Heizungs-KI gegen Handbetrieb: Wer heizt besser?
Unser Maßstab ist glasklar: Der heutige Handbetrieb mit fester Raum-Solltemperatur und fester reduzierter Temperatur tritt gegen die lernende KI-Regelung an. Die KI gewinnt nur dann, wenn sie Überheizungsphasen vermeidet und messbar Energiepotenzial erschließt – ohne irgendeinen Komfortverlust.

Ist unsere heutige feste Regelung schon gut genug – oder kann die KI dieselbe Behaglichkeit mit weniger unnötiger Wärme erreichen? Deshalb vergleichen wir nicht „KI gegen nichts“, sondern zwei klar definierte Betriebsarten unter möglichst ähnlichen Bedingungen.
Handbetrieb gegen KI-Regelung
1. Komfort: Aufenthaltsräume dürfen die gewünschte Wohlfühltemperatur nicht unterschreiten. 2. Überheizung: Wir erfassen, wie lange und wie stark Räume unnötig über ihrem Zielbereich liegen. 3. Sparpotenzial: Wir vergleichen Heizbedarf, Brenner-/Pumpenverhalten und die vermiedene unnötige Wärme so weit wie mit unseren Messdaten belastbar möglich. Ein Spareffekt zählt nur, wenn Punkt 1 erfüllt bleibt.
Die Heizperiode liefert jetzt die Daten, auf die wir gewartet haben.
Die Basis läuft. Jetzt sammeln wir unter echten Bedingungen genügend Treffer und Fehlprognosen, bevor die KI überhaupt begrenzt eingreifen darf.
Was unsere Heizungs-KI wirklich macht
Das Haus beobachten
Home Assistant sieht nicht nur einen Sollwert. Es bekommt Raumtemperaturen, Außentemperatur, Vorlauf und Rücklauf, Betriebszustände, Fenster, Anwesenheit und weitere Einflüsse aus dem echten Haus.
Die nächsten Stunden abschätzen
Die zentrale Frage lautet nicht „Soll ich die Heizung optimieren?“, sondern viel konkreter: Wie entwickelt sich die Temperatur in den nächsten drei Stunden, wenn wir nichts ändern?
Sonne und Kamin nicht mit Heizung verwechseln
Wird ein Raum durch Sonne oder den Kaminofen warm, wäre „Heizung war perfekt eingestellt“ eine falsche Schlussfolgerung. Genau solche Fremdwärme muss die Lernlogik erkennen und zeitlich richtig einordnen.
Abwesenheit bleibt eine harte Regel
Wenn niemand zuhause ist, schaltet die bestehende Automation die Heizung auf reduziert. Die Heizungs-KI darf diese Logik nicht aushebeln, sondern muss sie als Randbedingung respektieren.
Erst wenn die Vorhersage trägt, darf sie etwas vorschlagen
Eine lernende Heizung ist nur dann interessant, wenn sie nachweisbar besser wird. Deshalb protokollieren wir Treffer und Abweichungen. Erst danach kommen kleine, begrenzte Änderungen an einer einzigen Stellgröße infrage – mit altem Wert, neuem Wert, Grund, Erfolgskontrolle und Rückweg.
Das machen wir ausdrücklich nicht
ChatGPT bekommt keinen freien Zugriff auf Brenner, Heizkennlinie oder Thermostate. Es gibt keinen Befehl „Optimiere mal alles“. Und wir erklären niedrigere Raumtemperaturen nicht einfach zur Energieersparnis.
Das ist unser Ziel
Gleicher Komfort wie im Handbetrieb, aber weniger Überheizung. Erst wenn die Komfortdefizit-Gradstunden mindestens gleich gut bleiben und gleichzeitig Heizaufwand oder Übertemperatur sinken, sprechen wir von echtem Sparpotenzial.
Welche Daten bei uns zusammenlaufen
Ein smartes Thermostat folgt meist Zeitplan, Solltemperatur, Fensterkontakt oder Anwesenheit. Unsere zusätzliche Lernschicht versucht darüber hinaus zu verstehen, wie dieses konkrete Haus reagiert: Wie lange wirkt Sonne nach? Wie schnell kühlt ein Raum aus? Wann reicht die gespeicherte Wärme noch aus? Und wann wäre eine Änderung an der Heizkennlinie nur Aktionismus?
So weit sind wir – und so geht es weiter
Messwerte zuverlässig zusammenführen
Erledigt. Heizungs-, Raum-, Wetter- und Smart-Home-Daten stehen in Home Assistant für die Auswertung bereit.
3-Stunden-Prognose aufbauen
Erledigt. Die Logik berechnet, wie sich die Temperatur entwickeln dürfte, wenn wir nichts verändern.
Schattenbetrieb und Erfolgskontrolle
Läuft jetzt. Die KI denkt schon mit, verändert aber nichts. Prognose und Realität werden gegeneinander gehalten.
Begrenzte Empfehlung
Nächste Stufe. Wenn die Treffer über genügend reale Heiztage stabil sind, darf das System zunächst nur Empfehlungen geben – zum Beispiel „Heizkennlinie unverändert lassen“ oder „hier entsteht wiederholt Übertemperatur“.
Kleine produktive Eingriffe
Erst ganz zum Schluss. Eine Stellgröße, kleine Maximaländerung, klare Grenzen, Protokoll und automatischer Rückweg. Die bestehende Heizungs- und Abwesenheitslogik bleibt immer übergeordnet.
Der spannendste Teil kommt jetzt erst: reale Prognose gegen tatsächliche Raumtemperatur, typische Fehlprognosen, Tage mit Sonne oder Kamin, Brennertaktung sowie die ersten Situationen, in denen die KI bewusst nichts ändern will. Genau diese echten Kurven und Entscheidungen ergänzen wir fortlaufend auf dieser Seite.
Unabhängige Forschung betrachtet bei intelligenter Heizungsregelung genau solche Hebel wie Abwesenheitsabsenkung, Wettervorhersage und geöffnete Fenster. Entscheidend ist aber immer das konkrete Gebäude und Nutzerverhalten. Deshalb übertragen wir keine pauschale Sparzahl auf unser Haus, sondern messen selbst. Fraunhofer IBP: intelligente Heizungsregelung ↗ · Verbraucherzentrale: Smarte Heizung ↗
Heizungs-KI ohne Marketingnebel
Ist das wirklich KI oder nur eine Automation?
Die feste Sicherheits- und Schaltlogik bleibt klassische Automation. Die lernende Ebene entsteht dort, wo historische Daten, Zusammenhänge, Prognosefehler und wiederkehrende Muster ausgewertet werden. Wir trennen beides bewusst, weil eine Heizung verlässlich bleiben muss.
Steuert ChatGPT direkt unsere Heizung?
Nein. Eine Sprach- oder Chat-KI kann bei Analyse und Erklärung helfen, bekommt aber keinen freien Direktzugriff auf die Heizungsregelung. Produktive Änderungen müssen durch klar begrenzte Home-Assistant-Logik laufen.
Wie viel spart die Heizungs-KI?
Das wissen wir noch nicht – und genau deshalb läuft dieses Projekt. Wir veröffentlichen lieber echte Messwerte aus der Heizperiode, als vorher eine schöne Prozentzahl zu behaupten.
Kann ich das mit Home Assistant nachbauen?
Ja, aber sinnvoll in Etappen: erst Heizung und Messwerte zuverlässig anbinden, dann Prognose und Schattenbetrieb, zuletzt begrenzte Automatik. Die passenden Kapitel sind unten verlinkt.
1. Heizungsdaten verstehen
Vorlauf, Rücklauf, Raumtemperatur, Brenner und Pumpe gemeinsam lesen.
Kapitel 24 →2. Prognose bauen
Von echten Messdaten zur überprüfbaren 3-Stunden-Vorhersage im Schattenbetrieb.
Kapitel 25 →3. Sicher produktiv werden
Freigabe, Grenzen, Protokoll, Erfolgskontrolle und Rückweg.
Kapitel 26 →Unsere Heizkurve in der Praxis
Die klassische Basis mit echten Messwerten – bevor überhaupt eine KI eingreift.
Praxisbericht →Wenn die KI am Ende nur öfter an der Heizkurve dreht, ohne Komfort oder Energieverbrauch nachweisbar zu verbessern, ist sie keine Hilfe. Unser Ziel ist nicht möglichst viel Automatik – sondern weniger unnötige Wärme bei gleichem Komfort.

