronale Netze LIS ist die Lineare System Identifikation. Durch die Kombination beider ist es möglich, sowohl nichtlineares als auch lineares Verhalten der Anlage abzubilden. Zum Nachweis dessen wurden Messdaten einer realen Heizungsanlage mit solarthermischer Unterstützung für das Training von ANN-Netzen genutzt. Wolfgang Kramer, Abteilungsleiter Thermische Speicher und Gebrauchsdaueranalyse sowie Koordinator Solarthermie am Fraunhofer ISE, sagt: „Die große Stärke des gewählten Regelungsansatzes besteht darin, dass er in der Lage ist, individuelle Prognosen über die zukünftige Entwicklung von Raumtemperatur und Solarertrag zu generieren und zu berücksichtigen, ohne dass dafür aufwändige Simulationen notwendig sind.“

Die verwendete ANN-Regelung übernimmt grundsätzlich zwei Regelungsfunktionen und nutzt dafür die ANN-Prognosen.

  • Die erste Regelungsfunktion ermittelt automatisch die individuell optimale Heizkurve. Hier werden unter anderem Einflüsse, wie z.B. die passive solare Erwärmung des Gebäudes oder der Betrieb eines Kaminofens mitberücksichtigt.
  • Die zweite Regelungsfunktion steuert die Zuschaltung der fossilen Nachheizung. Hierzu wird unter anderem überprüft, ob die notwendigen Speichertemperaturen innerhalb eines Prognosezeitraums unter Umständen auch ohne Nachheizung erreicht werden können. Auf diese Weise werden unnötige Brennerstarts vermieden und die fossile Nachheizung wird minimiert.


Wolfgang Kramer zeigt sich insgesamt zuversichtlich: „Künstliche neuronale Netze bieten eine hervorragende Möglichkeit, Heizungsanlagen effizienter und kostengünstiger zu regeln.“ Er führt weiter aus, dass die Einsparpotenziale gegenüber einer optimierten konventionellen Regelung bei Bestandsgebäuden bei mindestens 7 % liegen. Im Vergleich zu nicht optimierten Regelungen liegt das Einsparpotential mit 12 % und mehr noch höher. Die Arbeiten haben insgesamt ergeben, dass Solarertrag und Energieeffizienz durch die künstlichen neuronalen Netze maximiert werden können und auch die Aufwände bei Installation und Inbetriebnahme der Regler reduziert werden. So können mehrere Stunden an Handwerkerdienstleistung eingespart werden.