# 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**

<figure><img src="https://content.gitbook.com/content/Nyvwhz1kEMXcHf4HLuZ8/blobs/HqKLyHe81JdOAfUKAMlo/forecast%20app%20(7).png" alt=""><figcaption></figcaption></figure>

* **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.