SECAI – Edge-Cloud-basierte KI-Systeme für nachhaltiges Heizen

SECAI edge cloud basierte systeme heizen

SECAI: das sind intelligente, ökologisch nachhaltige, schnell umsetzbare Lösungen für das Heizen in Privatwohnungen.

Das Projekt SECAI entwickelt durch den Einsatz von Künstlicher Intelligenz im Edge-Cloud-Umfeld intelligente, ökologisch nachhaltige, schnell umsetzbare Lösungen für das Heizen in Privatwohnungen an der Schnittstelle der Domänen Smart Living und Energie. Auf den Erkenntnissen des Smart-Living-Leuchtturmprojekts ForeSight wird der Heizbedarf von Privatwohnungen KI-basiert analysiert, um darauf aufbauend optimierte und abgestimmte Heizpläne für Gebäudekomplexe und Wohnungen zu erstellen. Technisch steht dabei vor allem das Zusammenspiel von Edge- und Cloud-Technologien im Mittelpunkt. Im Rahmen des Projekts sollen die Vorteile beider Technologien kombiniert werden, um so z.B. kritische Nutzerdaten dezentral auf Edge-Devices zu verarbeiten, dort datenschutzkonform KI-Modelle zu trainieren und diese mit einem Federated-Learning-Ansatz ressourceneffizient in der Cloud unter Wahrung der Anonymität zu optimieren. Der Betrieb der KI-Modelle erfolgt dann wieder dezentral auf den Edge-Geräten, in den Wohnungen. Die im Projekt entwickelten KI-Services sollen eingesetzt werden, um Optimierungspotenziale im Bereich der Heizungs-Steuerung von Privatwohnungen und der Gesamtheizungsanlage in Bestandsgebäuden zu identifizieren. Sie sollen aber auch in der Lage sein auf durch Edge-Sensorik erkannte Änderungen im Nutzerverhalten oder Änderung relevanter Umgebungsvariablen direkt zu reagieren sowie entsprechende Anpassungen vorzunehmen. Dabei greift SECAI auf Ansätze aus GAIA-X zurück, um stets die Datensouveränität der Mietenden zu wahren, erhebt Akzeptanzfaktoren und entwickelt zielgruppengerechte Endnutzerapplikationen.

SECAI – Architektur

Aufgabe der KI-Modelle ist, die Effizienz der Heizung zu steigern, um den Energieverbrauch und die laufenden Kosten zu reduzieren. Dafür wird die Wohnsituation umfassend betrachtet – von der Sensorik in einzelnen Räumen (Nano-Ebene) über die Wohnung (Mikro-Ebene) hin zu ganzen Gebäuden (Meso-Ebene) und Wohnkomplexen oder Gebäudebeständen (Makro-Ebene).

Nano

Die kleinste Einheit bezeichnen Sensoren und Aktoren in den Räumen der Wohnung. Sie dienen der Erhebung von Daten bzw. zur Steuerung von Geräten.

Mikro

Alle in einer Wohnung enthaltenen Geräte bilden zusammen die Mikro-Ebene. Mit Hilfe eines sog. Gateways werden hier alle Daten der Wohnung aggregiert und für die Berechnung der KI-Modelle verwendet. Ebenfalls erfolgt auf dieser Ebene eine Anreicherung um externe Informationen wie z.B. Sonneneinstrahlung.

Meso

Beschreibt die Gesamtheit eines Gebäudes und bündelt die KI-Modelle der Mikro-Ebene zu einem für das Gebäude passendem Gesamtmodell. Hier können beispielsweise zentrale Einheiten des Gebäudes wie die Heizungsanlage justiert werden.

Makro

Die größte Einheit beschreibt einen Gebäudebestand oder geografisch zusammenhängenden Komplex, welcher ähnlichen externen Faktoren wie dem Wetter und der Bauweise unterliegen.

Intelligente Heizlösung – Wie funktioniert SECAI?

Auf der Nano- und Mikro-Ebene interagiert das SECAI-System mit den Bewohnerinnen und Bewohnern, z.B. über die Smart-Home-Geräte oder Interfaces wie Apps. Aus technischer Perspektive kann man diese Ebenen als „Edge“ bezeichnen, da die Sammlung von Daten und Berechnung der KI-Modelle zunächst ohne Verbindung zum Internet möglich ist. Im Gegensatz dazu lässt sich die Makro-Ebene nur virtuell, also in der „Cloud“, abbilden. Sie setzt sich aus mehreren Gebäuden zusammen und hat damit keine eindeutige Repräsentanz in einem Gerät. Die Meso-Ebene kann sowohl lokal, z. B. bei Installation eines „Gebäude-Gateways“ („Edge“) im Heizungsraum, als auch virtuell („Cloud“) dargestellt werden. Die Verbindung von Edge-Geräten und Cloud-Diensten hat den Vorteil, dass der Schutz persönlicher Daten durch die lokale Verarbeitung und Berechnung weitestgehend gewahrt wird, während die Skalierbarkeit und Performance in der Cloud genutzt werden können. Dieses Verfahren wird als föderiertes, Edge-Cloud-basiertes Machine Learning bezeichnet. Hier können Algorithmen Muster und Gesetzmäßigkeiten in Datensätzen aller Ebenen erkennen und daraus Lösungen entwickeln. Das so generierte Wissen führt zu Anpassungen an den Zentralheizungsmodellen und zu Impulsen für die Bewohnerinnen und Bewohner, deren eigenes Heizverhalten energieeffizienter und nachhaltiger auszurichten.