> 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/introduction-to-anomaly-detection-in-smart-buildings.md). # Einführung in die Anomalieerkennung in intelligenten Gebäuden Die meisten Gebäudeprobleme beginnen nicht mit einem dramatischen Ausfall. Sie beginnen leise. Ein Lüftungssystem läuft länger als nötig. Die Kühlung bleibt während eines milden Feiertags aktiv. Ein Stockwerk weist nachts eine etwas höhere Last als gewöhnlich auf. Im Moment wirkt nichts kritisch, doch über Tage und Wochen wird das Ergebnis teuer: verschwendete Energie, längere Laufzeiten der Anlagen und verlorene Zeit beim Versuch zu verstehen, was passiert ist. Deshalb ist Anomalieerkennung in intelligenten Gebäuden wichtig. Sie hilft dabei, Verhaltensweisen aufzudecken, die nicht dem erwarteten Betrieb entsprechen, bevor daraus ein größeres betriebliches oder finanzielles Problem wird. ## Warum das wichtig ist Moderne Gebäude erzeugen einen ständigen Datenstrom. Energiezähler, Sensoren, Zeitpläne, Wettersignale und technische Systeme beschreiben gemeinsam, wie sich das Gebäude im Laufe der Zeit verhält. In diesen Daten verbergen sich Muster, die auf Verschwendung, Störungen, Ineffizienzen oder ungewöhnlichen Betrieb hinweisen können. Die Herausforderung besteht darin, dass viele dieser Muster leicht zu übersehen sind. Einige überschreiten keinen festen Alarmgrenzwert.\ Einige werden erst sichtbar, wenn man sie über mehrere Tage betrachtet.\ Einige wirken auf den ersten Blick normal und werden erst im richtigen Kontext verdächtig. Ein Gebäude kann an zwei verschiedenen Tagen die gleiche Energiemenge verbrauchen, und in einem Fall kann das normal sein, im anderen nicht. Das ist der Kern, warum Anomalieerkennung in Gebäuden nützlich ist. Sie hilft nicht nur zu beantworten, ob sich etwas geändert hat, sondern auch, ob sich das Verhalten noch plausibel anfühlt. ## Warum Gebäude einen anderen Ansatz brauchen Gebäude sind keine einfachen Systeme mit einer einzigen stabilen Basislinie. Ihr Verhalten verändert sich durch: * Wetter * Belegung * Zeitpläne * Feiertage * Systemzustände * Regelungsmaßnahmen Deshalb ist normales Verhalten nicht festgelegt. Eine Last, die an einem kalten Werktagmorgen zu erwarten ist, kann an einem milden Sonntagabend ungewöhnlich sein. Ein Wert, der absolut betrachtet akzeptabel erscheint, kann dennoch auf dauerhafte Verschwendung hinweisen. Ein Problem, das am Hauptenergiezähler sichtbar wird, kann tatsächlich tiefer im Gebäude beginnen, etwa bei der Sensorik, der Regelung oder dem Anlagenverhalten. Dadurch ist Anomalieerkennung in Gebäuden grundsätzlich kontextabhängig. Es geht nicht nur darum, Extremwerte zu finden. Es geht darum, Verhaltensweisen zu erkennen, die nicht zur Situation passen. ## Warum einfache Alarme nicht ausreichen Herkömmliche Schwellenwertalarme haben nach wie vor ihre Berechtigung. Sie sind nützlich, wenn es eine klare Grenze gibt, die niemals überschritten werden sollte. Aber viele wichtige Gebäudeprobleme sehen nicht so aus. Einfache Schwellenwerte übersehen oft: * wiederkehrende Nachtlast, die unter einer festen Alarmgrenze bleibt * Wochenendbetrieb, der global normal wirkt, im Kontext jedoch falsch ist * langsam zunehmende Baseline-Drift * anhaltende Ineffizienzen, die nie einen dramatischen Ausschlag erzeugen Deshalb ist Anomalieerkennung wichtig. Sie hilft dabei, von der einfachen Grenzwertprüfung zu einer aussagekräftigeren Frage überzugehen: **Verhält sich dieses Gebäude gerade so, wie es sollte?** ## Warum KI das Mögliche verändert Hier wird auch Künstliche Intelligenz (KI) wichtig. Da das Verhalten von Gebäuden von vielen wechselwirkenden Faktoren abhängt, profitieren Anomalieerkennungsverfahren von Methoden, die mit Kontext, sich verändernden Betriebsmustern und großen Mengen an Zeitreihendaten umgehen können. KI macht es wesentlich praktikabler, subtile Abweichungen zu erkennen, tatsächliches Verhalten mit erwartetem Verhalten zu vergleichen und komplexe Muster in etwas zu übersetzen, das ein Betreiber verstehen und darauf reagieren kann. ABB positioniert ABB Ability™ BuildingPro Suites als ein einheitliches cloudbasiertes Intelligenz-Framework mit proaktiven KI-Funktionen, die die Datenerfassung vereinfachen, Analysen unterstützen und Anomalien aufdecken helfen, bevor sie zu Problemen werden. ## Was gute Anomalieerkennung leisten sollte Ein sinnvoller Ansatz zur Anomalieerkennung sollte mehr tun, als nur Alarme auszulösen. Er sollte helfen, praktische Fragen zu beantworten wie: * Ist dieses Verhalten wirklich ungewöhnlich? * Ist es für diese Zeit und diesen Zustand ungewöhnlich? * Ist es vorübergehend oder dauerhaft? * Hat es wahrscheinlich finanzielle Auswirkungen? * Wo sollte die Untersuchung beginnen? Mit anderen Worten: Das Ziel ist nicht nur, statistische Ausreißer zu finden. Das Ziel ist, betrieblich bedeutsames Verhalten zu erkennen. ## Warum das in ABB Ability™ BuildingPro Suites wichtig ist ABB Ability™ BuildingPro Suites verbindet Gebäudeautomation, Heizungs-, Lüftungs- und Klimasysteme (HVAC), Energie-, Informationstechnologie-(IT)- und Operational-Technology-(OT)-Systeme zu einer einzigen vernetzten Intelligenzschicht. Dadurch wird Anomalieerkennung in diesem Kontext zu einem natürlichen und wichtigen Thema. Wenn Gebäudedaten verbunden und gemeinsam interpretiert werden, wird es möglich, über isolierte Alarme hinauszugehen und ein klareres Verständnis dafür zu gewinnen, wie ein Gebäude tatsächlich betrieben wird. ## Was diese Academy erklärt Dieser Academy-Abschnitt behandelt die Anomalieerkennung von den Grundlagen bis zur praktischen Umsetzung. Das Ziel ist nicht nur, das Konzept zu erklären. Es geht darum zu erläutern, warum Anomalieerkennung zu einer wichtigen Fähigkeit für den Betrieb intelligenter Gebäude geworden ist. Nutzen Sie diese Seiten, um Schritt für Schritt durch das Thema zu gehen: {% content-ref url="/pages/bcd4814b8cbdcd76c0b18e5e22ea15c3474fd526" %} [Grundlagen der Anomalieerkennung](/collection/german/akademie/building-intelligence-ai-and-machine-learning-in-buildingpro-suites/machine-learning/introduction-to-anomaly-detection-in-smart-buildings/foundations-of-anomaly-detection.md) {% endcontent-ref %} {% content-ref url="/pages/d39d595a308c2894b6d73ffc072315700254e798" %} [Gebäudedaten verstehen](/collection/german/akademie/building-intelligence-ai-and-machine-learning-in-buildingpro-suites/machine-learning/introduction-to-anomaly-detection-in-smart-buildings/understanding-building-data.md) {% endcontent-ref %} {% content-ref url="/pages/d78c1e089b2d56803062fc7598b259d5dc62b19f" %} [Von Gebäudedaten zu Erkennungsherausforderungen](/collection/german/akademie/building-intelligence-ai-and-machine-learning-in-buildingpro-suites/machine-learning/introduction-to-anomaly-detection-in-smart-buildings/from-building-data-to-detection-challenges.md) {% endcontent-ref %} {% content-ref url="/pages/17db3a5a8b06ecc28b20dbd2da37c2dae904ac7a" %} [Wie BuildingPro Suites die Herausforderungen der Anomalieerkennung bewältigt](/collection/german/akademie/building-intelligence-ai-and-machine-learning-in-buildingpro-suites/machine-learning/introduction-to-anomaly-detection-in-smart-buildings/how-buildingpro-suites-addresses-the-challenges-of-anomaly-detection.md) {% endcontent-ref %} Für die Produktsicht geht es hier weiter: {% content-ref url="/pages/b28295b4baed4206d3c9c88241800049a3d8b544" %} [Energie-Anomalieerkennung](/collection/german/suites/energy-and-sustainability-intelligence/energy-anomaly-detection.md) {% endcontent-ref %} {% content-ref url="/pages/c1f2d1d01c030ece7f1f5f3fe108c2727d2775fb" %} [Energie-Anomalieerkennung konfigurieren](/collection/german/suites/energy-and-sustainability-intelligence/energy-anomaly-detection/configure-energy-anomaly-detection.md) {% endcontent-ref %} ## Fazit Anomalieerkennung ist in intelligenten Gebäuden wichtig, weil viele wichtige Probleme nicht offensichtlich, nicht sofort erkennbar und durch einfache Alarme nicht gut abgebildet sind. Gebäude sind dynamische, kontextabhängige Systeme, und bedeutsame Abweichungen werden oft erst sichtbar, wenn Daten auf die richtige Weise interpretiert werden. KI macht dies zunehmend praktikabel, indem sie hilft, große Mengen an Gebäudedaten in nützliche Signale, Erklärungen und Maßnahmen zu verwandeln. Diese Academy erklärt, was dafür nötig ist, warum es schwierig ist und wie eine praxisnahe, gebäudefokussierte Lösung damit umgeht. --- # 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/introduction-to-anomaly-detection-in-smart-buildings.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.