Open Access

Seagrass ecosystems provide essential ecological services and are increasingly recog-nized for their potential as sustainable building insulation. While prior studies have examined seagrass insulation in temperate climates, its suitability for tropical con-struction remains largely unexplored. This study assesses the insulation performance, practical challenges, and adoption barriers of seagrass insulation in tropical climates, using building physics simulations and structured expert interviews, with case studies in Seychelles and Auroville, India. Simulation results indicate that seagrass insulation with its high specific heat capacity effectively reduces overheating risks and demon-strates consistently low mould-growth potential under persistently humid tropical conditions. Despite these technical advantages, expert interviews reveal significant non-technical barriers, including negative public perception, regulatory uncertainties, and logistical complexities. Seychelles faces particular hurdles such as limited coastal storage capacity and stringent environmental regulations. In contrast, Auroville emerges as an ideal demonstration site due to its strong sustainability culture and openness to innovative building materials. The study further identifies that integrating seagrass insulation into a structured, regulated supply chain—from sustainable har-vesting and processing to quality assurance—could simultaneously enhance ecosystem conservation and material availability. Implementing a harvesting framework analo-gous to sustainable forestry could ensure environmental protection alongside supply stability. The findings emphasize the urgent need for targeted awareness initiatives, regulatory alignment, and economic feasibility assessments to overcome barriers and enable wider adoption. Overall, this research highlights seagrass insulation as a prom-ising, climate-positive construction material with strong potential under tropical con-ditions, provided that identified logistical, societal, and regulatory challenges are ad-dressed through dedicated research, stakeholder collaboration, and practical pilot pro-jects.

Der Energiesektor befindet sich in einem tiefgreifenden Wandel, der durch technologische Innovationen und die Notwendigkeit einer nachhaltigen und effizienteren Energieversorgung vorangetrieben wird. Der steigende Anteil fluktuierender erneuerbarer Energien, insbesondere Wind- und Solarenergie, an der Energieerzeugung und die Anbindung neuer flexibler Verbraucher wie Elektroladesäulen und Wärmepumpen führen zu einer zunehmenden Komplexität der Stromverteilnetze und stellen eine große Herausforderung für deren Betrieb und Planung dar. KI-basierte Algorithmen können die Betriebsführung und Planung von Stromverteilnetzen unterstützen, indem sie Echtzeitdaten analysieren und automatisierte Entscheidungen ermöglichen. Diese Algorithmen können eine Vielzahl von Aufgaben übernehmen, u.a. Einspeise- und Verbrauchprognose, Netzzustandsprognose- und Erfassung sowie Überwachung und Wartung der Netzinfrastruktur. Der Markt für KI-basierte Algorithmen zur Betriebsführung und Planung von Stromnetzen auf Verteilnetzebene ist in Deutschland in den letzten Jahren stark gewachsen. Eine Vielzahl von Start-ups und Unternehmen bieten bereits KI-basierte Algorithmen an, die den Betrieb und die Planung von Stromverteilnetzen optimieren sollen. Um die Erwartungen, Bedenken und Bedürfnisse der Zielgruppe in Bezug auf den Einsatz von KI-basierten Algorithmen zu erfassen, wurde eine umfassende Zielgruppenbefragung und -analyse durchgeführt. Die Zielgruppenanalyse identifiziert Stromnetzbetreiber:innen, Energieerzeuger:innen, Energieversorger:innen und (Leitwarten-) Softwareentwickler:in/-hersteller:innen als Hauptakteure, die von dem Einsatz profitieren können. Darüber hinaus zeigen die Ergebnisse, dass auf dem deutschen Markt ein hoher Bedarf an KI-basierten Algorithmen zur Betriebsführung und -planung besteht, die Rahmenbedingungen der einzelnen Akteur:innen jedoch unterschiedlich sind.

In Anbetracht der akuten Klimakrise und der nötigen Energiewende gelten Photovoltaik (PV)-Anlagen als eine der vielversprechendsten Alternativen zu den konventionellen Energiequellen. Der Hauptnachteil von PV ist der Bedarf an großen Flächen durch einen geringen Wirkungsgrad. Floating PV (FPV) bietet eine Alternative zu landbasierten Systemen. Das Ziel dieser Arbeit ist es, die technischen Möglichkeiten sowie die rechtlichen, wirtschaftlichen und ökologischen Rahmenbedingungen von FPV in Deutschland aufzuzeigen. In diesem Zusammenhang stellt sich die Frage: Welches Potenzial gibt es für FPV-Anlagen im Süden Baden-Württembergs? Ein FPV-System besteht im Wesentlichen aus PV-Modulen, Schwimmkörpern, einem Verankerungssystem, Kabeln und Befestigungen sowie Wechselrichtern und einem Spannungsumwandler. Besonders geeignet für den Einsatz solcher Anlagen sind Seen, die über geringe Tiefen, einen festen Grund und ausreichend Landfläche in der Nähe verfügen. FPV-Anlagen bieten den Vorteil eines Mehrertrags durch den Kühleffekt von Wasser. In Deutschland wur-den bereits einige FPV-Projekte umgesetzt wie bspw. auf dem Philippsee in Baden-Württemberg. Rechtlich gesehen dürfen die Anlagen nur auf künstlichen Seen mit einem Abstand von 40 m zum Ufer und einer maximalen Seebelegung von 15 % installiert werden. Die Investitionskosten für FPV-Anlagen sind deutlich höher als die von Freiflächenanlagen. Bei fachgerechter Umsetzung dürften die positiven Umweltauswirkungen überwiegen. In dieser Arbeit werden die Methoden der Experteninterviews und der Potenzialanalyse mithilfe des Programms PV*SOL premium angewendet. Es wird eine FPV-Anlage auf der Kiesgrube Pfullendorf-Tautenbronn simuliert. Die Anlage weist bei einer Größe von 3,32 ha eine Nennleistung von knapp 7,5 Megawatt Peak (MWp) und einen spezifischen Jahresertrag von etwa 1.000 kWh/kWp auf. Der Anlagennutzungsgrad beträgt 86,40 %. Für die Wirtschaftlichkeitsberechnung werden ein Mittelwertszenario, ein Best-Case-Szenario und ein Worst-Case-Szenario betrachtet. Außerdem wird innerhalb der Szenarien zwischen 100 %, 50 % und 0 % Einspeisung unterschieden. Hinsichtlich der Stromgestehungskosten von 7,82 ct/kWh im Mittelwertszenario können FPV-Anlagen mit anderen Erneuerbaren Energien konkurrieren. Das gilt aktuell jedoch nur für Anlagen mit einem hohen Eigenverbrauch. Es zeigt sich ein dringender Änderungsbedarf des Genehmigungsverfahrens und der 15 %-Regelung sowie ein erheblicher Forschungsbedarf zu den Umweltauswirkungen von FPV-Anlagen.

Numerous studies have demonstrated that energy demand in the building sector, particularly for heating, ventilation, and air conditioning systems, can be reduced by forecasting future indoor temperatures and applying targeted control strategies. Accurate indoor temperature forecasts depend on understanding random variables such as occupancy and the number of active electrical devices. However, detecting these random influences is challenging, leading existing methods to be overly specific, reliant on expensive sensors, and poorly generalizable across different buildings. Moreover, prevalent point forecasting methods fail to account for the uncertainty surrounding future outcomes. In this paper, we propose that instead of attempting to eliminate naturally occurring random disturbances, it is more effective to incorporate these uncertainties into the modeling process. We introduce a deep learning methodology for probabilistic forecasting that predicts future temperatures as a probability distribution, integrating the inherent randomness of the data without requiring direct measurements. The proposed model is based on normalizing flows with flexible Bernstein polynomials and is compared to a Gaussian baseline. This approach enables the estimation of complex distributions via the maximum likelihood principle, with only mild assumptions on its shape. Due to the lack of high-quality real-world data, we use simulated data from various rooms with differing characteristics and evaluate both models in terms of robustness and flexibility. Our results indicate that our model accurately predicts indoor temperature distributions and generalizes well to different and previously unseen rooms. The dataset and code are published along with this paper, to provide reproducible results and benchmark data to the community.