Warum die Zukunft des Facility Managements prädiktiv ist: Machine Learning, MPC und der intelligente Gebäudebetrieb

Stand der Analyse: 21. Mai 2026. Dieser Beitrag bewertet die ETH-Dissertation von Felix Bünning (2021), DOI 10.3929/ethz-b-000526883, im Kontext der heutigen FM- und Asset-Praxis. Genannte Energieeinsparungen beziehen sich auf den dort untersuchten Versuchsstand am NEST/Empa in der Schweiz und sind nicht ohne Pilotmessung auf beliebige Bestandsgebäude übertragbar. Eine Rechts-, Steuer- oder Energieberatung im Sinne einschlägiger Berufsordnungen ist mit diesem Beitrag nicht verbunden.

Wenn die Heizung anfängt, voraus zu denken#

Wer heute durch ein deutsches Bürogebäude geht, wird in den meisten Fällen einer Regelung begegnen, die seit zwanzig Jahren das Gleiche tut. Vorlauftemperatur wird über die Außentemperatur geführt, die Heizungspumpe kennt eine Nachtabsenkung, der Wärmeerzeuger schaltet bei Unterschreitung eines Sollwerts hysteretisch ein und bei Erreichen wieder aus. Das funktioniert. Es funktioniert nur eben nicht gut.

Eine Dissertation der ETH Zürich von 2021 hat in einer bewohnten Wohneinheit am NEST-Versuchsgebäude auf dem Empa-Campus über Monate gemessen, was passiert, wenn man den Hysterese-Regler durch einen prädiktiven Regler ersetzt, der zwei Tage in die Zukunft schaut, Wetterprognose und Nutzungsmuster einbezieht und seine Stellgrößen periodisch optimiert. Das Ergebnis ist klar genug, um zur Kenntnis genommen zu werden — und vorsichtig genug formuliert, um seriös zu sein.

Das Problem: Gebäude werden noch immer reaktiv betrieben#

Die meisten Heizungs- und Kühlanlagen reagieren darauf, was gerade passiert. Sinkt die Raumtemperatur unter den Sollwert, wird geheizt. Steigt sie über die Obergrenze, wird gekühlt. Diese hysteretische Logik ist robust und kennt sich jeder Servicetechniker aus dem Effeff. Sie hat nur zwei Nachteile, die immer relevanter werden.

Erstens ignoriert sie die Zukunft. Wenn morgen ein sonniger Tag bevorsteht, ist es energetisch klüger, in der Nacht die Speichermasse des Gebäudes vorzuwärmen, um den Solareintrag besser zu nutzen — und nicht, wie der Hystereseregler, am Morgen frisch hochzuheizen, wenn die Sonne in zwei Stunden ohnehin Wärme liefert. Zweitens ignoriert sie das Stromnetz. Eine Wärmepumpe, die an einem windreichen Tag mit Stromüberschuss aus dem Netz Strom abruft, ist netzdienlich und nimmt potenziell günstige Tarife mit. Eine, die unabhängig von der Netzsituation arbeitet, verschenkt Geld.

Model Predictive Control — kurz MPC — ist die mathematische Antwort auf beide Probleme. Über einen Vorhersagehorizont (typischerweise 24 Stunden) wird in regelmäßigen Abständen (z. B. alle 15 Minuten) ein Optimierungsproblem gelöst: Welche Sequenz von Stellgrößen minimiert die Energiekosten oder die CO₂-Emission, unter Einhaltung von Komfortbändern, Anlagengrenzen und Speicherzuständen, gegeben eine Prognose des Wärmebedarfs, der Außentemperatur und ggf. der Sonneneinstrahlung? Die Lösung liefert einen optimalen Stellgrößen-Plan; angewendet wird nur der erste Schritt, danach wird neu gerechnet.

So weit das Lehrbuch. Die praktische Hürde war über Jahre, dass MPC ein Modell des Gebäudes braucht — und das individuell zu bauen, ist mühsam. Genau hier setzt die Bünning-Dissertation an.

Warum klassische Physik-Modelle in der Breite scheitern#

Ein Gebäude physikalisch zu modellieren heißt: Wärmeübergangskoeffizienten messen, thermische Zonen abgrenzen, Materialkennwerte einpflegen, Solargewinne abschätzen, Lüftungsraten bestimmen. Für ein einzelnes Forschungsobjekt ist das machbar. Für einen Bestand von 200 Gebäuden eines mittelständischen Wohnungsunternehmens ist es eine Berater-Vollzeitstelle für mehrere Jahre. Genau aus diesem Grund hat sich MPC akademisch durchgesetzt und industriell nie wirklich Fuß gefasst — bis Daten und Rechenleistung billig genug wurden, um den Spieß umzudrehen.

Das ist die eigentliche industrielle Pointe der Arbeit. Nicht „KI ersetzt Ingenieure", sondern: Die richtige Mischung aus wenig Physik, wenig Daten und wenig Modellannahmen schlägt komplexere ML-Methoden mit großer Datenmenge. Wer in Gebäudedynamik einen vernünftigen physikalischen Strukturansatz wählt und die freien Parameter datengetrieben identifiziert, gewinnt — wenn Genauigkeit und Trainingsdaten-Effizienz gefordert sind.

Was die Dissertation methodisch geliefert hat#

Die Arbeit gliedert sich in vier originale Forschungsbeiträge, die jeweils ein Stück der Lücke schließen — und im Schlusskapitel als zwei-Ebenen-Robust-MPC zusammengesetzt sind.

Wer das nüchtern liest, erkennt: Diese Arbeit ist kein Marketingvehikel. Sie ist eine sorgfältige, jahrelange experimentelle Studie — heizungs- und kühlungsseitig, Einzelgebäude- und Quartiersbetrieb, Energieersparnis und Netzdienlichkeit. Sie ist auch deshalb so überzeugend, weil sie ihre Grenzen ehrlich diskutiert. Davon im letzten Teil.

Warum reine Black-Box-KI nicht reicht#

Ein Standard-Deep-Learning-Modell aus der Tech-Welt — beliebig vielschichtige neuronale Netze mit nicht-linearen Aktivierungen — kann ein Gebäude beliebig genau abbilden, wenn man genug Daten hat. Es hat zwei massive Nachteile für den Gebäudebetrieb.

Erstens, das resultierende Optimierungsproblem im MPC ist nicht konvex. Heißt: Es gibt im Allgemeinen keine Garantie, dass der Optimierer die wirklich beste Stellgröße findet — und schon gar nicht in Echtzeit. Für ein einzelnes Haus mag das noch handhabbar sein, für ein Quartier mit Tausenden Zustandsvariablen wird es zur Lotterie. Zweitens, ein klassisches Deep-Net leidet unter Trainingsvarianz — der Lehrer-Stab nennt das „Initialisierungs-Glück". Dasselbe Netz, mit denselben Daten, anders initialisiert, kann zu deutlich unterschiedlichen Vorhersagen kommen. In der Forschung ist das ein Nachteil; in einem industriellen Regler, der Mietern Komfort garantieren soll, ist es ein Showstopper.

Bünnings Antwort darauf ist nicht „kein ML", sondern „ML mit Struktur". Input Convex Neural Networks erzwingen Konvexität in den Eingaben — das löst den ersten Punkt. Online-Korrektur per Fehler-Autokorrelation und kontinuierliches Nachtrainieren löst den zweiten. Und das physikinformierte ARMAX-Modell zeigt: Wenn man vorher weiß, dass ein Gebäude eine lineare, leicht trägheitsbehaftete Antwort auf seine Stellgrößen hat — wozu dann ein nicht-lineares Modell?

Was Maschinelles Lernen tatsächlich gut kann#

ML im Gebäudebetrieb glänzt an drei Stellen, die in der Diss. sauber herausgearbeitet sind.

Erstens, Wärmebedarfsprognosen. Ein neuronales Netz mit Außentemperatur-Forecast, Tagestyp, Stunde des Tages und drei historischen Bedarfen (vor einer Stunde, vor einem Tag, vor einer Woche) ist überraschend gut darin, den 24-Stunden-Wärmebedarf vorherzusagen. Mit der Online-Korrektur wird es belastbar. Diese Prognose ist der Treibstoff für jeden MPC.

Zweitens, Modellbildung bei wenigen Anlagentypen. Wenn man Pufferspeicher, Wärmepumpe und Verteilnetz physikalisch modelliert (es sind industrielle Standardkomponenten — Datenblätter reichen) und das individuelle Gebäude datengetrieben, kombiniert man das Beste aus beiden Welten: harte Physik dort, wo sie billig zu haben ist; flexible Datenanpassung dort, wo individueller Aufwand entstehen würde.

Drittens, Lasten- und Tarifoptimierung. Wer einen Forecast hat und ein Modell — und einen variablen Stromtarif — kann zwischen teuren und billigen Stunden umschichten. Bünning zeigt das nicht direkt mit Tarifen, sondern mit Frequenzregelreserven; die Logik überträgt sich.

Was das für Facility Management wirklich bedeutet#

Die fachliche Botschaft an das FM ist nicht: „Schaff dir KI an." Sie ist: „Schaff dir die Voraussetzungen für KI an — sie sind ohnehin die Voraussetzungen für seriösen Betrieb."

Konkret heißt das: Wer für die Betriebskosten verantwortet, sollte heute drei Dinge ernst nehmen.

Erstens, digitale Mess- und Anlagendaten. Eine Heizung ohne sub-stündliche Verbrauchsdatenhistorie ist nicht ML-tauglich, aber auch sonst nicht optimierbar. Ein CAFM ohne Anbindung an die GLT ist eine teure Aktenablage. Eine GLT ohne offene Schnittstelle (BACnet, OPC-UA, MQTT) macht das Objekt zu einem geschlossenen System, das auf den Marktstandard nicht reagieren kann.

Zweitens, dokumentierte Komfort- und Betriebsgrenzen. Ein MPC kann nur optimieren, was er kennt. Wenn die Hausordnung sagt „Räume werden gemütlich beheizt" und die Soll-Bänder im Kopf des Hausmeisters wohnen, wird kein Regler die Räume vernünftig fahren — und im Streitfall mit Mietern fehlt die Grundlage.

Drittens, eine Strategieentscheidung zur Anlagentechnik. Wärmepumpe und Pufferspeicher sind die Konstellation, in der die Bünning-Methodik glänzt. Wer heute eine Gasheizung tauschen muss, sollte die Frage, ob danach eine prädiktive Betriebsoptimierung möglich sein soll, bewusst in die Entscheidung einrechnen. Das ist nicht „grün-romantisch", sondern technisch nüchtern: Eine elektrifizierte, modulierbare Wärmequelle mit Speicher ist demand-response-fähig und damit potenziell ein Vermögenswert auf dem Regelenergiemarkt.

Was das für Quartiere bedeutet#

Das spannendste Ergebnis der Dissertation für die Branche steht in Kapitel 5. Ein Quartier mit zentraler Wärmepumpe und Pufferspeicher kann elektrische Reserven für das Stromnetz anbieten — also bezahlt werden, wenn es seine Leistung kurzfristig flexibel hoch- oder runterfährt. Der reine Pufferspeicher liefert dafür schon einen messbaren Beitrag. Aber: Wenn man die thermische Trägheit angeschlossener Gebäude aktiv mit-nutzt, vergrößert sich das anbietbare Reservevolumen um den Faktor 2,7. Aus 2,8 % des Grundstromverbrauchs werden 7,3 %.

Was bemerkenswert ist: Der Gesamtstromverbrauch des Quartiers steigt durch diese Reservebereitstellung nur um 0,3 %. Backup-Heizungen werden 16 % seltener genutzt. Die Reservebereitstellung ist also nicht „auf Kosten" der Energieeffizienz, sondern parallel zu ihr machbar — was sie zu einem doppelten Hebel macht: Cash aus dem Regelenergiemarkt und moderater Effizienzgewinn.

Für Quartiersentwickler heißt das: Wer heute eine Heizzentrale plant, plant nicht nur ein Heizsystem. Er plant ein zukünftiges Flexibilitätsasset. Und der Wert dieses Assets hängt davon ab, ob die angeschlossenen Gebäude später als Schwarmspeicher genutzt werden können — was wiederum von Datenanbindung, Komfortdokumentation und vertraglicher Klarheit abhängt.

Wie reif ist Ihr Gebäude — und wie würde man das einschätzen?#

Die Antwort auf diese Frage ist nicht „KI ja/nein". Sie ist mehrdimensional. Aus den Erkenntnissen der Dissertation lassen sich sechs Dimensionen ableiten, an denen sich der Reifegrad sauber festmachen lässt — und genau das macht der PEMS-Assistent auf metxme.ai.

Die sechs Dimensionen — Datenreife (25 %), Technische MPC-Eignung (20 %), Energieoptimierungspotenzial (20 %), Flexibilitäts- und Quartierspotenzial (15 %), Betriebsrisiko (10 %), Umsetzungsreife (10 %) — sind direkt aus den Hauptergebnissen der Dissertation gewichtet. Ohne Daten kein Forecast — daher Datenreife ganz vorne. Ohne Wärmepumpe und Speicher keine Demand Response. Ohne dokumentierte Komfortgrenzen kein automatischer MPC.

Was am Ende des Schnellchecks steht, ist nicht „Ihr Gebäude spart 33 % Energie", sondern: „Ihr Gebäude hat heute einen Reifegrad-Score X von 100. Hier sind die drei größten Risiken, die drei größten Potenziale und der vorgeschlagene nächste Schritt." Das ist seriös. Es ist auch der einzige Weg, KI-gestützte Betriebsoptimierung nicht zur nächsten Hype-Disziplin werden zu lassen, die in zwei Jahren beerdigt wird, weil sie überversprochen hat.

Was die Dissertation nicht sagt — und was Sie nicht versprechen dürfen#

Es gibt eine Versuchung, die in jedem Beitrag über KI-Forschungsergebnisse lauert: Die gemessenen 26–49 % als „typische Einsparung im Bestand" weiter zu transportieren. Das wäre falsch.

Erstens beziehen sich diese Zahlen auf zwei Wohneinheiten am NEST-Versuchsstand auf dem Empa-Campus in Dübendorf — einem modernen, gut gedämmten, datenreich instrumentierten Forschungsgebäude. Zweitens war die Vergleichsbasis ein einfacher Hystereseregler, nicht ein optimierter heutiger Bestandsbetrieb. Drittens war der Versuch im schweizerischen Klima und auf ein konkretes Anlagensetup zugeschnitten.

Eine seriöse Übertragung auf ein deutsches Mehrfamilienhaus aus den 1990er-Jahren mit Gas-Brennwerttherme braucht: einen Pilot, eine Baseline-Messung, eine ehrliche A/B-Auswertung über mindestens eine Heizperiode. Nur so lässt sich sagen, was die Methodik bei Ihnen bringt.

Auch die Reservebereitstellungs-Zahlen sind kontextabhängig. Faktor 2,7 ist ein experimentell und numerisch nachgewiesener Wert in einem konkreten Quartier — nicht eine allgemeingültige Faustformel.

Wo die Methode an ihre Grenzen stößt#

Bünning selbst diskutiert die Limitationen im Schlusskapitel ausführlich. Drei davon sind für die Praxis wichtig.

Erstens, die Skalierung. Das zentrale Optimierungsproblem für ein Quartier wird mit jeder zusätzlichen aktiv geregelten Einheit numerisch schwerer. Für zwei Gebäude funktioniert es; für hundert noch nicht ohne weitere Forschung. Der Ausweg sind verteilte Algorithmen — Future Work.

Zweitens, Anlagentechnik außerhalb der untersuchten Klasse. Die Arbeit deckt konvektionsbasierte Wärmeübergabesysteme (Heizkörper, Fußbodenheizung) gut ab. Heißluft-Systeme oder Strahlungskühlungen sind nicht abgedeckt; dort könnten lineare Modelle an ihre Grenzen kommen.

Drittens, Mieterkomfort als harte Randbedingung. Affine Policies, die für alle Räume gleich sein müssen, führen dazu, dass Räume mit geringer Wärmekapazität weiter vom Komfort-Limit weggefahren werden müssen — was im Worst-Case zu Überhitzung in den kapazitiv schwachen Räumen führen kann. In sensiblen Mieterkonstellationen ist das ein bewusst zu adressierendes Thema.

Der PEMS-Assistent — was er ist und was nicht#

Wir haben aus dieser Arbeit ein praktisches Werkzeug abgeleitet: den PEMS-Assistenten (Predictive Energy & Maintenance Strategy Assistant). Der Assistent fragt in sechs Modulen — Objektprofil, Anlagentechnik, Datenreife, Betriebsstrategie, Flexibilitätspotenzial, Risiko — strukturiert ab, was Sie über Ihr Objekt wissen. Heraus kommt ein Score von 0 bis 100, eine Status-Ampel, ein Radarprofil, eine Diagnose mit Top-Risiken und Top-Potenzialen, und drei klar getrennte Maßnahmenlisten zu Daten, Technik und Organisation.

Was der Assistent nicht ist: ein Regler, eine Simulation, eine Versprechung. Er macht das, was eine seriöse Erstberatung machen würde — strukturiert nachfragen, einordnen, nächste Schritte vorschlagen. Nur eben skalierbar, in fünf Minuten und ohne Verkaufsdruck. Wer mit dem Ergebnis arbeiten will, kann es ausdrucken, in die nächste Geschäftsleitungs-Vorlage übernehmen oder uns kontaktieren.

Fazit#

Felix Bünnings Dissertation ist eine der seriösesten Quellen, die im Jahr 2026 zu prädiktivem Gebäudebetrieb vorliegen. Sie zeigt — im bewohnten Realbetrieb — dass die Verbindung von Machine Learning und Model Predictive Control hält, was sie verspricht: weniger Energie, Komfort gewahrt, Reserven für das Netz, und das ohne Anregungsexperimente und mit lächerlich wenig Parametern. Sie zeigt aber auch, dass die Anwendung Bedingungen hat: Daten, Anlagen, Dokumentation, Organisation.

Für die FM-, Asset- und Quartiersentwicklungs-Praxis heißt das: Die Frage ist nicht mehr „funktioniert das?". Die Frage ist „sind wir bereit?". Und genau das lässt sich heute strukturiert prüfen — wissenschaftlich abgesichert, ohne Marketingnebel, in einer halben Stunde.

Quellen und weiterführende Literatur#

¹ Bünning, F. (2021). Marrying Machine Learning and Model Predictive Control for efficient Building Energy Management. Doctoral Thesis, ETH Zürich. DISS. ETH No. 28039. DOI 10.3929/ethz-b-000526883. ISBN 978-3-907234-89-1.

² Bünning, F. et al. (2020a). Improved day ahead heating demand forecasting by online correction methods. Energy and Buildings — Grundlage des Kapitels 2 der Dissertation.

³ Bünning, F. et al. (2020d). Robust MPC for frequency regulation with heat pumps using buffer storage tanks. Applied Energy — Grundlage des Kapitels 3.

⁴ Bünning, F. et al. (2021a). Physics-informed linear regression is competitive with two Machine Learning methods in residential building MPC. Applied Energy — Grundlage des Kapitels 4 (die 26–49 %-Ergebnisse).

⁵ Lefebure, J. et al. (2021). Distributed model predictive control for thermal energy management. — referenziert in Bünning's Diskussion zu verteilten Algorithmen.

⁶ Amos, B. et al. (2017). Input Convex Neural Networks. — methodische Grundlage der ICNN-Architektur in Kap. 4.

⁷ Goulart, P. et al. (2006). Optimization over state feedback policies for robust control with constraints. — methodische Grundlage der affinen Policies in Kap. 3 und 5.

⁸ NEST — Next Evolution in Sustainable Building Technologies, Empa Dübendorf. UMAR- und DFAB-Units als Versuchsbasis der experimentellen Kapitel.

Weiterlesen auf metxme.ai → Der PEMS-Assistent — KI-Reifegrad für Ihr Gebäude prüfen → LV-Tool FM — strukturierte Leistungsverzeichnisse für FM-Ausschreibungen → Wartungsmatrix — Wartungspflichten und Erneuerungsfristen → Community-Lese-Karte — Glossar zu MPC, ARMAX, Demand Response