> 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/akademie/building-intelligence-ai-and-machine-learning-in-buildingpro-suites/machine-learning/forecasting.md). # Prognoseerstellung ## Einführung in die Prognose Prognosen gehören zu den praktischsten Formen des Maschinellen Lernens in Smart Buildings. Sie werden verwendet, um zukünftige Werte auf Grundlage historischer Daten und relevanter Kontextinformationen abzuschätzen. Im Gebäudebetrieb hilft Prognose Teams dabei, von der Reaktion auf Ereignisse hin zum Antizipieren von Ereignissen überzugehen. Das unterstützt eine bessere Planung, frühere Interventionen und eine effizientere Gebäudeleistung. In ABB Ability™ BuildingPro Suites fügt sich Prognose natürlich in die Plattformvision ein. BuildingPro Suites verbindet Gebäudeautomation, Heizung, Lüftung und Klimatisierung (HVAC), Energie, Informationstechnologie (IT), Betriebstechnologie (OT) und andere Systeme, um isolierte Gebäudedaten in umsetzbare Erkenntnisse, prädiktive Tools und Intelligenz zu verwandeln \[1]. Prognose baut auf diesem Fundament auf, indem Zeitreihendaten in nützliche Informationen für den Blick nach vorn umgewandelt werden. Diese Seite erklärt, was Prognose ist, warum sie im Smart-Building-Kontext wichtig ist und wie Prognose in BuildingPro Suites verwendet wird, mit besonderem Fokus auf Energieprognosen. ### Was ist Vorhersage? Prognose ist die Vorhersage zukünftiger Werte auf Grundlage historischer Beobachtungen. In einem Gebäudekontext bedeutet das normalerweise, eine Folge gemessener Werte über die Zeit zu betrachten und abzuschätzen, was als Nächstes wahrscheinlich passieren wird. Eine Prognose kann kurz- oder langfristig sein. Sie kann verwendet werden, um die nächsten Minuten, den nächsten Tag oder die nächste Woche vorherzusagen, abhängig vom Anwendungsfall. Das Ziel kann der Energieverbrauch, die Raumtemperatur, belegungsbezogenes Verhalten, die Anlagenauslastung oder ein anderes zeitabhängiges Signal sein. Der Zweck von Prognosen besteht nicht nur darin, einen zukünftigen Wert zu erzeugen. Ihr eigentlicher Wert liegt darin, Nutzern und Systemen zu helfen, bessere Entscheidungen zu treffen. Eine gute Prognose bietet einen Ausblick darauf, was wahrscheinlich passieren wird, sodass Gebäudeteams handeln können, bevor sich Probleme in Alarmen, Kosten oder Beschwerden über den Komfort bemerkbar machen. ### Warum wird Prognose im Smart-Building-Kontext benötigt? Prognosen sind in Smart Buildings besonders nützlich, weil viele operative Entscheidungen davon abhängen, was als Nächstes zu erwarten ist, und nicht nur davon, was gerade passiert. Gebäude sind dynamische Systeme. Die Energienachfrage verändert sich im Laufe des Tages. Temperaturen reagieren auf Belegung, Wetter und Systemeinstellungen. Technische Systeme folgen wiederkehrenden Zyklen, können sich aber auch verschieben, wenn sich die Betriebsbedingungen ändern. In großen Gebäuden und Portfolios sind diese Muster zu komplex, um sie allein mit manueller Prüfung zu steuern. Prognosen helfen, Fragen wie die folgenden zu beantworten: * Wie viel Energie wird voraussichtlich in den nächsten Stunden oder Tagen verbraucht werden? * Wie wird sich die Raumtemperatur unter den aktuellen Bedingungen entwickeln? * Entspricht das aktuelle Systemverhalten dem, was wir erwarten sollten? * Wann ist mit einem Anstieg oder Rückgang der Nachfrage zu rechnen? * Welche Abweichungen vom erwarteten Verhalten können auf ein Problem hindeuten? Das passt gut zur Positionierung von BuildingPro Suites rund um prädiktive Tools, intelligentere datenbasierte Entscheidungen, Nachfrageprognosen und proaktive KI \[1]. ### Vorteile der Prognose Prognosen bieten im Smart-Building-Kontext mehrere wichtige Vorteile. #### Bessere Planung Prognosen helfen Nutzern, sich auf das Kommende vorzubereiten. Das ist nützlich für die operative Planung, die Energieplanung und die Portfolioüberwachung. Anstatt erst zu reagieren, nachdem sich ein Wert geändert hat, können Teams mit einer Erwartung des zukünftigen Verhaltens arbeiten. #### Verbesserte Energieeffizienz Wenn sich die zukünftige Nachfrage im Voraus schätzen lässt, kann der Energieeinsatz aktiver gesteuert werden. Das hilft, Spitzen zu erkennen, Verschwendung zu reduzieren und effizientere Regelungsstrategien zu unterstützen. #### Frühere Anomalieerkennung Eine Prognose definiert, was unter den aktuellen Bedingungen erwartet wird. Wenn der tatsächliche Wert später deutlich vom prognostizierten Verhalten abweicht, kann dieser Unterschied als frühes Signal dafür genutzt werden, dass etwas Ungewöhnliches geschieht. #### Bessere Regelungsunterstützung Prognosen sind nicht nur für menschliche Entscheidungen nützlich, sondern auch für digitale Workflows. Sie können in Dashboards, Vergleichen, Automatisierungslogiken, Optimierungs-Workflows oder als Eingabe in weitere Modelle verwendet werden. #### Skalierbarkeit über Assets und Portfolios hinweg Prognosen sind besonders wertvoll in Plattformen, die viele Systeme und Standorte verbinden. Ein Prognoseansatz, der über verschiedene Gebäude und Assets hinweg funktioniert, kann eine konsistente Entscheidungsfindung im großen Maßstab unterstützen. ### Typische Anwendungsfälle für Prognosen Prognosen können auf viele gebäudebezogene Zeitreihen angewendet werden. In BuildingPro Suites gehören zu den dokumentierten Prognoseanwendungsfällen bereits der Energieverbrauch in Gebäuden, Raumtemperaturen und Klimaregelung sowie die Zustandsüberwachung von Systemen \[2]. Typische Prognoseanwendungen umfassen: * **Energieprognose** für Strom-, Gas- oder Wasserverbrauch * **Temperaturprognose** für Räume, Zonen oder Systemausgänge * **Lastprognose** für operative Planung und Systemüberwachung * **Zustandsprognose** zum Erkennen von Abweichungen vom erwarteten technischen Verhalten * **Portfolio-Prognose** zum Vergleich zukünftiger Trends über mehrere Gebäude hinweg Unter diesen ist die Energieprognose eine der wichtigsten und am breitesten nutzbaren Anwendungen. ### Energieprognose Die Energieprognose ist ein zentraler Anwendungsfall für Smart Buildings, weil der Energieverbrauch zeitabhängig, betrieblich wichtig und eng mit Kosten, Nachhaltigkeit und Leistung verknüpft ist. Der Energiebedarf eines Gebäudes wird von vielen Faktoren beeinflusst, zum Beispiel von: * Tageszeit * Wochentag * Jahreszeit * Wetterbedingungen * Belegung und Flächennutzung * Betriebsplänen * Anlagenverhalten Da diese Treiber im Zeitverlauf zusammenwirken, passt die Energieprognose gut zu Maschinellem Lernen. Sie ermöglicht es dem System, wiederkehrende Muster und Abhängigkeiten zu lernen, die sich mit statischen Regeln allein nur schwer beschreiben lassen. In der Praxis kann die Energieprognose verwendet werden für: * kurzfristige Schätzung des Energiebedarfs * frühe Erkennung ungewöhnlichen Verbrauchsverhaltens * bessere Planung von Beschaffung oder operativer Reaktion * Vergleiche zwischen erwartetem und tatsächlichem Verhalten * Unterstützung für Effizienz- und Optimierungs-Workflows Die Prognosedokumentation von BuildingPro Suites beschreibt bereits die Vorhersage des Strom-, Gas- oder Wasserverbrauchs als typischen Anwendungsfall und weist darauf hin, dass Feature-Attribute wie Stunde des Tages, Wochentag und Außentemperatur das Ergebnis verbessern können \[2]. ### Prognosen in BuildingPro Suites Prognosen in BuildingPro Suites sind darauf ausgelegt, Zeitreihenprognosen in realen Gebäudeabläufen praktisch und nützlich zu machen. Die Plattform bietet dafür bereits wichtige Grundlagen. Sie integriert Daten aus Gebäudeautomation, HVAC, Energie, IT, OT und Systemen von Drittanbietern und strukturiert diese Daten über Tags, Assets, Attribute und Messpunkte \[1]\[2]. Dadurch ist es möglich, Prognosen nicht als isoliertes Modellergebnis, sondern als Teil eines umfassenderen operativen Systems zu verwenden. In BuildingPro Suites können Prognoseausgaben wieder in die Plattform eingebunden und in Dashboards, Visualisierungen, Regeln, Workflows und anderen Anwendungen verwendet werden \[2]. Das ist wichtig, weil der Wert einer Prognose am größten ist, wenn sie direkt in derselben Umgebung genutzt werden kann, in der Anwender Gebäude überwachen und verwalten. ### Zwei Prognose-Workflows BuildingPro Suites bietet zwei Prognose-Workflows mit unterschiedlichen Zwecken. #### Konfigurierte Prognosen in der Forecast Engine Der [*Forecast-Engine*](/collection/german/plattform/platform-core/baseline-and-factors/forecast-engine.md) erstellt operative Prognoseattribute. Für jede Prognose wählt ein Benutzer die Ziel-Zeitreihe, das Aggregationsintervall, den Horizont, das Perzentil und optionale Feature-Attribute aus. Der Name der Prognose wird zum angezeigten Namen eines Attributs auf dem ausgewählten Asset. Der *Forecast-Engine* berechnet die Prognose neu, sobald neue Daten eintreffen, und schreibt den Wert am Ende des konfigurierten Horizonts in dieses Attribut. Bei einem Horizont von einem Tag steht das Attribut beispielsweise für den für einen Tag im Voraus vorhergesagten Wert. Die Prognose ist rollierend: Mit jeder Iteration wird der zukünftige Trend neu berechnet und der Horizontwert aktualisiert. Da dieses Ergebnis ein Attribut ist, kann es visualisiert, von Regeln und Regelketten überwacht, von Skripten verwendet und in andere operative Workflows eingebunden werden. #### *Einzelprognose* in *Insight Analytics* Der [*Einzelprognose*](/collection/german/plattform/insight-analytics/analytics-types/single-forecast.md) Der Analysetyp bietet eine schnelle Visualisierung für eine ausgewählte Zeitreihe. Er verwendet die im Diagramm angezeigten Daten und kann zusätzliche vorausgehende Daten nutzen, um die Zeitreihe in den leeren zukünftigen Teil des ausgewählten Diagrammbereichs zu verlängern. Er zeigt die Prognose mit Ein-Sigma- und Zwei-Sigma-Konfidenzgrenzen an. Dieser Workflow kann als Analyse gespeichert und in Widgets wiederverwendet werden, erstellt jedoch kein kontinuierlich aktualisiertes Prognoseattribut. Er bietet außerdem nicht die Perzentil-, Fixhorizont- oder Feature-Konfiguration des *Forecast-Engine*. ### Verständnis von Perzentilprognosen Zukünftiges Gebäudeverhalten ist probabilistisch und nicht deterministisch. Eine Perzentilprognose erfasst diese Unsicherheit, indem sie die Frage beantwortet: „Welcher Wert wird voraussichtlich von einem ausgewählten Anteil modellierter Ergebnisse nicht überschritten?“ * Eine **Prognose auf dem 10. Perzentil** ist eine niedrigere Schätzung. Etwa 10 % der modellierten Ergebnisse werden voraussichtlich bei oder unter diesem Wert liegen. * Eine **ist eine mittlere Schätzung. Etwa die Hälfte der modellierten Ergebnisse wird voraussichtlich unter diesem Wert liegen und die andere Hälfte darüber.** ist die Medianschätzung. Die Hälfte der modellierten Ergebnisse wird voraussichtlich unterhalb und die andere Hälfte oberhalb dieses Werts liegen. * Eine **Prognose auf dem 90. Perzentil** ist eine obere Schätzung. Etwa 90 % der modellierten Ergebnisse werden voraussichtlich bei oder unter diesem Wert liegen. Mehrere Prognosen mit unterschiedlichen Perzentilen können einen wahrscheinlichkeitbasierten Bereich bilden. Das ist informativer, als sich auf eine einzige exakte Vorhersage zu verlassen: Es kann mögliche Spitzen aufzeigen, ihre Wahrscheinlichkeit ausdrücken und einen breiteren erwarteten Betriebsbereich beschreiben. ### Features und Prognosegenauigkeit Features liefern Kontext, der eine Prognose verbessern kann, wenn zwischen ihnen und dem Ziel eine sinnvolle Beziehung besteht. Für eine Prognose des Energieverbrauchs zum Beispiel: * kann die Außentemperatur wetterbedingten Heiz- und Kühlbedarf beschreiben * kann die Personenzahl belegungsbedingte Lasten beschreiben * können Solltemperaturen und Betriebsarten beschreiben, wie das Gebäude gesteuert wird Das Hinzufügen nicht zusammenhängender Features verbessert die Genauigkeit nicht zwangsläufig. Feature-Daten sollten außerdem für den relevanten Prognosezeitraum verfügbar sein. ### Von Prognosen zu Entscheidungen Konfigurierte Prognoseattribute machen Vorhersagen sowohl für Menschen als auch für Automatisierung verfügbar. Beispiele sind: * **Vermeidung von Energieverbrauchsspitzen:** Überwachen Sie in einer Regel eine Energieprognose auf dem 95. Perzentil. Wenn sie ein Lastlimit überschreitet, führen Sie ein energiesparendes Skript aus. Da etwa 5 % der modellierten Ergebnisse oberhalb dieser Prognose erwartet werden, kann die Regel auf ein seltenes, aber kostspieliges Risiko reagieren, bevor die Spitze eintritt. * **Belegungsplanung:** Prognostizieren Sie die Personenzahl, um Lüftung, Reinigung oder Flächenbetrieb auf die erwartete Belegung vorzubereiten. * **Temperaturrisiko:** Vergleichen Sie untere, mittlere und obere Raumtemperaturprognosen, um einen möglichen Komfortverstoß zu erkennen, bevor er eintritt. * **Lastplanung:** Prognostizieren Sie den Bedarf an Strom, Heizung, Kühlung, Gas oder Wasser, um Beschaffung und operative Planung zu unterstützen. * **Steuerungsinformierte Prognose:** Beziehen Sie Sollwerte, Betriebsarten oder andere Steuerungswerte als Feature-Attribute ein. Wenn sich die Steuerung ändert, berücksichtigen spätere Prognoseiterationen das aktualisierte Feature und können ein anderes erwartetes Ergebnis anzeigen. Steuerungsinformierte Prognosen können die Bewertung von Szenarien unterstützen, aber eine veränderte Prognose ist für sich genommen noch kein Beweis für einen kausalen Zusammenhang. Betreiber sollten wichtige Maßnahmen anhand tatsächlicher Ergebnisse und geltender Steuerungsgrenzen validieren. ### Foundation-Model-basierte Prognose Der in unserer aktuellen KI- und ML-Arbeit verwendete Prognoseansatz geht über klassische aufgabenspezifische Zeitreihenmodelle hinaus. Wir verwenden modernste **Zero-Shot-Zeitreihen-Foundation-Modelle** für Prognosen. Diese Modelle wurden auf sehr großen Mengen gebäudebezogener Zeitreihendaten vortrainiert und können daher über verschiedene Prognoseaufgaben und unterschiedliche Gebäudekontexte hinweg gut generalisieren. Das verändert die Art und Weise, wie Prognosen in der Praxis funktionieren. Traditionelle Prognose-Pipelines erfordern oft, dass für jedes Signal oder jeden Anwendungsfall ein separates Modell trainiert wird. Sie hängen außerdem stark davon ab, dass genügend lokale historische Daten vorhanden sind, bevor sie nützlich werden. Im Gegensatz dazu starten Zero-Shot-Zeitreihen-Foundation-Modelle von einer wesentlich stärkeren Vorannahme. Da sie während des Vortrainings bereits eine breite Zeitreihenstruktur gelernt haben, können sie auch dann sehr nützliche Prognosen liefern, wenn nur begrenzte lokale Daten verfügbar sind. Das ist besonders wertvoll in Smart Buildings, in denen einige Assets über umfangreiche historische Daten verfügen, während andere nur kurze Historien, sich ändernde Bedingungen oder unregelmäßige Betriebsabläufe aufweisen. ### Warum Foundation-Modelle für Prognosen nützlich sind Foundation-Model-basierte Prognosen bieten mehrere wichtige Vorteile. #### Hochwertige Prognosen mit wenig lokalen Daten Da die Modelle breit vortrainiert sind, benötigen sie keine großen Mengen aufgabenspezifischer Daten, um nützlich zu werden. Das macht sie für reale Gebäudeeinsätze wesentlich praktischer, insbesondere wenn ein neues Asset, ein neuer Standort oder ein neuer Anwendungsfall hinzukommt. #### Starke Zero-Shot-Generalisierung Ein Zero-Shot-Modell kann nützliche Vorhersagen liefern, ohne dass für jedes neue Signal ein eigener Nachtrainingszyklus erforderlich ist. Das macht Prognosen schneller einsetzbar und leichter skalierbar. #### Bessere Anpassung an sich ändernde Bedingungen Gebäudeumgebungen verändern sich fortlaufend. Belegungsmuster verschieben sich. Das Wetter ändert sich. Das Verhalten von Anlagen entwickelt sich weiter. Ein starkes Prognosemodell muss auch unter wechselndem Kontext nützlich bleiben. Foundation-Modelle sind hier besonders wertvoll, weil sie sich gut und schnell an neue Daten anpassen, ohne von häufigen Nachtrainings separater lokaler Modelle abhängig zu sein. #### Weniger operativer Aufwand Wenn für jede Prognose ein individuelles Modelltraining erforderlich ist, wird die Wartung komplex und teuer. Ein auf Foundation-Modellen basierender Ansatz reduziert diesen Aufwand und ermöglicht eine skalierbarere Prognosearchitektur. ### Die Rolle des Kontexts Die Prognosequalität verbessert sich, wenn das Modell mehr versteht als nur die Ziel-Zeitreihe. In BuildingPro Suites kann die Prognose kontextuelle Features verwenden, um die Vorhersagekraft zu verbessern. Nützliche Kontextinformationen sind zum Beispiel: * Wetterdaten * Außentemperatur * Personenzahl * belegungsbezogene Signale * Systemzustand * zeitbasierte Features wie Stunde des Tages oder Wochentag * andere operative Signale, die mit dem Prognoseziel zusammenhängen Das ist besonders wichtig in Gebäuden, weil viele Zielvariablen nicht nur von ihrer eigenen Historie getrieben werden. Die Energienachfrage hängt stark von Wetter und Belegung ab. Raumzustände hängen von Zeitplänen, Nutzung und Anlagenbetrieb ab. Anlagenbezogene Signale hängen oft vom umgebenden technischen Kontext ab. Indem relevante Kontextinformationen einbezogen werden, wird die Prognose genauer und robuster. Die dokumentierte *Forecast-Engine* unterstützt Feature-Attribute und zeitbasierten Kontext, einschließlich optionaler Eingaben wie Außentemperatur und anderer Asset-Attribute \[2]. Die breitere Prognoserichtung führt dieses Prinzip weiter, indem reichhaltiger Kontext zu einem wesentlichen Bestandteil hochwertiger Vorhersagen wird. ### Prognose und Anpassung Eine der zentralen Herausforderungen bei Prognosen für Smart Buildings ist Veränderung. Ein Modell kann unter einer bestimmten Bedingung gut funktionieren, aber weniger zuverlässig werden, wenn sich Nutzungsprofile, Wetterbedingungen oder Systemverhalten ändern. Aus diesem Grund ist Anpassungsfähigkeit entscheidend. In unserem aktuellen Prognoseansatz sind die Modelle darauf ausgelegt, sich gut an neue eingehende Daten und sich ändernden operativen Kontext anzupassen. Sie sind nicht auf ständige Nachtrainingszyklen angewiesen, wie es bei vielen traditionellen Prognosesystemen der Fall ist. Stattdessen bleiben sie reaktionsfähig und nützlich, wenn neue Muster auftreten, was sie für dynamische reale Gebäudeumgebungen deutlich besser geeignet macht. Das ist ein wichtiger Vorteil in Smart Buildings, in denen über längere Zeiträume keine stabilen Bedingungen angenommen werden können. ### Fazit Prognosen sind eine Schlüsselkompetenz in Smart Buildings, weil sie helfen, zukünftiges Verhalten abzuschätzen und Zeitreihendaten in praktischen operativen Nutzen zu verwandeln. Sie unterstützen bessere Planung, höhere Effizienz, frühere Anomalieerkennung und proaktivere Entscheidungen. In ABB Ability™ BuildingPro Suites baut Prognose auf den Stärken der Plattform in Bezug auf vernetzte Daten, strukturierten Kontext und integrierte Intelligenz auf \[1]\[2]. Sie ist besonders relevant für Energieprognosen, bei denen zukünftige Nachfrage- und Verbrauchsmuster zentral für operative und Nachhaltigkeitsziele sind. Unsere aktuelle KI- und ML-Ausrichtung erweitert dies durch Zero-Shot-Zeitreihen-Foundation-Modelle. Diese Modelle sind im Gebäudebereich äußerst nützlich, weil sie genaue Prognosen mit wenig lokalen Daten liefern, kontextuelle Eingaben wie Wetter und Personenzahl einbeziehen können und sich schnell an veränderte Bedingungen anpassen, ohne auf wiederholtes Nachtrainieren angewiesen zu sein. Damit wird Prognose nicht nur zu einer prädiktiven Fähigkeit, sondern zu einem wichtigen Baustein für skalierbare und praktische Gebäudeintelligenz. --- # 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, and the optional `goal` query parameter: ``` GET https://docs.buildings.ability.abb/collection/german/akademie/building-intelligence-ai-and-machine-learning-in-buildingpro-suites/machine-learning/forecasting.md?ask=&goal= ``` `ask` is the immediate question: it should be specific, self-contained, and written in natural language. `goal` is optional and describes the broader end goal you are ultimately trying to accomplish on behalf of the user. GitBook uses it to tailor the answer towards what is most useful for that goal. 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.