Neues Deep-Learning-Modell erkennt Wärmepumpen-Stress zuverlässig – 78 % Genauigkeit

Ein neues Forschungsprojekt aus dem Bereich der Energieeffizienz präsentiert ein innovatives Deep‑Learning‑Modell, das den Betriebsstress von Wärmepumpen mit einer Genauigkeit von 78 % erkennt. Das Modell, genannt PG‑DNN, kombiniert physikbasierte Merkmalsauswahl mit einer tiefen neuronalen Architektur, um die komplexen thermodynamischen Wechselwirkungen in modernen Gebäuden zu erfassen.

Die Studie nutzt den umfangreichen When2Heat‑Datensatz, der 131 483 Messungen aus 26 europäischen Ländern enthält. Durch die Integration von physikgestützten Klassendefinitionen und einer zweifachen Regularisierung erreicht das Modell eine Test‑Genauigkeit von 78,1 % und eine Validierungsgenauigkeit von 78,5 %. Im Vergleich zu herkömmlichen Ansätzen verbessert es die Leistung um 5 % gegenüber flachen Netzwerken, um 4 % gegenüber eingeschränkten Merkmalen und um 2 % gegenüber einzelnen Regularisierungsmethoden.

Eine ausführliche Ablationsanalyse bestätigt die Wirksamkeit der physikgestützten Merkmalsauswahl, der variablen Schwellenwerte für realistische Klassenverteilungen und der Analyse von Energiemustern über Länder hinweg. Das System ist bereit für den Einsatz in der Praxis, verfügt über 181 348 Parameter und benötigt lediglich 720 Sekunden Trainingszeit auf einer AMD‑Ryzen‑9‑7950X‑Plattform mit RTX‑4080‑Grafikkarte.

Diese Fortschritte markieren einen bedeutenden Schritt in Richtung zuverlässiger, datengetriebener Wartung von Wärmepumpen und tragen zur Optimierung der Energieeffizienz in Gebäuden bei.