> 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-ki-und-maschinelles-lernen-in-buildingpro-suites/maschinelles-lernen/einfuhrung-in-die-anomalieerkennung-in-intelligenten-gebauden.md). # Einführung in die Anomalieerkennung in intelligenten Gebäuden Die meisten Gebäudeprobleme beginnen nicht mit einem dramatischen Ausfall. Sie beginnen leise. Eine Lüftungsanlage läuft länger als vorgesehen. Die Kühlung bleibt während eines milden Feiertags aktiv. Eine Etage entwickelt nachts eine etwas höhere Last als gewöhnlich. Im Moment wirkt nichts kritisch, doch über Tage und Wochen wird das Ergebnis teuer: verschwendete Energie, längere Laufzeiten der Anlagen und verlorene Zeit, um zu verstehen, was passiert ist. Deshalb ist Anomalieerkennung in intelligenten Gebäuden wichtig. Sie hilft, 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, Fehler, Ineffizienzen oder ungewöhnlichen Betrieb hinweisen können. Die Herausforderung besteht darin, dass viele dieser Muster leicht zu übersehen sind. Einige überschreiten keinen harten 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 ein Fall kann normal sein, der andere nicht. Das ist der zentrale Grund, warum Anomalieerkennung in Gebäuden nützlich ist. Sie hilft nicht nur zu beantworten, ob sich etwas geändert hat, sondern auch, ob das Verhalten noch plausibel ist. ## Warum Gebäude einen anderen Ansatz brauchen Gebäude sind keine einfachen Systeme mit einer einzigen stabilen Basislinie. Ihr Verhalten verändert sich mit: * dem Wetter * der Belegung * Zeitplänen * Feiertagen * Systemzuständen * Steuerungsmaßnahmen 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 anhaltende Verschwendung hinweisen. Ein Problem, das am Hauptenergiezähler sichtbar wird, kann tatsächlich tiefer im Gebäude beginnen, etwa bei der Erfassung, der Steuerung oder dem Anlagenverhalten. Dadurch ist Anomalieerkennung in Gebäuden grundlegend kontextabhängig. Es geht nicht nur darum, Extremwerte zu finden. Es geht darum, Verhalten zu erkennen, das nicht zur Situation passt. ## Warum einfache Alarme nicht ausreichen Herkömmliche Schwellenwertalarme haben weiterhin ihren Platz. Sie sind nützlich, wenn es einen klaren Grenzwert gibt, der 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 aussieht, im Kontext aber falsch ist * langsam ansteigende Baseline-Drift * anhaltende Ineffizienzen, die nie einen dramatischen Spitzenwert erzeugen Deshalb ist Anomalieerkennung wichtig. Sie hilft, von der einfachen Grenzwertprüfung zu einer sinnvolleren 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 miteinander interagierenden Faktoren abhängt, profitiert Anomalieerkennung von Methoden, die mit Kontext, wechselnden Betriebsmustern und großen Mengen an Zeitreihendaten umgehen können. KI macht es deutlich praktikabler, subtile Abweichungen zu erkennen, das tatsächliche Verhalten mit dem erwarteten Verhalten zu vergleichen und komplexe Muster in etwas zu übersetzen, das ein Betreiber verstehen und auf das er reagieren kann. ABB positioniert ABB Ability™ BuildingPro Suites als eine einheitliche Cloud-Intelligence-Ebene mit proaktiven KI-Funktionen, die die Datenerfassung vereinfachen, Analysen unterstützen und Anomalien aufdecken, bevor sie zu Problemen werden. ## Was gute Anomalieerkennung leisten sollte Ein sinnvoller Ansatz zur Anomalieerkennung sollte mehr tun, als nur Alarme auszulösen. Er sollte dabei helfen, praktische Fragen zu beantworten wie: * Ist dieses Verhalten wirklich ungewöhnlich? * Ist es zu diesem Zeitpunkt und unter diesen Bedingungen ungewöhnlich? * Ist es kurzfristig oder anhaltend? * 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, Verhalten zu finden, das betrieblich relevant ist. ## Warum das in ABB Ability™ BuildingPro Suites wichtig ist ABB Ability™ BuildingPro Suites verbindet Gebäudeautomation, Heizungs-, Lüftungs- und Klimatisierungssysteme (HLK), Energie-, Informations- und Kommunikationstechnologie-(IT)- und Operational-Technology-(OT)-Systeme zu einer vernetzten Intelligenzschicht. Dadurch wird Anomalieerkennung in diesem Kontext zu einem natürlichen und wichtigen Thema. Wenn Gebäudedaten miteinander 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 Akademie erklären wird Dieser Abschnitt der Akademie untersucht die Anomalieerkennung von den Grundlagen bis zur praktischen Umsetzung. Ziel ist es nicht nur, das Konzept zu erklären. Es geht darum zu erläutern, warum Anomalieerkennung zu einer wichtigen Fähigkeit für den Betrieb intelligenter Gebäude geworden ist. Verwenden Sie diese Seiten, um das Thema Schritt für Schritt zu durchlaufen: {% content-ref url="/pages/bcd4814b8cbdcd76c0b18e5e22ea15c3474fd526" %} [Grundlagen der Anomalieerkennung](/collection/german/akademie/building-intelligence-ki-und-maschinelles-lernen-in-buildingpro-suites/maschinelles-lernen/einfuhrung-in-die-anomalieerkennung-in-intelligenten-gebauden/grundlagen-der-anomalieerkennung.md) {% endcontent-ref %} {% content-ref url="/pages/d39d595a308c2894b6d73ffc072315700254e798" %} [Gebäudedaten verstehen](/collection/german/akademie/building-intelligence-ki-und-maschinelles-lernen-in-buildingpro-suites/maschinelles-lernen/einfuhrung-in-die-anomalieerkennung-in-intelligenten-gebauden/gebaudedaten-verstehen.md) {% endcontent-ref %} {% content-ref url="/pages/d78c1e089b2d56803062fc7598b259d5dc62b19f" %} [Von Gebäudedaten zu Erkennungsherausforderungen](/collection/german/akademie/building-intelligence-ki-und-maschinelles-lernen-in-buildingpro-suites/maschinelles-lernen/einfuhrung-in-die-anomalieerkennung-in-intelligenten-gebauden/von-gebaudedaten-zu-erkennungsherausforderungen.md) {% endcontent-ref %} {% content-ref url="/pages/17db3a5a8b06ecc28b20dbd2da37c2dae904ac7a" %} [Wie BuildingPro Suites die Herausforderungen der Anomalieerkennung angeht](/collection/german/akademie/building-intelligence-ki-und-maschinelles-lernen-in-buildingpro-suites/maschinelles-lernen/einfuhrung-in-die-anomalieerkennung-in-intelligenten-gebauden/wie-buildingpro-suites-die-herausforderungen-der-anomalieerkennung-angeht.md) {% endcontent-ref %} Für die Produktansicht geht es hier weiter: {% content-ref url="/pages/b28295b4baed4206d3c9c88241800049a3d8b544" %} [Energie-Anomalieerkennung](/collection/german/suiten/energy-and-sustainability-intelligence/energy-anomaly-detection.md) {% endcontent-ref %} {% content-ref url="/pages/c1f2d1d01c030ece7f1f5f3fe108c2727d2775fb" %} [Energie-Anomalieerkennung konfigurieren](/collection/german/suiten/energy-and-sustainability-intelligence/energy-anomaly-detection/energie-anomalieerkennung-konfigurieren.md) {% endcontent-ref %} ## Fazit Anomalieerkennung ist in intelligenten Gebäuden wichtig, weil viele wichtige Probleme nicht offensichtlich, nicht unmittelbar und durch einfache Alarme nur unzureichend erfasst werden. 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 Akademie erklärt, was dafür erforderlich ist, warum es schwierig ist und wie eine praktische, auf Gebäude ausgerichtete Lösung dabei vorgeht. --- # 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-ki-und-maschinelles-lernen-in-buildingpro-suites/maschinelles-lernen/einfuhrung-in-die-anomalieerkennung-in-intelligenten-gebauden.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.