Gebäude werden zu aktiven Energiesystemen. Ihre Optimierung beginnt dort, wo Zeit, Temperatur und Speicher intelligent zusammenspielen.
Zusammenfassung
Gebäudetechnik wird häufig noch komponentenweise optimiert: Photovoltaik auf maximalen Eigenverbrauch, Wärmepumpe auf Jahresarbeitszahl, Speicher auf Kapazität, Regelung auf Solltemperatur. Unsere Erkenntnisse zeigen jedoch einen deutlich wirksameren Ansatz: Das Gebäude wird als dynamische Energiezelle verstanden, in der elektrische, thermische und wirtschaftliche Zustände gemeinsam bilanziert und optimiert werden. In einem unter den hier beschriebenen Randbedingungen untersuchten Einfamilienhaus-Szenario mit 35.000 kWh Jahreswärmebedarf, 12 kWp PV, variabler Wärmepumpe, thermischem Speicher, Batterie und Heizstab reduziert ein optimierter Wassertank den Netzbezug von 6.983 auf 3.793 kWh, erhöht die PV-Eigennutzung von 11.663 auf 14.773 kWh und senkt die Jahreskosten von 2.443 auf 1.865 Euro. Die Batterie wird im finalen Modell trotz hoher technischer Effizienz nicht investiert; der thermische Speicher dominiert aufgrund der sehr viel niedrigeren spezifischen Speicherkosten.
Diese Ergebnisse stimmen mit dem internationalen Forschungsstand überein: Energie-flexible Gebäude nutzen thermische Masse, Warmwasserspeicher und elektrische Speicher, um Lasten zeitlich zu verschieben, ohne den Komfort zu gefährden. Die IEA EBC Annex-67-Arbeiten beschreiben Gebäude explizit als flexible Prosumer und verweisen auf thermische Masse sowie Wasser- und Batteriespeicher als Flexibilitätsquellen. Modellprädiktive Regelung gilt in der Gebäudetechnik als geeignete Methode, um Energieverbrauch, Emissionen und Komfort dynamisch zu optimieren; zugleich bleibt die reale Umsetzung anspruchsvoll, weil Prognosefehler, Modellgüte und Anlagenkommunikation entscheidend sind.
1. Das Gebäude als zellulares Energiesystem
Im Sinne zellularer Energiesysteme ist das betrachtete Gebäude keine passive Last, sondern eine lokale Energiezelle mit Erzeugung, Umwandlung, Speicherung und Netzkopplung. Die Simulation bildet diese Zelle über einen elektrischen Bus und einen Wärmebus ab: PV, Netz, Batterie, Wärmepumpe, Heizstab, thermischer Speicher und Wärmebedarf sind über bilanzierte Energieflüsse gekoppelt. Zur rechnerischen Modellbildung nutzen wir oemof.solph, Pyomo und HiGHS, die Energieflussoptimierung erfolgt in 8.760 stündliche Zeitschritte.
Wesentlich ist die Trennung der Energieträger: Elektrizität ist exergiereich, Wärme auf Gebäudeniveau ist niederexergetisch. Deshalb ist es thermodynamisch und ökonomisch meist günstiger, PV-Strom bei hoher Wärmepumpen-Effizienz direkt in Wärme umzuwandeln und diese als Wärme zu speichern, statt Elektrizität teuer elektrochemisch zu speichern und später erneut in Wärme zu transformieren. Diese Argumentation erklärt, warum im finalen Modell der Wassertank investiert wird, der Heizstab jedoch nicht genutzt wird und die Batterie bei 440 €/kWh keine optimale Investition erhält.
2. Thermodynamische Modellgrundlage: Zustände statt nur Energiemengen
Der Kern des Ansatzes liegt darin, nicht allein Jahresenergiemengen zu betrachten, sondern zeitabhängige Zustände: Außentemperatur, COP, PV-Leistung, Wärmebedarf, Speicherfüllstand und thermische Gebäudemasse. Die Wärmeprofile werden mit demandlib aus BDEW-Profilen skaliert. Für die PV-Simulation wird pvlib genutzt, das offene Referenzimplementierungen für Solarposition, Clear-Sky-Strahlung, Einstrahlungstransposition und PV-Leistungsmodelle bereitstellt.
Die Wärmepumpe wird nicht mit einem statischen COP modelliert, sondern mit einem temperaturabhängigen COP-Bereich von 1,5 bis 5,0 und einem Jahresmittel von etwa 3,7. Die interne Dokumentation verweist zusätzlich auf eine Carnot-nahe Proxy-Formel, bei der der reale COP aus dem idealen Temperaturhub und einem Wirkungsgrad abgeleitet wird. Aus thermodynamischer Sicht ist das entscheidend: Eine Kilowattstunde Wärme aus PV-Strom ist nicht zu jedem Zeitpunkt gleich teuer, weil die elektrische Arbeit der Wärmepumpe direkt vom Temperaturhub zwischen Quelle und Senke abhängt. Die optimale Regelung verschiebt Wärmepumpenlaufzeiten daher bevorzugt in Stunden mit hohem COP, hoher PV-Verfügbarkeit und ausreichender Speicheraufnahmefähigkeit.
3. Das 2R2C-Gebäudemodell als physikalischer Zustandsraum
Die 2R2C-Theorie erweitert die reine Energieflussoptimierung um ein thermisches Gebäudemodell. Das Gebäude wird als Widerstands-Kapazitäts-Netzwerk beschrieben: R_ia koppelt Raumluft und Bauteilmasse, R_ae koppelt Bauteilmasse und Außenwelt, C_air repräsentiert Luft und leichte Innenmasse, C_wall die schwere thermische Masse. Dadurch kann das Modell die Phasenverschiebung zwischen schneller Lufttemperatur und träger Wandtemperatur abbilden.
Die danach erstellten Gleichungen machen den methodischen Unterschied aus: Der Speicherbegriff umfasst nicht nur Wassertank und Batterie, sondern auch Wand, Estrich, Möbel und Raumluft. Die IEA beschreibt genau diese thermische Masse als Flexibilitätsquelle, deren Lade- und Entladegeschwindigkeit darüber entscheidet, wie lange Heiz- oder Kühllasten verschoben werden können.
4. Optimierungsproblem: Bilanztreue als Voraussetzung physikalischer Korrektheit
Das finale Optimierungsmodell minimiert die jährlichen Gesamtkosten aus Netzbezug, Speicherkosten und Einspeiseerlösen. Dabei gelten die Energiebilanzen am elektrischen Bus und Wärmebus sowie die Speicherbilanz des jeweiligen Speichers. Die Simulationsergebnisse zeigen ausdrücklich, dass ein unbalancierter elektrischer Bus zu unphysikalischen Ergebnissen führen kann, weil Defizite verworfen werden; die Korrektur besteht in einer bilanztreuen Kopplung mit Einspeise-Senke für überschüssige PV.
Diese Modellkorrektur ist nicht nur eine Softwarefrage, sondern eine thermodynamische Notwendigkeit. Energie darf weder verschwinden noch ohne Quelle entstehen. Ein Optimierer, der Defizite verwirft, optimiert nicht das Gebäude, sondern eine rechnerische Fiktion. Erst die bilanzierte Kopplung von PV, Netz, Wärmepumpe, Batterie, Tank, Heizstab und Einspeisung erzeugt eine belastbare Aussage darüber, ob eine Komponente tatsächlich systemdienlich ist.
5. Ergebnisinterpretation: Warum der Wassertank dominiert
Das zentrale Ergebnis ist eindeutig: Im betrachteten EFH-Szenario investiert das Modell 66,6 kWh thermische Speicherkapazität, reduziert den Netzbezug um 46 %, senkt den PV-Überschuss um 45 % und reduziert die Jahreskosten um 24 %. Der Wassertank ist deshalb dominant, weil seine spezifische Annuität mit 3,52 €/kWh/a angesetzt wird, während die Batterie mit 44,24 €/kWh/a rund 12,6-mal teurer ist.
Thermodynamisch bedeutet das: Für eine wärmegeführte Energiezelle ist der relevante Speicher nicht zwingend der technisch hochwertigste Speicher, sondern der Speicher mit dem besten Verhältnis aus Nutzenergie, Verlusten, Temperaturhub, Investitionskosten und Zielnutzen. Eine Batterie speichert elektrische Exergie mit hohem Wirkungsgrad, aber wenn die dominante Last Wärme ist, muss der Nutzen gegen die Investition konkurrieren. Der Wassertank speichert bereits das Zielprodukt des Umwandlungsprozesses: nutzbare Niedertemperaturwärme.
Der Heizstab bleibt ungenutzt, obwohl er einfach und billig ist. Das ist plausibel, weil ein Heizstab aus 1 kWh Strom nur 1 kWh Wärme erzeugt, während die Wärmepumpe im Jahresmittel etwa 3,7 kWh Wärme pro kWh Strom liefert. Ein Heizstab wird erst dann systemisch interessant, wenn PV-Überschüsse andernfalls abgeregelt würden, Netzrestriktionen auftreten oder Temperaturanforderungen oberhalb des effizienten Wärmepumpenbereichs liegen.
6. Vergleich mit ähnlich gelagerten Fällen aus Forschung und Praxis
Eine aktuelle Optimierungsstudie zu Wärmepumpe, thermischem Speicher und Photovoltaik kommt zu einem ähnlichen Befund: PV, Regelstrategie und Preisannahmen beeinflussen die Auslegung, wobei Preisannahmen besonders relevant sind; die Studie zeigt auch, dass maximale Selbstversorgung und kostenoptimale Auslegung nicht identisch sind. Das stützt die Interpretation unserer Modellberechnungen: Die optimale Tankgröße entsteht nicht aus dem Wunsch nach maximaler Autarkie, sondern aus dem Grenznutzen zusätzlicher Speicherkapazität gegenüber Verlusten und Kapitalkosten.
Feldmessungen an einem PV-Wärmepumpe-Batterie-System in einem deutschen Einfamilienhaus zeigen, dass Smart-Grid-Ready-Regelung den PV-Eigenverbrauch erhöhen kann; im untersuchten 12-Monatszeitraum wurden 43 % Eigenverbrauch und ein Wärmepumpen-Solaranteil von 36 % ermittelt. Gleichzeitig führten höhere Solltemperaturen zur PV-Nutzung zu einer Verschlechterung der Wärmepumpeneffizienz im Raumheiz- und Warmwasserbetrieb. Das ist besonders relevant: Ein rein eigenverbrauchsmaximierender Regler kann thermodynamisch schlechter sein, wenn er den Temperaturhub der Wärmepumpe erhöht. Dynamische Optimierung muss deshalb COP, Speicherverluste und Komfortgrenzen gleichzeitig betrachten.
Auch die Forschung zu modellprädiktiver Regelung in Wohngebäuden mit PV, Batterie, thermisch kontrollierten Lasten und Smart Appliances betont die Rolle von Prognoseunsicherheit. In einem untersuchten MPC-Vergleich konnten robuste und stochastische Verfahren Komfortrestriktionen besser absichern; robuste MPC verursachte bis zu 4,5 % höhere Stromkosten, erfüllte aber Temperaturgrenzen vollständig. Für die Gebäudetechnik folgt daraus: Ein produktionsreifer Optimierer sollte nicht nur das erwartete Wetter optimieren, sondern Unsicherheiten in PV-Erzeugung, Außentemperatur, Nutzerverhalten und Warmwasserzapfung abbilden.
7. Methodenkritik und Validierungsbedarf
Unsere theoretischen Modelle sind fachlich weit fortgeschritten, enthalten aber einige Punkte, die vor einer produktiven Verwendung harmonisiert werden sollten. Erstens ist das PV-Profil als Clear-Sky-Modell idealisiert; unsere Analysen weisen darauf hin, dass reale Bedingungen durch Satelliten- oder Messdaten abgebildet werden sollten. Zweitens ist der COP noch eine lineare Näherung; für belastbare Anlagenplanung sollten Herstellerkennfelder oder physikalische Modelle mit Vorlauf-, Rücklauf-, Quellen- und Teillasttemperaturen verwendet werden.
Drittens sind die Annuitätsannahmen zu prüfen. In den Modellberechnungen wird für den Wassertank ein CAPEX von 35 €/kWh, eine Lebensdauer von 20 Jahren und zugleich eine Annuität von 3,52 €/kWh/a genannt. Bei 3 % WACC entspricht der korrekte Annuitätsfaktor für 20 Jahre näherungsweise 0,067 statt 0,1006; 35 €/kWh ergäben damit rund 2,35 €/kWh/a, nicht 3,52 €/kWh/a. Die qualitative Aussage zugunsten des Wassertanks wird dadurch nicht geschwächt, eher verstärkt, aber die Kostenmatrix sollte konsistent gerechnet werden.
Viertens gibt es zwischen finaler Dokumentation und Playground-Dokumentation eine erkennbare Abweichung beim Batterie-Break-even: Die finale Dokumentation nennt die Batterie erst unter etwa 50 €/kWh als potenziell interessant, während die Playground-Dokumentation Varianten um 400 €/kWh als investitionsauslösend darstellt. Für den Fachbetrieb bedeutet das: Die finale Aussage „Wassertank dominant, Batterie nicht investiert“ ist robust innerhalb der finalen Kostenmatrix; der exakte Batterie-Kipppunkt muss jedoch mit einer einheitlichen Modellversion, einheitlichem Annuitätsfaktor und identischer Zielfunktion erneut bestimmt werden.
8. Von der Jahresoptimierung zur dynamischen Betriebsführung
Die vorliegenden Modelle optimieren bereits ein ganzes Jahr mit stündlicher Auflösung. Der nächste Schritt ist eine rollierende, modellprädiktive Betriebsführung. Dabei wird in jedem Zeitschritt ein Optimierungsproblem über einen Prognosehorizont gelöst, etwa 24 bis 72 Stunden. Nur der erste Steuerbefehl wird umgesetzt; danach werden Wetter, Raumtemperatur und Speicherzustand neu gemessen und das Problem erneut gelöst. Dieses Vorgehen adressiert die in der Literatur beschriebenen Prognose- und Robustheitsprobleme.
Damit würde das System nicht mehr nur die billigste Speichergröße bestimmen, sondern im Betrieb entscheiden, wann es sinnvoll ist, Wärme vorzuproduzieren, PV einzuspeisen, Speicher zu entladen oder Komfortbandbreiten zu nutzen.
9. Bedeutung für Planung und Betrieb
Für Anlagenplaner ergibt sich aus unseren Modellberechnungen eine klare Botschaft: In wärmegeführten Gebäuden ist thermische Flexibilität der erste Hebel. Ein ausreichend dimensionierter Pufferspeicher, eine modulierende Wärmepumpe und ein thermisch träges Gebäude können zusammen mehr wirtschaftliche Wirkung entfalten als eine Batterie, wenn der dominante Nutzen Wärme ist. Die Batterie bleibt relevant für elektrische Lasten, Notstrom, dynamische Tarife, Netzanschlussbegrenzungen und Quartiersbetrieb; sie ist jedoch nicht automatisch der kosteneffizienteste Speicher für PV-Wärmepumpen-Systeme.
Für Betreiber bedeutet dynamische Optimierung: Es reicht nicht, die Wärmepumpe bei PV-Überschuss einzuschalten. Entscheidend ist, ob der Betrieb im konkreten Zeitpunkt den COP verbessert oder verschlechtert, ob der Tank noch verlustarm aufnehmen kann, ob die Gebäudemasse Komfortreserven bietet und ob der Netzstrom später teurer oder CO₂-intensiver wird. Gerade die 2R2C-Modellierung zeigt, dass Raumluft, Wand und Speicher unterschiedliche Zeitkonstanten haben; diese Zeitkonstanten definieren die reale Flexibilität der Energiezelle.
Fazit
Dieser Modellansatz zeigt ein belastbares Grundprinzip moderner Gebäudetechnik: Optimiert wird nicht eine Einzelkomponente, sondern ein thermodynamisch gekoppeltes System aus Erzeugung, Umwandlung, Speicherung, Gebäudehülle und Netzinteraktion. Der thermische Speicher ist im betrachteten Szenario nicht deshalb überlegen, weil er technisch „besser“ als die Batterie wäre, sondern weil er für den konkreten Nutzen — zeitverschobene Niedertemperaturwärme — die passendere physikalisch-ökonomische Form der Speicherung darstellt.
Die Weiterentwicklung der Modelle sollte auf drei Punkte zielen: reale Wetter- und Messdaten statt Clear-Sky-Profile, kalibrierte RC-Modelle statt reiner Standardprofile und eine robuste MPC-Regelung statt statischer Jahresoptimierung. Dann wird aus der Simulation ein operatives Energiemanagementsystem, das Gebäude als flexible Energiezellen in Strom-, Wärme- und Quartiersnetze integriert. Die Quintessenz lautet: Gebäudetechnik wird dann optimal, wenn sie nicht gegen die Thermodynamik regelt, sondern deren Zeitkonstanten, Temperaturhübe und Speicherfähigkeiten systematisch nutzt.