Die offensichtliche Annahme war: Wärmepumpen sind bereits so effizient, da gibt es wenig zu holen. Wir haben monatelang Betriebsdaten analysiert. Wir lagen falsch — und zwar auf eine sehr interessante Art.
Was die Daten wirklich zeigen
Wir haben erwartet, dass die Kompressorstufe der dominante Effizienzfaktor ist. Schließlich klingt das intuitiv: mehr Leistung, mehr Verbrauch, optimiere dort. Spoiler: Die Kompressorstufe erklärt weniger als 4% der COP-Varianz. Fast nichts.
Was tatsächlich zählt? Zyklusdauer. 66% der Effizienzunterschiede lassen sich allein darauf zurückführen. Die Außentemperatur trägt weitere 30% bei. Das war die erste "wir sollten das hätten wissen können"-Erkenntnis des Projekts.
Kurze Zyklen unter 30 Minuten liefern einen
COPvon 1.5–2.0. Zyklen über 60 Minuten erreichen 2.5–3.5. Das ist kein marginaler Unterschied — das ist bis zu 50% mehr Effizienz.
Der Grund ist im Nachhinein offensichtlich: Jeder Anlaufvorgang kostet Energie. Kurze Zyklen bedeuten viele Anläufe. Die Anlaufverluste werden nie amortisiert. Domainexperten hatten das immer vermutet — wir haben es jetzt quantitativ bestätigt, mit einem Vorhersagemodell bei R² = 0.89.
Wie das Modell aufgebaut ist
Das Gesamtsystem besteht aus fünf spezialisierten Komponenten, die zusammen das thermische Verhalten der Anlage abbilden:
- COP/Energie-Modell — Vorhersage des Energieverbrauchs pro Heizzyklus (
MAE: 0.10 COP-Punkte) - Zyklusmodell — Anlaufverhalten und Leistungsprofil
- Tank-Speichermodell — Temperaturschichtung im Pufferspeicher mit einem 3-Schicht
Predictor-Corrector-Ansatz - Wärmeabgabemodell — Thermische Leistung ans Gebäude
- Defrost-Modell — Vorhersage von Abtauzyklen (
AUC-ROC: 0.86)
Jede Komponente ist einzeln validiert. Das ist wichtig — denn der eigentliche Wert liegt nicht im Modell selbst, sondern in dem, was man damit tun kann.
Der eigentliche Trick: Testen ohne Risiko
Das war der Moment, wo das Projekt wirklich interessant wurde. Die Wärmepumpe läuft im echten Betrieb, Mieter wohnen da, der Komfort darf nicht leiden. Man kann nicht einfach "mal ausprobieren, ob eine aggressive Zyklusstrategie funktioniert".
Das Vorhersagemodell ist im Grunde ein digitaler Zwilling. Verschiedene Steuerungsstrategien — von einfachen regelbasierten Ansätzen bis zu komplexen ML-Optimierern — werden gegen das Modell evaluiert, nicht gegen die echte Anlage.
Das bedeutet: Wir können Dutzende Strategien simulieren, die schlechten aussortieren, und nur die vielversprechenden in die Realität bringen. Keine ungeplanten Ausfälle, kein frierender Mieter als Kollateralschaden.
Die bisherigen Ergebnisse aus diesem Prozess: Durch intelligente Zyklussteuerung kombiniert mit preisabhängiger Optimierung — also Heizen wenn Strom günstig ist — sind bis zu 30% Kostenersparnis realistisch. Wir validieren das aktuell noch weiter und bauen das Modell aus.
Die eigentliche Lektion hier ist nicht "KI spart Energie". Die Lektion ist: Betriebsdaten enthalten Erkenntnisse, die niemand explizit modelliert hat — und manchmal zeigen sie, dass man am falschen Stellrad dreht. Wir hätten noch Jahre lang die Kompressorstufe optimiert.