Energieanlagen datenbasiert betreiben – lohnt sich das?

Das Wichtigste in Kürze

1. Ein datenbasiertes Energiemanagement stimmt alle Komponenten einer Energielösung automatisiert aufeinander ab und optimiert kontinuierlich den Betrieb des Gesamtsystems.
2. Diese Optimierung erhöht den Eigenverbrauch von Solarstrom, glättet Leistungsspitzen, nutzt finanzielle Anreize wie dynamische Stromtarife und verbessert so die Rendite des Energiesystems.
3. Eigentümer*innen und Investor*innen sollten bei der Entscheidung über eine datenbasierte Betriebsoptimierung immer mit dem Business Case beginnen und den langfristigen Return on Investment betrachten.

Warum ein dezentrales Energiemanagement?

Das Rückgrat nachhaltiger Energielösungen von Immobilien und Arealen bilden Solaranlagen und steuerbare Verbraucher wie Wärmepumpen, Batteriespeicher und Ladestationen für Elektroautos. Eigentümer*innen, Verwaltungen und Investor*innen verfolgen damit sowohl ESG-Ziele als auch Renditeziele. Diese Ziele lassen sich jedoch nicht allein durch die Installation der Anlagen erreichen. Erst deren intelligentes Zusammenspiel sorgt für einen optimierten Betrieb.

Dazu braucht es ein Energiemanagementsystem (EMS). Es steuert alle Komponenten einer integralen Energielösung und stimmt sie automatisiert aufeinander ab. Das ermöglicht beispielsweise, den Eigenverbrauch von Solarstrom zu erhöhen und den Batteriespeicher wirtschaftlich zu betreiben.

Wann lohnt sich die datenbasierte Anlagenoptimierung?

Die datenbasierte Optimierung von Energiesystemen ist mit zusätzlichen Kosten verbunden. Diese hängen laut Andrea González von der Ausgangslage der Immobilie ab: «Bei modernen Gebäuden sind in der Regel viele der benötigten Komponenten wie Sensoren, Smart Meter oder Automationssysteme bereits vorhanden. Zusätzliche Kosten entstehen dann vor allem für die Datenintegration und für Analysetools. Bei älteren Gebäuden hingegen müssen häufig Teile der Kommunikationsinfrastruktur ergänzt oder neu aufgebaut werden.»

Doch nur die Kosten der technischen Systeme zu betrachten, hält Andrea González für falsch. «Mein Tipp an Eigentümer*innen und Investor*innen lautet: Beginnen Sie immer mit dem Business Case. Welchen Mehrwert soll die Betriebsoptimierung bringen? Und welche Daten sind dafür nötig? Gerade bei älteren Objekten mit hohem Energieverbrauch oder ausgeprägten Leistungsspitzen kann sich die Investition in ein datenbasiertes EMS durchaus lohnen.»

Der Return on Investment sollte dabei nicht kurzfristig und allein über die eingesparte Energie berechnet werden, sondern langfristig unter Berücksichtigung der gesamten Betriebskosten während der technischen Lebensdauer: «Die datenbasierte Optimierung liefert auch für die Sanierung eines Gebäudes und seines Energiesystems wertvolle Informationen. Sie erleichtert die Investitions- und Sanierungsplanung, zeigt mögliche Risiken auf und schafft eine bessere Grundlage für wichtige Investitionsentscheidungen.»

So funktioniert die Betriebsoptimierung mit Daten

Bisher haben die meisten Steuerungen nach einfachen Regeln und Prozessen gearbeitet. Sobald eine Bedingung erfüllt ist, löst das Steuerungssystem automatisch eine vorher festgelegte Aktion aus. Ein einfaches Beispiel: Wenn die Netzleistung einen definierten Wert erreicht, wird Energie aus dem Batteriespeicher bezogen, um Lastspitzen zu brechen. Solche Steuerungen funktionieren also rein reaktiv, was sie zuverlässig macht, zugleich aber eine Schwäche ist: Sie beziehen weder den aktuellen Kontext noch absehbare künftige Entwicklungen ein.

Deshalb kommen immer mehr prädiktive EMS auf. Andrea González, Professorin am Institut für Facility Management der ZHAW und Leiterin der Kompetenzgruppe Smart Building Management, erklärt prädiktive EMS so: «Sie nehmen auf Basis zahlreicher Daten dynamische Beurteilungen vor, treffen Entscheidungen zu den einzelnen Energieanlagen und optimieren so kontinuierlich den Betrieb des Gesamtsystems.» Unter anderem entscheidet das EMS laufend, wie die vorhandene Energie am sinnvollsten eingesetzt wird. «Solche smarten, datenbasierten Systeme sind flexibel und adaptiv. Sie können Unsicherheiten und sich verändernde Rahmenbedingungen besser berücksichtigen und Prognosen in die Steuerung einbeziehen.»

Anlagenoptimierung: Diese Daten nutzt ein prädiktives EMS

Für die Optimierung integraler Energielösungen verarbeiten prädiktive EMS neben Echtzeit-Betriebsdaten der vernetzten Komponenten auch Gebäudedaten (Belegung, Energieverbrauch, Temperatur, Feuchtigkeit etc.) und Kontextdaten (Wetterprognosen, Netzzustand, Strompreise etc.).

«Es geht aber nicht darum, möglichst viele Daten ins System einzuspeisen, sondern die relevanten Daten in guter Qualität», so Andrea González. «Das heisst: Die Daten müssen für betriebliche Entscheidungen und Prognosen des EMS nutzbar sein.»

Positive Effekte der Betriebsoptimierung auf die Rendite

Der datenbasierte Betrieb von Energiesystemen erleichtert es, den CO₂-Ausstoss systematisch zu senken und verbessert den Komfort beim Wohnen oder Arbeiten. Ebenso wichtig sind für Eigentümer*innen und Investor*innen die positiven Effekte auf die Rendite der Liegenschaft oder des Areals:

1. Höherer Eigenverbrauch durch dezentrales Energiemanagement

Zu den grössten Hebeln für die Wirtschaftlichkeit einer integralen Energielösung zählt der Eigenverbrauch beim Solarstrom. Ein datenbasiertes EMS optimiert ihn. Es verlagert den Betrieb steuerbarer Verbraucher gezielt in Zeiten hoher Stromproduktion.

2. Peak Shaving im Betrieb des Energiesystems

Beim Strom verursachen Leistungsspitzen hohe Kosten. Das gilt nicht nur für Netzbetreiber, sondern auch für Eigentümer*innen von grossen Liegenschaften oder Gewerbebetrieben. Denn sie bezahlen beim Strom einen Leistungspreis. Der datenbasierte Betrieb der Energieanlagen glättet die Leistungsspitzen und senkt somit die Energiekosten.

3. Dynamische Strompreise durch datengetriebenes Handeln nutzen

Der rasante Zubau von Solaranlagen und die Elektrifizierung bei Wärme und Mobilität erhöhen das Risiko von Engpässen im Stromnetz. Damit die vorhandenen Netzkapazitäten effizienter genutzt werden, sind die Schweizer Verteilnetzbetreiber berechtigt, dynamische Netznutzungstarife einzuführen. Datenbasierte EMS können solche Preissignale automatisiert verarbeiten und grosse Verbraucher gezielt in Zeiten tiefer Preise betreiben. Dadurch lässt sich die Rendite von Liegenschaften erhöhen.

4. Optimierung von Energieanlagen ermöglicht Regelenergie-Pooling

Ein datenbasiertes Energiemanagement kann sogar zusätzliche Erträge erwirtschaften. Dazu werden die flexiblen Energieanlagen in ein virtuelles Kraftwerk integriert und erhalten für die bereitgestellte Regelenergie eine finanzielle Entschädigung.