Die heutigen Ziele zur Reduzierung von CO2 beeinflussen bereits sowohl den privaten als auch den industriellen Energieverbraucher spürbar. Der steigende Anteil an erneuerbaren Energien in der Stromerzeugung führt zu volatileren und herausfordernden Bedingungen in der Stromnutzung. Der Gebäudesektor ist dabei verantwortlich für jeweils ca. ein Drittel des Stromverbrauchs und der Erzeugung von CO2 -Emissionen in Deutschland. Gleichzeitig verfügt er über das Potenzial, sich den sich ändernden Bedingungen durch die intelligente Nutzung von Energiespeichersystemen anzupassen. Dies können zum Beispiel stationäre Batterien, Elektroautos an Ladestationen, Wärmespeicher oder auch das Gebäude selbst sein. Zur Regelung der Leistungsflüsse zwischen diesen Elementen dient ein Gebäudeenergiemanagementsystem. Dabei ist die modellprädiktive Regelung (MPC) als Regelungsmethode eine naheliegende Wahl, da sie eine optimale Regelung unter der Berücksichtigung von Vorhersagen für zum Beispiel den Energieverbrauch, die Energieerzeugung durch erneuerbare Energien und der Lufttemperatur erlaubt.

In einem komplexen System wie dem Gebäudeenergiemanagement müssen jedoch mehrere, sich widersprechende Kriterien gleichzeitig optimiert werden. Dies sind zum Beispiel die Minimierung der monetären Kosten, die Regulierung der Gebäudetemperatur, das ausreichende Laden von Elektroautos, die Minimierung der Batteriealterung und die Reduzierung von CO2 -Emissionen. Mit einer ökonomischen MPC können solche Kriterien direkt optimiert werden, da die Gütefunktion für das Optimalsteuerungsproblem nicht der üblichen quadratischen Struktur entsprechen muss, sondern von beliebiger Form sein darf. Wenn wie im vorliegenden Fall mehrere Kriterien berücksichtigt werden müssen, geschieht dies üblicherweise in Form einer gewichteten Summe. Die Gewichte werden dabei entweder aus Erfahrung gewählt oder so, dass alle Kriterien in der gleichen Größenordnung liegen. Dieser Ansatz ist zwar vergleichsweise einfach umsetzbar, vernachlässigt jedoch, dass insbesondere bei Gebäudeenergiemanagementsystemen die äußeren Bedingungen volatil sind und sich damit die Optimalsteuerungsprobleme über die Zeit signifikant ändern. Daher variiert auch der Kompromiss zwischen den Kriterien, der durch die festen Gewichte ausgewählt wird.

Die gleichzeitige Optimierung mehrerer, sich widersprechender Kriterien nennt man multikriterielle Optimierung. Für gewöhnlich wird dabei die Menge aller “optimaler” Lösungen approximiert und einem (menschlichen) Entscheider präsentiert, der daraus die Lösung auswählt, die seinen Präferenzen am besten entspricht. Dieser Vorgang ist gut geeignet für einmalige Optimierungen, wie sie in der multikriteriellen Optimierung üblich sind. Im vorliegenden Fall soll die multikriterielle Optimierung jedoch für die permanente Regelung eines Gebäudeenergiemanagementsystems verwendet werden.

Daher wird in dieser Arbeit ein erweitertes Konzept der dynamischen multikriteriellen Optimierung präsentiert, das MPC und multikriterielle Optimierung systematisch kombiniert. Dazu wird in jedem Zeitschritt ein multikriterielles Optimalsteuerungsproblem aufgestellt und eine Approximation der Pareto-Front, d. h. die Menge aller optimalen Kompromisse, als Lösung bestimmt. Von dieser wird im Anschluss automatisiert eine einzelne Lösung ausgewählt. Dazu werden zwei Möglichkeiten vorgestellt. Bei der metrikbasierten Entscheidungsfindungsstrategie wird die Pareto-Front zunächst normalisiert. Daraufhin wird jede Lösung hinsichtlich einer Metrik bewertet und die beste ausgewählt. Dazu stehen zwei Normalisierungsmethoden und drei Metriken zur Verfügung. In der präferenzbasierten Entscheidungsfindungsstrategie werden zuvor formulierte Präferenzen eines Entscheiders verwendet. Dazu wird zuerst aus der ebenfalls normalisierten Pareto-Front eine Region von Kniepunkten bestimmt, die zu extreme Lösungen ausschließt. Dann wird mit Hilfe der Präferenzen eine Hyperebene konstruiert, mit der die finale Lösung aus der zuerst bestimmten Region an Kniepunkten ausgewählt wird.

Die Eignung der vorgeschlagenen Methoden für die Regelung eines Gebäudeenergiemangementsystems wird durch Langzeitsimulationen gezeigt. Dazu wird erläutert, wie dessen wichtigste Elemente so modelliert werden können, dass gleichzeitig gut lösbare konvexe Optimierunsprobleme entstehen. Des weiteren wird eine neue Methode zur Bestimmung einer Approximation der Pareto-Front vorgestellt, die für den Fall der dynamischen multikriteriellen Optimierung und den damit einhergehenden volatilen Bedingungen besser geeignet ist.