berechnetem und tatsächlichem Heizenergiebedarf wird als Energy Performance Gap (EPG) bezeichnet, ist jedoch nicht ausschließlich auf das Verhalten der Nutzenden zurückzuführen (Mahdavi et al., 2021). Pionierunternehmen wie Vilisto nutzen selbstlernende Thermostate, die Bewegungs-, Schall- und Lichtdaten per Sensor erfassen, um das Heizverhalten autonom zu optimieren (Vilisto GmbH, o. J.). 2. Methodik Das Projekt UDigiT4iCity untersucht den Einsatz von IoT-Technologien zur Energieeffizienzsteigerung in Städten. Aufbauend auf dem Forschungsprojekt Smart Public Buildings & Infrastructures wurde das Energiemonitoring in öffentlichen Gebäuden als zentraler Anwendungsfall identifiziert (Otto, Guedey, & Uckelmann, 2022). Am Humboldtgymnasium in Solingen wurde hierzu ein IoT-Prototyp getestet, um das Einsparpotenzial durch bedarfsgerechtes Heizen zu evaluieren. Vorangegangene Simulationen prognostizierten Endenergieeinsparungen von 36 % (Otto, Guedey, & Uckelmann, 2023). Das Humboldtgymnasium in Solingen besteht aus vier Gebäuden, der Fokus lag auf dem Altbau von 1976 mit gemischter Nutzung (Lehre, Verwaltung), fünf Heizsträngen nach Etagen und Nutzung und Nord/ Westbis Süd/ Ost- Ausrichtung. Das Energiemonitoring umfasst den Energieverbrauch und die Steuerung der Aktorik. Energieeffizienzsteigerung durch bedarfsgerechtes Heizen im öffentlichen Gebäudebereich IoT, KI, Öffentliche Gebäude, LoRa, Gebäudeeffizienz Robert Otto, Sergej Kreber, Maximilian Haag, Dieter Uckelmann Dieser Fachbeitrag zeigt, wie durch IoT-gestütztes, bedarfsgerechtes Heizen in öffentlichen Gebäuden signifikante Energieeinsparungen erzielt werden können. Ein automatisiertes Scheduling-System analysiert Bewegungsmelderdaten mit Machine-Learning-Algorithmen und prognostiziert Raumbelegungen mit einer 70-95-prozentigen Genauigkeit. Durch diese Daten können Funkheizthermostate Räume effizient in ihren Nutzungsphase bedarfsgerecht ansteuern. In einem Feldversuch wurde der Computerraum einer Schule mit dieser Technik ausgestattet, welche zu einer Energieeinsparung von 63 % geführt hat. Simulationen haben ein Heizenergieeinsparpotenzial von 36 % für das gesamte Schulgebäude ergeben. Skaliert auf weitere öffentliche Gebäude, kann das bedarfsgerechte Heizen massiv zur Heizenergieeinsparung beitragen. 1. Einleitung 1.1 Eine kurze Geschichte des Heizens im Gebäudebestand Der Gebäudesektor verursacht 30 % (Umweltbundesamt, 2024) der CO 2 -Emissionen, wobei 70 % auf Heizwärme entfallen (Statistisches Bundesamt, 2024, 5.05). Trotz eines steigenden Anteils an Wärmepumpen (76 % im Neubau) bleibt der Gebäudebestand weiterhin fossil dominiert (80 % Gasheizungen) (Agora Energiewende, 2016, S. 25-27 & Statistisches Bundesamt, 2024, 15.06.). Der Sanierungsstau ist erheblich: 30 % der Gebäude gehören zur Energieeffizienzklasse D (100-130 kWh/ m²a), 20 % zur Klasse E (130-160 kWh/ m²a), 10 % zur Klasse F (160-200 kWh/ m²a). Während die Sanierungsrate unter 1 % liegt, wären zur Erreichung der Klimaziele bis 2045 4 % notwendig (Behr et al., 2023). 1.2 Effizienzsteigerung von Heizungsanlagen im Gebäudebestand Geringinvasive Optimierungsmaßnahmen bieten großes Potenzial zur Heizenergieeinsparung. Das Projekt BaltBest benennt drei zentrale Maßnahmen: witterungsgeführte Vorlauftemperaturen, Pumpenleistungsoptimierung und smarte Raumtemperatursteuerung. Smarte Thermostate ermöglichen als minimalinvasive Lösung Einsparungen von bis zu 30 % (Shaikh et al., 2014). Diese Differenz zwischen BEITRÄGE ZUR ENERGIEWENDE Energieeffizienzsteigerung 30 Sonderausgabe · 2025 TR ANSFORMING CITIES DOI: 10.24053/ TC-2025-0020 2.3 Aufbau des bedarfsgerechten Heizens Im Feldversuch am Humboldtgymnasium wurde in zwei Heizsträngen je ein Raum mit bedarfsgerechter Heizungssteuerung ausgestattet. Alle Heizkörper erhielten Heizkostenverteiler zur Vergleichbarkeit. Der Messzeitraum umfasst die Heizperiode 2023-2024, die Werte werden im Dashboard visualisiert (vgl. Bild-3). Die Systemstruktur gliedert sich in drei Ebenen: ƒ Hardware → Sensoren & Aktoren zur Datenerfassung ƒ Software → Datenverarbeitung & Steuerungsalgorithmen ƒ Netzwerkinfrastruktur → Kommunikation via LoRaWAN 2.1 Hardware Zur Energieerfassung wurde die bestehende Zählerinfrastruktur ermittelt und an die Datenerfassung angebunden: ƒ Gasverbrauch: Energ ycam 2.0 am Gaszähler (Bild-1, Element e), Datenübertragung via WMBus (Bild 1, Element d) ƒ Wärmemengenmessung: LoRaWAN-Wärmemengenzähler (Elvaco, Bild 1, Element b) ƒ Stromverbrauch: Smart Meter mit Optokoppler- Schnittstelle (KLAX) (Bild-1, Element c) ƒ Datenübertragung: LoRaWAN-Gateway sendet Daten an „The Things Network“ (Bild-1, Element a) Bild 1: Hardware Zählerinfrastruktur Bild 3: Aufbau der System Architektur Bild 4: Raumdaten in Grafana Bild 2: Sensoren und Aktoren Folgende Sensoren und Aktoren finden in den Räumen installiert: ƒ Tektelic Vivid Smart Room Sensor (Bild-2, a): Multisensor, Nutzung des PIR-Bewegungssensors ƒ MClimate Vicky (LoRaWAN-Thermostat) (Bild-2, b): Fernsteuerbar. Manuell übersteuerbar ƒ Dragino LHT52 (Temperaturfühler) (Bild- 2,- c): Referenztemperaturmessung 2.2 Software Die eingesetzte Software ist Open Source. ƒ Datenverarbeitung: T TN verwaltet Sensoren & überträgt Daten via MQTT. NodeRED dekodiert & formatiert Daten für InfluxDB. ƒ Analyse & Steuerung: Python-Modelle berechnen Belegungsprognosen & steuern Aktoren. ƒ Datenvisualisierung: Grafana-Dashboard. Die Raumnutzungsprognose basiert auf den letzten 14 Tagen, ausgewertet nach Wochentag und Uhrzeit. Ein Support Vector Classifier (Scikit-Learn, Python) trainiert die Daten und aktualisiert sie alle zwei Tage. Die Vorhersagegenauigkeit liegt je nach Raumnutzung und Datensatzanpassung bei 70-95 %. 2.3.2 Steuerung der Thermostate Die Thermostatsteuerung kombiniert allgemeine Prozesse mit raumindividuellen Anpassungen. Das MClimate-Vicky-Thermostat passt die Zieltempera- BEITRÄGE ZUR ENERGIEWENDE Energieeffizienzsteigerung 31 Sonderausgabe · 2025 TR ANSFORMING CITIES DOI: 10.24053/ TC-2025-0020 alisierung an neue Nutzungsmuster an und erreicht eine Vorhersagegenauigkeit von 70-95 %. Im Feldversuch konnte im Computerraum R 028 eine Einsparung von 63 % des Nutzenergiebedarfs festgestellt werden. Diese hohe Einsparung ist jedoch raumindividuell bedingt, da: ƒ Nord-/ West-Ausrichtung des Raumes durch hohe interne Lasten ausgeglichen wird ƒ unregelmäßige Nutzung als Fachraum keine durchgehende Beheizung erfordert Für eine generalisierbare Bewertung sind weitere bauphysikalische Faktoren zu berücksichtigen: ƒ interne Wärmeströme zwischen angrenzenden Räumen ƒ Sonneneinstrahlung und deren Einfluss auf den Heizwärmebedarf Trotz dieser Einschränkungen bestätigen die Ergebnisse, dass eine durchschnittliche prognostizierte Endenergieeinsparung von 36 % (Otto, Guedey, & Uckelmann, 2023) realistisch ist und im Einklang mit den Ergebnissen von Shaikh et al. steht. Ein abschließender wissenschaftlicher Nachweis des Einsparpotenzials erfordert jedoch eine detailliertere Untersuchung mehrerer Gebäude mit unterschiedlichen Nutzungsarten sowie eine flächendeckende Ausstattung mit intelligenter Steuerung. Verweis Fördergeber BMBF - FKZ: 13FH91061A LITERATUR [1] Umweltbundesamt. (2024). Energiesparende Gebäude: Gebäude - wichtig für den Klimaschutz. Abgerufen am 15. Januar 2025 von https: / / www.umweltbundesamt.de/ themen/ klima-energie/ energiesparen/ energiesparendegebaeude#gebaude-wichtig-fur-den-klimaschutz [2] Statistisches Bundesamt. (2024, 5. Mai). Zahl der Woche: Neue Entwicklungen in der Energieversorgung von Gebäuden. Abgerufen am 15. Januar 2025 von https: / / www. destatis.de/ DE/ Presse/ Pressemitteilungen/ Zahl-der- Woche/ 2024/ PD24_05_p002.html [3] Agora Energiewende. (2016). Die Wärmewende 2030: Schlüsseltechnologien für eine nahezu klimaneutrale Gebäudeenergieversorgung. Abgerufen von https: / / www.agoraenergiewende.de/ fileadmin/ Projekte/ 2016/ Sektoruebergreifende_EW/ Waermewende-2030_WEB.pdf [4] Statistisches Bundesamt. (2024, 15. Juni). Neue Zahlen zur Wärmeversorgung in Deutschland veröffentlicht. Abgerufen am 15. Januar 2025 von https: / / www.destatis.de/ DE/ Presse/ Pressemitteilungen/ 2024/ 06/ PD24_N025_31_51. html [5] Behr, S. M. et al. (2023). Energetische Sanierung von Gebäuden kann durch Mindeststandards und verbindliche Sanierungsziele beschleunigt werden (DIW Aktuell Nr. 87). Deutsches Institut für Wirtschaftsforschung (DIW). Abgerufen von https: / / www.diw.de/ de/ diw_01.c.868221. tur dynamisch an die Raumnutzung an, steuert direkt das Ventil und gleicht die Temperatur mit einem externen Fühler ab. Regelprinzipien: ƒ Vorkonditionierung eine Stunde vor Nutzung ƒ Temperaturerhöhung bei Anwesenheit, Absenkung bei Abwesenheit ƒ Automatische Absenkung an Feiertagen und zu Schließzeiten Automatische Einstellungen werden ergänzt durch manuelle Anpassungen bei speziellen Raumbedingungen. 3. Ergebnisse Im Folgenden sind die Ergebnisse der Analyse des Heizstranges für das Gebäude von 1976 aufgelistet. Die Klassenräume haben Flächen von 50-80 m², Büros und Besprechungsräume 20-35 m². Computerraum R 028 (Versuchsraum für bedarfsgerechtes Heizen): ƒ Fläche: 67,6 m² ƒ Ca. 20 PC-Arbeitsplätze (interne Last) ƒ Nutzungsdauer ca. 4-8 h/ Woche ƒ Ausrichtung: Nord/ West, Fensterfront, Außenwand über Eck ƒ Spezifischer Nutzenergieverbrauch: 30,62 kWh/ m²a Heizstrang Altbau 1976: ƒ Nettofläche: 1.119,16 m² ƒ Durchschnittlicher spezifischer Nutzenergieverbrauch: 87,7 kWh/ m²a ƒ Gesamtspezifischer Verbrauch: 84,5 kWh/ m²a ƒ Spezifischer Endenergieverbrauch: 104,3 kWh/ m²a ƒ Verteilungsverluste: ca. 19 % 4. Diskussion & Fazit Dieser Fachbeitrag zeigt, dass bedarfsgerechtes Heizen signifikante Energieeinsparungen im Gebäudebereich ermöglicht. Durch den gezielten Energieeinsatz nach tatsächlichem Bedarf lassen sich erhebliche Reduktionen des Heizwärmeverbrauchs erzielen. Ein effektives Scheduling ist hierfür essenziell, um Nutzungszeiträume zu erfassen und die Temperaturregelung entsprechend anzupassen. Dies kann manuell oder, wie in dieser Studie, automatisiert erfolgen. Grundlage des Systems sind Bewegungsmelderdaten, die durch Machine Learning analysiert werden, um Raumbelegungswahrscheinlichkeiten und Belegungsprofile zu erstellen. Das System passt sich durch kontinuierliche Datenaktu- BEITRÄGE ZUR ENERGIEWENDE Energieeffizienzsteigerung 32 Sonderausgabe · 2025 TR ANSFORMING CITIES DOI: 10.24053/ TC-2025-0020 de/ publikationen/ diw_aktuell/ 2023_0087/ energetische_ sanierung_von_gebaeuden_kann_durch_mindeststandards_und_verbindliche_sanierungsziele_beschleunigt_ werden.html [6] Energieeffizient Wohnen. (n.d.). BaltBest: Einfluss der Betriebsführung auf die Effizienz von Heizungsaltanlagen im Bestand. Abgerufen am 15. Januar 2025, von https: / / www. energieeffizient-wohnen.de/ baltbest [7] Jurkschat, S. et al. (2023). Measurement data-based estimation of the suitability of existing properties for the operation of X to water heat pumps using a seed of 100 multi-family houses and different power shifting approaches. Energies, 16(21), 7352. https: / / doi.org/ 10.3390/ en16217352 [8] Shaikh, P. H. et al. (2014). A review on optimized control systems for building energy and comfort management of smart sustainable buildings. Renewable and Sustainable Energy Reviews, 34, (S. 409-429). https: / / doi.org/ 10.1016/ j. rser.2014.03.027 [9] Mahdavi, A. et al., S. (2021). The role of occupants in buildings’ energy performance gap: Myth or reality? Sustainability, 13(6), Article 3146. https: / / doi.org/ 10.3390/ su13063146 [10] vilisto GmbH. (n.d.). Digitales Wärmemanagement für Nichtwohngebäude. Abgerufen am 20. Januar 2025, von https: / / www.vilisto.de/ [11] Otto, R., Guedey, M., & Uckelmann, D. (2022). Developing userand technology-driven use cases for smart city applications. In Y. Xiao, A. Abraham, G. C. Peng, & J. Roth (Eds.), Proceedings of the IADIS International Conference on Applied Computing, (S. 208-212). IADIS. https: / / www.iadisportal.org/ digital-library/ developing-user-and-technology-driven-use-cases-for-smart-city-applications [12] Guedey, M., Otto, R., & Uckelmann, D. (2023). Reduction of heating energy consumption of existing public buildings through the use of IoT. 2023 IEEE International Smart Cities Conference (ISC2), Bucharest, Romania, (S.- 1-7). https: / / doi.org/ 10.1109/ ISC257844.2023.10293581 Robert Otto, Zentrum für Digitalisierung in Forschung, Lehre & Wirtschaft Hochschule für Technik Stuttgart Schellingstraße 24, 70174 Suttgart robert.otto@hft-stuttgart.de Sergej Kreber, Zentrum für Digitalisierung in Forschung, Lehre & Wirtschaft Hochschule für Technik Stuttgart Schellingstraße 24, 70174 Suttgart sergej.kreber@hft-stuttgart.de Maximilian Haag, Zentrum für nachhaltige Energietechnik Hochschule für Technik Stuttgart Schellingstraße 24, 70174 Suttgart maximilian.haag@hft-stuttgart.de Prof. Dr.-Ing. Dieter Uckelmann Zentrum für Digitalisierung in Forschung, Lehre & Wirtschaft Hochschule für Technik Stuttgart Schellingstraße 24, 70174 Suttgart dieter.uckelmann@hft-stuttgart.de AUTOR: INNEN BEITRÄGE ZUR ENERGIEWENDE Energieeffizienzsteigerung 33 Sonderausgabe · 2025 TR ANSFORMING CITIES DOI: 10.24053/ TC-2025-0020