Ausgangslage

Starting point

Der hydraulische Abgleich in Warmwasser- und Heizsystemen ist fachlich anspruchsvoll, häufig manuell geprägt und stark vom Erfahrungswissen einzelner Expert:innen abhängig. In einem großen Gebäudeportfolio führte das zu inkonsistenter Versorgungsqualität, erhöhtem Energieverbrauch und begrenzter Skalierbarkeit. Eine kontinuierliche Überwachung und Optimierung war mit klassischen Methoden nicht wirtschaftlich darstellbar.

Hydraulic balancing in heating and hot-water systems is knowledge-intensive, often manual, and highly dependent on the experience of individual experts. Across a large building portfolio, this led to inconsistent supply quality, higher energy consumption, and limited scalability. Continuous monitoring and optimization was not economically viable with conventional methods.

Aufgabe & Beitrag

Task & contribution

• Entwicklung eines Reinforcement-Learning-basierten Algorithmus zur kontinuierlichen Optimierung von Ventilstellungen und Druckverhältnissen — in einem cross-funktionalen Team aus Domänenexperten und Softwareentwicklern.
• Systematische Abbildung von Expertenwissen in einem digitalen Regelungsansatz — weg von implizitem Fachwissen, hin zu einem lernfähigen, dokumentierten System.
• Integration von Fehlererkennung: Anomalien werden automatisch identifiziert und als strukturierte Meldungen an den Leitstand weitergegeben.
• Konzeption des Systems für parallele Ausführung über mehrere hundert Gebäude hinweg ohne manuelle Eingriffe.

• Developed a reinforcement-learning-based algorithm for continuous optimization of valve positions and pressure ratios — as part of a cross-functional team of domain experts and software engineers.
• Encoded expert knowledge into a digital control framework — moving from implicit know-how to a learnable, documented system.
• Integrated fault detection: anomalies are automatically identified and forwarded as structured alerts to the control room.
• Designed the system for parallel operation across several hundred buildings without manual intervention.

Technischer Ansatz

Technical approach

Der Algorithmus kombiniert Reinforcement Learning mit domänenspezifischen Regelstrukturen. Statt eines rein datenbetriebenen Ansatzes wurde Expertenwissen als strukturierte Eingabe in das Lernframework integriert — das erhöht die Robustheit und beschleunigt die Konvergenz erheblich. Die Fehlererkennung basiert auf statistischen Abweichungsmodellen mit konfigurierbaren Schwellwerten je Gebäudetyp.

The algorithm combines reinforcement learning with domain-specific control structures. Rather than a purely data-driven approach, expert knowledge was integrated as structured input into the learning framework — increasing robustness and significantly accelerating convergence. Fault detection is based on statistical deviation models with configurable thresholds per building type.