> 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/understanding-building-data.md). # Gebäudedaten verstehen Gebäudedaten sind der digitale Fußabdruck dafür, wie sich ein Gebäude im Laufe der Zeit verhält. Sie umfassen Messungen von Energiezählern, Sensoren, Zeitplänen, Wetterdaten und technischen Systemen. Auf den ersten Blick mag dies wie gewöhnliche Zeitreihendaten aussehen. In der Praxis ist es jedoch komplexer. Gebäudedaten spiegeln das Zusammenspiel physikalischer Bedingungen, menschlicher Aktivitäten, Steuerungslogik und des Verhaltens von Anlagen wider, die sich alle im Laufe der Zeit verändern. Das ist wichtig, weil Anomalieerkennung davon abhängt, zu verstehen, wie „normal“ aussieht. In Gebäuden ist normales Verhalten nicht festgelegt. Dasselbe Signal kann je nach Wetter, Belegung, Zeitplänen, Betriebsmodus und Tageszeit unterschiedliche Bedeutungen haben. ## Vom Gebäudeverhalten zur Energieabgabe Ein nützlicher Weg, Gebäudedaten zu verstehen, besteht darin, sie als Teil einer Kette zu betrachten. Umgebungsbedingungen und Belegung erzeugen Bedarf. Sensoren und Steuerungslogik interpretieren diesen Bedarf und entscheiden, wie das Gebäude reagieren soll. Anlagen wie Pumpen, Ventile, Klappen und Kompressoren setzen diese Reaktion dann um. Das Ergebnis wird in gemessenen Größen wie dem Energieverbrauch sichtbar. Das bedeutet, dass Gebäudedaten nicht nur eine Aufzeichnung dessen sind, was passiert ist. Sie sind auch eine indirekte Widerspiegelung davon, wie das Gebäude dorthin gelangt ist. Ein ungewöhnliches Energiemuster kann daher die sichtbare Folge von etwas sein, das zuvor im System passiert ist, zum Beispiel bei der Erfassung, der Steuerung oder im Verhalten von Anlagen. ## Wesentliche Merkmale von Gebäudedaten zum Energieverbrauch Gebäude-Energiemetrik ist kein einfaches Signal mit einer einzigen stabilen Vorstellung von Normalität. Sie wird durch physikalische Bedingungen, menschliche Aktivitäten, technische Systeme und die Art und Weise geprägt, wie Daten erfasst und übertragen werden. Diese Merkmale sind wichtig, weil sie festlegen, womit Anomalieerkennung in Gebäuden umgehen können muss.

Repräsentative multivariate Zeitreihe, die die Hauptzählerlast zusammen mit der Belegung
(Personenzahl) und der Außentemperatur zeigt. Die Grafik veranschaulicht, wie sich mehrere voneinander abhängige Variablen
im Laufe der Zeit gemeinsam entwickeln.

#### Multivariate Struktur Gebäudeenergiedaten sind von Natur aus multivariat und voneinander abhängig. Neben den aggregierten Zählerwerten umfassen relevante Variablen häufig Umgebungsbedingungen, Belegung, Zeitpläne und Zustände von Teilsystemen. Änderungen in einem Teil des Systems beeinflussen oft andere Variablen, was bedeutet, dass Energieverhalten am besten als gemeinsames Verhalten und nicht als isoliertes Signal verstanden wird. **Was das für die Anomalieerkennung bedeutet:**\ Anomalieerkennung sollte das Energieverhalten zusammen mit dem relevanten Kontext interpretieren. Ein einzelner Zählerwert reicht oft nicht aus, um zu beurteilen, ob das beobachtete Verhalten zu erwarten oder ungewöhnlich ist. #### Ursachenkette des Energieverbrauchs Der Energieverbrauch in Gebäuden entsteht durch eine Kette, die mit dem Bedarf beginnt, über Erfassung und Steuerung verläuft und dann von der Versorgungsebene umgesetzt wird, bevor er am Zähler sichtbar wird. Eine am Hauptzähler sichtbare Abweichung kann daher ein Symptom für ein tiefer im System liegendes Problem sein, etwa einen Sensorfehler, einen Fehler in der Steuerungslogik oder eine unnötige Aktivierung von Anlagen. **Was das für die Anomalieerkennung bedeutet:**\ Erkennung und Ursachenanalyse sind unterschiedliche Aufgaben. Die Hauptanomalie kann zwar am Energiezähler erkannt werden, ihre wahrscheinliche Ursache muss jedoch weiter unten in der technischen Hierarchie untersucht werden. In diesem akademischen Rahmen ist die Bedarfsebene vor allem Kontext und nicht das primäre Anomalieziel.

Ursachenkette des Gebäudeenergieverbrauchs von Bedarf über Steuerung zur Versorgungsebene

#### HVAC- und Umweltfaktoren Heizungs-, Lüftungs- und Klimaanlagen (HVAC) dominieren einen großen Teil des Energiebedarfs von Gebäuden. Ihr Verhalten wird durch Temperatur, solare Gewinne, Luftfeuchtigkeit, thermische Reaktion und Steuerungszeitpläne beeinflusst. Ineffiziente Steuerung, Zeitplankonflikte oder gealterte Anlagen können daher Energieanomalien erzeugen, die auf den ersten Blick betrieblich plausibel wirken, aber dennoch ineffizient sind. **Was das für die Anomalieerkennung bedeutet:**\ Die Methode sollte zwischen der erwarteten physikalischen Reaktion auf reale Bedingungen und einem Energieverhalten unterscheiden, das technisch möglich, aber betrieblich ineffizient ist. #### Belegung und interne Lasten Menschliches Verhalten bringt zusätzliche Variabilität durch Beleuchtung, Geräte, Steckdosenlasten, interne Wärmeeinträge und wechselnde Nutzungsmuster von Räumen mit sich. In einigen Gebäuden erzeugen auch IT- oder prozessbezogene Lasten eigene Betriebsregime. Diese Effekte können den Verbrauch von rein umweltbedingten Treibern entkoppeln und mehrere gültige Muster normalen Verhaltens erzeugen. **Was das für die Anomalieerkennung bedeutet:**\ Die Methode sollte belegungsbezogene und interne Betriebskontexte berücksichtigen. Andernfalls können legitime Änderungen in der Gebäudenutzung fälschlicherweise als Anomalien angesehen werden. #### Zeitliche Abhängigkeit und Persistenz Gebäudeenergie-Zeitreihen hängen stark von der jüngsten Vergangenheit ab. Thermische Trägheit, Hochlaufverhalten und anhaltende hohe Lastzustände erzeugen eine glatte zeitliche Struktur und eine starke Kurzzeitvorhersagbarkeit. Gleichzeitig kann diese Persistenz langsam entstehende Fehler oder anhaltende Ineffizienzen in ansonsten glatten Verläufen verbergen. **Was das für die Anomalieerkennung bedeutet:**\ Nicht alle wichtigen Anomalien sind plötzliche Ausschläge. Die Methode sollte auch in der Lage sein, langsame und anhaltende Abweichungen zu erkennen, bevor sie in die scheinbare Baseline eingewoben werden. #### Saisonalität und Periodizität Gebäude folgen wiederkehrenden täglichen, wöchentlichen und saisonalen Rhythmen. Diese Muster spiegeln Belegungszyklen, Zeitpläne und klimatische Bedingungen wider und bilden zusammen einen wiederkehrenden betrieblichen Fingerabdruck. **Was das für die Anomalieerkennung bedeutet:**\ Eine nützliche Methode sollte kontextbezogene Verletzungen erwarteter Muster erkennen, etwa einen werktagsähnlichen Verbrauch am Wochenende, statt sich nur auf absolute Abweichungen zu verlassen. #### Statistische Verteilung und Nichtstationarität Reale Gebäudeenergiedaten sind selten um eine einzige einfache Normalverteilung zentriert. Sie zeigen häufig mehrere Betriebsmodi, schiefe Verteilungen und sich im Laufe der Zeit verändernde Baselines. Saisonübergänge, Anlagenverschleiß sowie Änderungen bei Belegung oder Betrieb verschieben alle das Bild von Normalverhalten.

Empirische Verteilung des Hauptzählers des Gebäudes (15-Minuten-kWh-Werte, Histogramm) mit einer
overlagerten einzelnen Normalverteilung und einem Gaußschen Mischmodell mit fünf Komponenten, das die
Diskrepanz zwischen einem unimodalen Gauß-Modell und der multimodalen, heavy-tailed Struktur realer Gebäude-
Energiedaten veranschaulicht.

**Was das für die Anomalieerkennung bedeutet:**\ Eine einzelne feste Baseline oder ein einfaches Ein-Bereich-Konzept von Normalität reicht oft nicht aus. Die Methode sollte mehrere gültige Betriebsregime handhaben, sich an sich veränderndes Normalverhalten im Laufe der Zeit anpassen und mischungsähnliches Verhalten erfassen, statt eine einzige einfache Verteilung anzunehmen. #### Datenerfassung und semantische Struktur Gebäudetelemetrie ist nicht nur ein Zahlenstrom. Sie wird über eine technische Messkette erfasst und ist in der Regel mit einer Asset-Hierarchie aus Standorten, Gebäuden, Etagen, Systemen und Geräten verknüpft. Diese semantische Struktur verleiht den Daten ihre operative Bedeutung und hilft dabei, Messungen auf reale technische Komponenten zurückzuführen. **Was das für die Anomalieerkennung bedeutet:**\ Erkannte Anomalien sollten idealerweise innerhalb der Asset-Hierarchie interpretiert werden, damit Nutzer von einer hochrangigen Energieabweichung zu den wahrscheinlich beitragenden Systemen oder Assets gelangen können. #### Datenkontinuität und Übertragungsartefakte Nicht jedes ungewöhnliche Muster spiegelt ein echtes Gebäudeproblem wider. Kommunikationsausfälle, fehlende Werte, verzögerte Übertragung oder gepufferte erneute Übertragung können virtuelle Ausschläge oder Lücken in den Daten erzeugen, die keinem realen physikalischen Verhalten entsprechen. **Was das für die Anomalieerkennung bedeutet:**\ Die Methode sollte, wo immer möglich, reale Betriebsanomalien von Telemetrie-Artefakten unterscheiden. Andernfalls könnten Nutzer statt Gebäudeproblemen Datenqualitätsprobleme untersuchen. #### Begrenzte gelabelte Daten in Gebäuden Im realen Gebäudebetrieb sind Anomalie-Labels in der Regel knapp oder fehlen ganz. Die meisten Gebäude verfügen nicht über eine Historie, die eindeutig markiert, welche früheren Ereignisse normal und welche anomal waren. Aus diesem Grund wird Anomalieerkennung in Gebäuden normalerweise als halbüberwacht und nicht als vollständig überwacht behandelt. Die praktische Annahme ist, dass historische Daten größtenteils unauffällig sind, und dieses historische Verhalten wird genutzt, um eine erwartete Baseline zu lernen. Erkannte Abweichungen von dieser Baseline werden dann als potenzielle Anomalien behandelt. Diese Annahme ist nicht perfekt, da historische Daten bereits unbemerkte Ineffizienzen oder Fehler enthalten können. Dennoch ist sie in der Regel der praktikabelste Ausgangspunkt. Mit der Zeit kann die Validierung durch Nutzer den Prozess verbessern, indem Anomalien als bestätigt oder falsch markiert werden und das System dadurch ähnliche zukünftige Fälle besser handhaben kann. **Was das für die Anomalieerkennung bedeutet:**\ Die Methode sollte ohne zu Beginn gelabelte Anomalie-Datensätze funktionieren und das Lernen aus Nutzerfeedback im Laufe der Zeit unterstützen. ## Was die Anomalieerkennung in Gebäuden leisten muss Zusammengenommen zeigen diese Eigenschaften, warum Anomalieerkennung in Gebäuden mehr ist als einfaches Schwellwert-Alarmieren. Ein nützlicher Ansatz muss: * Energieverhalten im Kontext interpretieren * mehrere gültige Betriebsmodi handhaben * gegen Persistenz und Saisonalität robust bleiben * sich an sich verändernde Baselines anpassen, ohne Fehler zu schnell zu überdecken * physikalische Anomalien von Datenartefakten trennen * Untersuchungen über die Asset-Hierarchie hinweg unterstützen * auch dann funktionieren, wenn gelabelte Anomaliedaten knapp sind Das ist auch der Grund, warum Anomalieerkennung in Gebäuden sowohl als Erkennungsproblem als auch als Problem der betrieblichen Interpretation gesehen werden sollte. Die Herausforderung besteht nicht nur darin, ungewöhnliche Werte zu finden. Es geht darum zu entscheiden, ob das beobachtete Verhalten für dieses Gebäude, zu diesem Zeitpunkt, unter diesen Bedingungen wirklich ungewöhnlich ist und ob es sich lohnt, darauf zu reagieren. Diese Anforderungen führen direkt zu den Fehlerbildern, die in [-> 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). Sie werden dann auf den Produktansatz in [-> Wie BuildingPro Suites die Herausforderungen der Anomalieerkennung adressiert](/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). ## Fazit Wie Sie sehen, ist Anomalieerkennung in Gebäuden komplexer, als einfach nur ungewöhnliche Werte zu finden. Gebäudedaten sind kontextabhängig, verändern sich im Laufe der Zeit und spiegeln eine Kette vom Bedarf über Steuerung und Anlagen bis hin zum gemessenen Energieverbrauch wider. Ein nützlicher Ansatz muss daher Kontext, Persistenz, sich verändernde Baselines, Datenqualität und den Unterschied zwischen dem Erkennen einer Anomalie und dem Finden ihrer Ursache berücksichtigen. Idealerweise sollte er auch helfen, die finanzielle Auswirkung abzuschätzen, damit Anomalien priorisiert werden können. Kurz gesagt: Gute Anomalieerkennung in Gebäuden geht nicht nur darum, das Ungewöhnliche zu erkennen, sondern das betrieblich und finanziell Relevante zu erkennen. Im Produkt erscheint dies in [-> Energie-Anomalieerkennung](/collection/german/pakete/energy-and-sustainability-intelligence/energy-anomaly-detection.md) als auch [-> Anomalie-Center](/collection/german/pakete/energy-and-sustainability-intelligence/energy-anomaly-detection/anomaly-center.md). --- # 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/understanding-building-data.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.