Transformer‐basierte KI für die integrative Vorhersage thermischer Komfort‐ und Energiebedarfe

Abstrakt Der Beitrag beschreibt einen Encoder‐only‐Transformer zur integrativen Vorhersage thermischer Komfort‐ und Energiekennwerte. Grundlage bilden umfangreiche Gebäudedaten und Simulationsergebnisse zum sommerlichen Wärmeschutz sowie stündliche Klimadaten aus Testreferenzjahren (TRY) des Deutschen Wetterdienstes (DWD). Nach Kodierung und Skalierung werden Gebäude‐ und Klimainformationen zu kompakten Vektoren verdichtet, welche die Geometrie, Bauphysik, Nutzung und Witterung gemeinsam repräsentieren. Mithilfe von Self‐Attention erkennt das Modell komplexe Abhängigkeiten zwischen Gebäudeparametern und klimatischen Einflüssen und ermöglicht konsistente Multi‐Target‐Prognosen für Übertemperaturstunden (N25OP–N28OP), Übertemperatur‐Gradstunden (GH25OP–GH28OP) sowie Heiz‐ und Kühlenergiebedarfe. Die Ergebnisse zeigen eine hohe Übereinstimmung mit den Referenzwerten und belegen die Leistungsfähigkeit des Transformer‐Ansatzes für robuste, skalierbare Analysen. Damit entsteht eine datengetriebene Grundlage, die klassische Gebäudesimulationen nicht ersetzt, aber gezielt ergänzt – etwa für Variantenvergleiche, Voranalysen und planungsbegleitende Bewertungen.