Implementierungsstrategie
Die Umsetzung von SPIKE im Rahmen von AI4Cities erfolgte als praxisnaher Demonstrationsprozess in ausgewählten Pilotgebäuden in Kopenhagen und Amsterdam. Zu Beginn wurden Gebäudestrukturen und technische Anlagen analysiert, geeignete Messpunkte festgelegt und die notwendige IoT-Hardware vorbereitet. Installiert wurden Sensorik und Gateways (u.a. für Raumklima), Temperaturfühler sowie intelligente Stromzähler, um Raumzustände, Energieflüsse und nutzungsbezogene Muster granular zu erfassen. Nach der Installation folgte eine Phase der Datensammlung zur Bestimmung der energetischen Ausgangslage und der thermodynamischen Gebäudeeigenschaften; daraus wurden Baseline-Modelle und Referenzwerte abgeleitet. Anschließend wurde der Algorithmus schrittweise in Betrieb genommen – zunächst in einem „OFF/ON“-Testmodus, um Effekte zu vergleichen und Modellparameter iterativ zu justieren. Die Steuerung kombiniert neuronale Netze mit prädiktiver Regelung und berücksichtigt Wetterprognosen, Energiekosten und Lastprofile, um in Echtzeit eine passende Regelstrategie für Heizung und Lüftung abzuleiten. Parallel wurde die Lösung in bestehende HLK-Systeme integriert, ohne einen kompletten Austausch der Gebäudetechnik zu erfordern, was die Nachrüstbarkeit deutlich erleichtert. Die Pilotierung zeigte, dass fortlaufende Datenanalysen und enges Feedback mit den Partnern notwendig sind, um das Zusammenspiel von Komfort- und Einsparzielen im laufenden Betrieb feinzujustieren. Trotz Herausforderungen wie Lieferkettenproblemen und begrenzten Messzeiträumen konnte so ein funktionierendes, skalierbares System etabliert werden, das Einsparungen nachvollziehbar machte und Perspektiven für weitere Anwendungen in kommunalen und privaten Bestandsgebäuden eröffnete.

Lessons Learned
"Die Umsetzung von SPIKE im Rahmen von AI4Cities zeigte, dass KI-basierte Steuerungsstrategien in Bestandsgebäuden einen spürbaren Beitrag zur Senkung von Energieverbrauch und CO₂-Emissionen leisten können. In Pilotgebäuden in Kopenhagen und Amsterdam wurden durch Plug-and-Play-Sensorik, adaptive Algorithmen und die Einbindung der Nutzer:innen signifikante Einsparungen erzielt (im Winterbetrieb teils über 15 %), ohne die Komfortqualität zu beeinträchtigen. Zentral war dabei die Erkenntnis, dass nachhaltige Effekte nur gelingen, wenn die Regelung flexibel auf externe Bedingungen, Gebäudeeigenschaften und Nutzerpräferenzen reagiert und Komfort- sowie Effizienzziele laufend ausbalanciert. Für die Skalierung wurden klare Voraussetzungen sichtbar: Dank modularer IoT-Architektur ist der Ansatz grundsätzlich gut übertragbar, insbesondere wenn offene APIs, interoperable Protokolle (z.B. BACnet, Modbus, MQTT) und sauber beschriebene Datenschnittstellen die Integration in heterogene Gebäudetechnik erleichtern. Gleichzeitig braucht es Mindestanforderungen wie ausreichende Sensordichte, Zugriff auf Steuerungs- und Fernwartungsebenen, belastbare Datenschutzkonzepte und historische Verbrauchsdaten für Baselines und Prognosen. Organisatorisch erwiesen sich Abstimmungen zwischen Facility Management, Energieverantwortlichen und IT oft als zeitkritisch, etwa bei Firewall-Regeln, Zugängen, Zuständigkeiten oder der Einbindung in bestehende Plattformen. Vorbehalte gegenüber automatisierten Eingriffen konnten durch transparente Dashboards, manuelle Übersteuerung und regelmäßige Abstimmungen reduziert werden. Weitere Lessons waren Lieferkettenverzögerungen, der Bedarf längerer Messzeiträume und saisonal begrenzte Einsparpotenziale. Wichtig ist zudem ein standardisiertes Monitoring mit robusten Baselines, die Wetter und Nutzung berücksichtigen, um CO₂-Reduktionen nachvollziehbar zu belegen. Insgesamt bestätigt das Projekt den Nutzen KI-gestützter Systeme im Bestand – sofern Technik, Prozesse, Akzeptanz und kontinuierliche Datenauswertung zusammenspielen."