> For the complete documentation index, see [llms.txt](https://docs.buildings.ability.abb/collection/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.buildings.ability.abb/collection/german-14.2-freezed/erste-schritte/kunstliche-intelligenz-in-abb-buildingpro/ki-orchestrierung-in-abb-buildingpro.md).
# KI-Orchestrierung in ABB BuildingPro
## **Einführung**
Die zunehmende Integration von KI-Technologien in das Gebäudemanagement – wie Reinforcement Learning (RL), Forecasting und Large-Language-Models (LLMs) – eröffnet völlig neue Möglichkeiten für Effizienz, Komfort und Nachhaltigkeit. Damit diese einzelnen Komponenten nicht isoliert nebeneinanderlaufen, sondern optimal zusammenspielen, braucht es eine zentrale Orchestrierungsschicht.\
In Eliona übernehmen **Regelketten** genau diese Rolle: Sie fungieren als visuelles, flexibles und erweiterbares **KI-Orchestrierungstool**, das Daten, Modelle und Aktionen zu durchgängigen, intelligenten Workflows verbindet.
## **Regelketten als Orchestrierungs-Hub**
Regelketten sind nicht nur klassische Automatisierungs-Logik – sie bilden die **zentrale Steuer- und Integrationsschicht** für alle KI-Module in Eliona.\
Damit können Sie:
* **KI-Modelle antriggern** (z. B. Forecasts aktualisieren, RL-Optimierungen starten/stoppen).
* **Datenquellen dynamisch verknüpfen** (Live-Sensordaten, historische Daten, Prognosen, externe APIs).
* **Entscheidungslogik implementieren** (Bedingungen, Priorisierungen, Eskalationen).
* **Aktionen ausführen** (Anlagensteuerung, Ticket-Erstellung, E-Mail-Versand, App-Interaktionen).
## **Beispiele für KI-Orchestrierung**
### **1. Spitzenlastvermeidung mit Forecast-Integration**
* **Datenquellen**: Aktuelle Lastwerte + Forecast-Attribute aus der Forecast-App.
* **Regelkette**:
1. Get Data Node liest die prognostizierte Spitzenlast.
2. Condition Node prüft, ob der Forecast-Wert > 200 kW liegt.
3. Action Node reduziert die Vorlauftemperatur oder verschiebt Verbraucherlasten.
4. Optional: E-Mail Node informiert das Energieteam proaktiv.
* **Ergebnis**: Lastspitzen werden vermieden, bevor sie eintreten.
### **2. Reinforcement Learning orchestrieren**
* **Trigger**: Forecast-Daten oder externe Ereignisse (z. B. Tarifänderung).
* **Regelkette**:
1. Condition Node prüft, ob Optimierungspotenzial vorliegt.
2. RL-Node startet oder pausiert den RL-Agenten.
3. Script Node wertet die Performance aus und erstellt automatisch Reports.
4. **Fail-Safe-Überwachung**: Ein zusätzlicher Condition Node überwacht kontinuierlich, ob das laufende RL-Modell unerlaubte oder sicherheitskritische Aktionen ausführt (z. B. Über-/Unterschreitung von Komfortgrenzen, unzulässige Schalthäufigkeit).
5. Falls eine Verletzung erkannt wird, sendet ein Action Node sofort ein **Stopp-Signal** an den RL-Node und optional eine Alarmmeldung an das Betriebsteam.
* **Ergebnis**: RL wird nur dann live geschaltet, wenn es maximalen Nutzen bringt – und kann sowohl **automatisch pausiert** als auch **sofort gestoppt** werden, falls es unerwünschte Aktionen ausführt.
### **3. LLM-gestützte Automations-Workflows**
#### **a) Regelkette per Textprompt**
* **Anwendungsfall**: Mit einem LLM-Node können komplette Regelketten durch einfache Texteingabe erstellt werden.
* **Beispiel-Prompt**:\
\&#xNAN;*„Erstelle eine Regelkette, die bei Netzspitzen > 200 kW die Vorlauftemperatur um 2 K senkt und ein Ticket an den Energiemanager erstellt.“*
* **Ergebnis**: Das LLM übersetzt den Prompt in eine visuelle Kette mit Get Data, Condition, RL-Node und Action Node.
#### **b) Agent-Node für Ticket- & E-Mail-Flows**
* **Ticket-Automatik**: Bei Alarm erzeugt die Agent-Node via LLM einen vollständigen Ticket-Text, weist den richtigen Servicetechniker zu und speichert Priorität sowie Kontext.
* **E-Mail-Empfehlung**: Wird eine kritische Abweichung erkannt, verfasst die Agent-Node eine E-Mail mit Handlungsvorschlägen\
\&#xNAN;*(„Bitte Nachheizen um 1 K, bis Außentemperatur > 15 °C“)*\
und sendet sie an den zuständigen Fachbereich.
#### **c) Praxisbeispiel: Autonomer KI-Optimierer**
1. **LLM-Node**: *„Optimiere Energie in Gebäude A, halte 22 °C Komfortfenster.“*
2. **Get Data Nodes**: Lesen aktuelle Sensorwerte, Forecast-Daten und Tarifinformationen.
3. **Correlation Script Node**: Identifiziert relevante Einflussfaktoren (z. B. Außen- vs. Innentemperatur).
4. **RL-Node**: Konfiguriert und startet den weltbasierten Agenten – offline vortrainiert und sofort einsatzbereit.
5. **Agent-Node**: Generiert monatliche Reports, schlägt Regelketten-Anpassungen vor und fragt kurz nach manueller Freigabe.
6. **Action-Nodes**: Starten/Pausieren von Apps, Versenden von E-Mails, Erstellen von Tickets bei Grenzwertverletzungen.
## **Agent Nodes – Ausblick in die Zukunft**
In zukünftigen Versionen wird Eliona **Agent Nodes** bieten, die:
* Mit domänenspezifischem Expertenwissen gefüttert werden können.
* Autonom Entscheidungen treffen und Maßnahmen ableiten.
* Aktionen wie Forecast-Aktualisierung, RL-Steuerung oder Eskalationsmanagement eigenständig ausführen.
* Direkt in Regelketten eingebunden werden, um vollautomatische, lernende Gebäudeprozesse zu ermöglichen.
## **Vorteile der KI-Orchestrierung mit Regelketten**
* **Zentralisierung**: Eine Plattform für alle KI-Module und Automationslogiken.
* **Flexibilität**: Einfache Anpassung von Workflows per Drag-and-Drop.
* **Transparenz**: Jede Aktion ist visuell dokumentiert und auditierbar.
* **Skalierbarkeit**: Einsetzbar für einzelne Anlagen bis hin zu tausenden Assets.
* **Zukunftssicherheit**: Erweiterbar um neue KI-Module wie Anomaly Detection oder Computer Vision.
## **Fazit**
Mit der **KI-Orchestrierung in Eliona** werden Regelketten zum Dreh- und Angelpunkt eines autonomen Gebäudebetriebs. Sie verbinden RL, Forecasting, LLMs und klassische Automatisierungslogik zu einem durchgängigen, adaptiven System – das nicht nur reagiert, sondern vorausschauend handelt.\
So entsteht eine Plattform, die heute schon effizienter macht und gleichzeitig bereit ist für die nächste Generation KI-gestützter Smart Buildings.
---
# Agent Instructions
This documentation is published with GitBook. GitBook is the documentation platform designed so that both humans and AI agents can read, navigate, and reason over technical content effectively. Learn more at gitbook.com.
## Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.
Perform an HTTP GET request on the current page URL with the `ask` query parameter:
```
GET https://docs.buildings.ability.abb/collection/german-14.2-freezed/erste-schritte/kunstliche-intelligenz-in-abb-buildingpro/ki-orchestrierung-in-abb-buildingpro.md?ask=
```
The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.
Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.