Data Science für Trinkwasserinstallationen: Neue Analyseansätze sparen Energie und Ressourcen

Und doch wird dieser Bereich in der Planung häufig mit sehr allgemeinen Annahmen zu Nutzerverhalten, Bedarfsprofilen und Entnahmemengen und -zeiten bedacht. Annahmen, die der Realität oft nicht standhalten. Moderne Data Science und Datenanalyseansätze ebnen hier den Weg zu einer energieeffizienteren Dimensionierung der Anlagen, ohne Einbußen beim Komfort.

Komfortanspruch vs. Nachhaltigkeit: ein Zielkonflikt

Die Anforderungen an moderne Warmwasseranlagen sind hoch:

• Sie sollen zuverlässig und hygienisch einwandfrei funktionieren, auch zu Stoßzeiten wie beim morgendlichen Duschandrang im Hotel oder beim Jugendturnier in der Sporthalle.
• Gleichzeitig wächst der Druck, Energie einzusparen und Systeme nachhaltiger auszulegen, etwa im Zusammenspiel mit Wärmepumpen, deren Wirkungsgrad dann besonders hoch ausfällt, wenn Temperaturunterschiede im aufzuheizenden Wasser und das Volumen gering sind.

Zwischen diesen beiden Polen, Zuverlässigkeit und Nachhaltigkeit, stehen Planende vor einer zentralen Herausforderung: Wie trifft man realistische Annahmen über das tatsächliche Nutzerverhalten im jeweiligen Gebäude, wenn dieses je nach Gebäudetyp, Größe, Ausstattung und weiteren Faktoren stark variiert?

Normen & Richtlinien – kein perfekter Ratgeber in der Planung

Ein wichtiger Ausgangspunkt in der Planung ist die DIN EN 12831-3. Sie gibt methodische Leitlinien zur Auslegung von Trinkwassererwärmungsanlagen und empfiehlt dabei, Anlagen anhand des Maximums eines über 60 Sekunden gemittelten Volumenstroms auszulegen.

Das Problem: In der tatsächlichen Nutzung dauern die Bedarfsspitzen oft wesentlich kürzer als 60 Sekunden und werden von der Kalkulation somit gewissermaßen "verschluckt". Um dies auszugleichen, enthalten die Vorgaben sehr großzügige Annahmen darüber, wie viel warmes Wasser gleichzeitig benötigt werden könnte.

Die Folge: Viele Anlagen sind deutlich überdimensioniert. Das führt zu unnötig hohem Energieeinsatz, höherem Ressourcenverbrauch und langfristig zu mehr Kosten, da viel zu hohe Warmwassermengen bereitgestellt werden müssen. Ganz abgesehen davon, dass große, lagernde Wassermengen bei geringer Nutzung auch hygienisch problematisch werden können.

Neue Ansätze mit genauer Datenanalyse: Szenarien statt Maximalwerte

Die gute Nachricht: Es geht auch anders. Wie das aktuelle Forschungsprojekt TA-DTE-XL – Technische Anforderungen an Durchfluss-Trinkwassererwärmer zur Steigerung von Energieeffizienz und Komfort großer, regenerativer Wärmezentralen des Instituts für Solarenergieforschung (ISFH) in Zusammenarbeit mit Data Scientists von TRIOVEGA zeigt, lassen sich reale Nutzungsmuster und Bedarfsprofile mit kürzeren Messintervallen (das ideale Mittelungsintervall wurde bei 10 Sekunden identifiziert) viel differenzierter verstehen.

Dabei zeigte sich: Die meisten Spitzenlasten sind extrem kurz, im Bereich weniger Sekunden. Die Frage ist:

• Ob wirklich jede dieser Spitzen durch eine erhöhte Dimensionierung des Systems abgedeckt werden muss?
• Oder reicht es aus, in 99,9 % der Fälle den vollen Komfort zu gewährleisten?
• Was würde in den 0,1 % der nicht abgedeckten Fälle passieren?

Solche Überlegungen ermöglichen es, die Erwärmungsanlagen praxisgerecht kleiner auszulegen, während die Nutzenden durch die physikalische Trägheit des Wassersystems den Unterschied kaum spüren. Statt sich an übervorsichtigen Standard-Lastprofilen zu orientieren, helfen simulierte Nutzungsszenarien auf Basis der Messwerte, die Versorgung nach realem Bedarf anstatt auf Verdacht zu planen.

Dabei wird auch deutlich, wie sehr sich die Bedarfsprofile je nach Gebäudeart unterscheiden: Während in Sporthallen oft punktuelle Lastspitzen zum Beispiel beim Wochenendturnier auftreten, zeigen Hotels eher regelmäßige, aber weniger extreme Spitzen morgens und abends. Pauschale Planung greift hier schlicht zu kurz.

Fazit: Mehr Mut zur Individualisierung

Was folgt daraus? Der Weg zur energieeffizienten Warmwasseranlage führt über Daten, nicht über normierte Pauschalwerte. Wer die tatsächlichen Zapfmuster des jeweiligen Gebäudes kennt und analysiert, kann mit schlankeren Systemen arbeiten, Kosten senken – und einen Beitrag zur Dekarbonisierung leisten.

Unsere Data Scientists von service.factoryINSIGHTS bringen dabei die entscheidende Expertise ein: wie im Forschungsprojekt TA-DTE-XL erarbeiten wir in enger Zusammenarbeit mit unseren Kunden konkrete Handlungsempfehlungen, abgeleitet aus der individuellen Datenlage ihres Projekts. Dabei verbinden wir unsere langjährige Erfahrung im industriellen Umfeld mit modernen Methoden der Datenanalyse, seien es statistische Grundauswertungen oder innovative Machine Learning- und KI-Methoden, um in jedem Szenario die bestmögliche Lösung zu identifizieren.