> 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/gebaudedaten-verstehen.md). # Gebäudedaten verstehen Gebäudedaten sind der digitale Fußabdruck des zeitlichen Verhaltens eines Gebäudes. Sie umfassen Messwerte von Energiemessgeräten, Sensoren, Zeitplänen, Wettersignalen und technischen Systemen. Auf den ersten Blick mag dies wie gewöhnliche Zeitreihendaten wirken. In der Praxis ist es komplexer. Gebäudedaten spiegeln das Zusammenspiel von physikalischen Bedingungen, menschlicher Aktivität, Regelungslogik und Geräteverhalten wider, die sich alle im Laufe der Zeit verändern. Dies ist wichtig, weil die 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 Zeitpunkt Unterschiedliches bedeuten. ## Vom Gebäudeverhalten zur Energieabgabe Ein nützlicher Weg, Gebäudedaten zu verstehen, ist, sie als Teil einer Kette zu betrachten. Umgebungsbedingungen und Belegung erzeugen Bedarf. Sensoren und Regelungslogik 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 Abbildung davon, wie das Gebäude dorthin gelangt ist. Ein ungewöhnliches Energiemuster kann daher die sichtbare Folge von etwas sein, das früher im System passiert ist, zum Beispiel in der Erfassung, Regelung oder im Anlagenverhalten. ## Wesentliche Merkmale von Gebäudeenergiedaten Gebäude-Energie-Telemetrie ist kein einfaches Signal mit einem einzigen, stabilen Normalitätsbegriff. Sie wird geprägt von physikalischen Bedingungen, menschlicher Aktivität, technischen Systemen und der Art und Weise, wie Daten erfasst und übertragen werden. Diese Eigenschaften sind wichtig, weil sie festlegen, womit die 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 Zeitverlauf
gemeinsam entwickeln.

#### Multivariate Struktur Gebäudeenergiedaten sind von Natur aus multivariat und voneinander abhängig. Neben aggregierten Zählerwerten gehören dazu häufig auch Umgebungsbedingungen, Belegung, Zeitpläne und Teilsystemzustände. Änderungen in einem Teil des Systems beeinflussen oft andere Variablen, weshalb sich das Energieverhalten am besten als gemeinsames Verhalten und nicht als isoliertes Signal verstehen lässt. **Was dies für die Anomalieerkennung bedeutet:**\ Die Anomalieerkennung sollte das Energieverhalten zusammen mit relevantem Kontext interpretieren. Ein Messwert allein reicht oft nicht aus, um zu beurteilen, ob das beobachtete Verhalten erwartet oder ungewöhnlich ist. #### Kausalkette des Energieverbrauchs Der Energieverbrauch in Gebäuden entsteht durch eine Kette, die bei der Nachfrage beginnt, über Erfassung und Regelung verläuft und anschließend von der Versorgungsebene umgesetzt wird, bevor er am Zähler sichtbar wird. Eine am Hauptzähler sichtbare Abweichung kann daher das Symptom eines Problems tiefer im System sein, etwa eines Sensordefekts, eines Fehlers in der Regelungslogik oder einer unnötigen Aktivierung von Anlagen. **Was dies für die Anomalieerkennung bedeutet:**\ Erkennung und Ursachenanalyse sind unterschiedliche Aufgaben. Die eigentliche Anomalie mag am Energiezähler erkannt werden, während ihre wahrscheinliche Ursache weiter unten in der technischen Hierarchie untersucht werden muss. In diesem akademischen Rahmen ist die Bedarfsebene vor allem Kontext und nicht das primäre Anomalie-Ziel.

Kausalkette des Gebäudeenergieverbrauchs von der Nachfrage über die Regelung bis zur Versorgungsebene

#### HLK- und Umwelteinflüsse Heizung, Lüftung und Klimatisierung (HLK) dominieren einen großen Teil des Gebäudeenergiebedarfs. Ihr Verhalten wird von Temperatur, solaren Gewinnen, Luftfeuchtigkeit, thermischer Reaktion und Regelungszeitplänen beeinflusst. Ineffiziente Regelung, Zeitplankonflikte oder gealterte Anlagen können daher Energieanomalien erzeugen, die auf den ersten Blick betriebsfähig erscheinen, aber dennoch ineffizient sind. **Was dies 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 führt über Beleuchtung, Geräte, Steckdosenlasten, interne Wärmeeinträge und wechselnde Nutzungsweisen von Räumen zu zusätzlicher Variabilität. In manchen Gebäuden erzeugen auch Informationstechnologie-(IT)- oder prozessbezogene Lasten eigene Betriebsregime. Diese Effekte können den Verbrauch von rein umweltgetriebenen Faktoren entkoppeln und mehrere gültige Muster normalen Verhaltens erzeugen. **Was dies für die Anomalieerkennung bedeutet:**\ Die Methode sollte belegungsbezogenen und internen betrieblichen Kontext berücksichtigen. Andernfalls können legitime Änderungen in der Gebäudenutzung fälschlich als Anomalien angesehen werden. #### Zeitliche Abhängigkeit und Persistenz Gebäudeenergie-Zeitreihen hängen stark von der jüngeren Vergangenheit ab. Thermische Trägheit, Hochlaufverhalten und anhaltende Hochlastzustände erzeugen eine glatte zeitliche Struktur und eine starke kurzfristige Vorhersagbarkeit. Gleichzeitig kann diese Persistenz langsam entstehende Fehler oder anhaltende Ineffizienzen in ansonsten glatten Verläufen verbergen. **Was dies für die Anomalieerkennung bedeutet:**\ Nicht alle wichtigen Anomalien sind plötzliche Spitzen. Die Methode sollte auch langsame und anhaltende Abweichungen erkennen können, bevor sie vom scheinbaren Basisniveau absorbiert 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 sich wiederholenden betrieblichen Fingerabdruck. **Was dies für die Anomalieerkennung bedeutet:**\ Eine nützliche Methode sollte kontextbezogene Verstöße gegen erwartete Muster erkennen, etwa einen werktagsähnlichen Verbrauch an einem Wochenende, anstatt sich nur auf absolute Abweichungen zu verlassen. #### Statistische Verteilung und Nichtstationarität Reale Gebäudeenergiedaten sind selten um eine einzige einfache Normalverteilung zentriert. Sie zeigen oft mehrere Betriebsmodi, schiefe Verteilungen und sich über die Zeit verändernde Baselines. Saisonübergänge, Anlagenverschleiß sowie Änderungen bei Belegung oder Betrieb verschieben alle das Erscheinungsbild des normalen Verhaltens.

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

**Was dies für die Anomalieerkennung bedeutet:**\ Eine einzelne feste Baseline oder ein einfacher Ein-Bereich-Begriff von Normalität reicht oft nicht aus. Die Methode sollte mehrere gültige Betriebsregime handhaben, sich an veränderndes normales Verhalten im Laufe der Zeit anpassen und mischungsähnliches Verhalten erfassen, statt von einer einfachen Verteilung auszugehen. #### Datenerfassung und semantische Struktur Gebäude-Telemetrie ist nicht nur ein Strom von Zahlen. Sie wird über eine technische Messkette erfasst und ist üblicherweise mit einer Asset-Hierarchie aus Standorten, Gebäuden, Etagen, Systemen und Geräten verknüpft. Diese semantische Struktur verleiht den Daten ihre betriebliche Bedeutung und hilft, Messungen mit realen technischen Komponenten zu verknüpfen. **Was dies für die Anomalieerkennung bedeutet:**\ Erkannte Anomalien sollten idealerweise innerhalb der Asset-Hierarchie interpretiert werden, damit Nutzer von einer übergeordneten Energieabweichung zu wahrscheinlich beitragenden Systemen oder Assets gelangen können. #### Kontinuität der Daten und Übertragungsartefakte Nicht jedes ungewöhnliche Muster spiegelt ein echtes Gebäudeproblem wider. Kommunikationsausfälle, fehlende Werte, verzögerte Übertragung oder gepufferte Wiederübertragung können virtuelle Spitzen oder Lücken in den Daten erzeugen, die nicht dem tatsächlichen physikalischen Verhalten entsprechen. **Was dies für die Anomalieerkennung bedeutet:**\ Die Methode sollte nach Möglichkeit reale Betriebsanomalien von Telemetrie-Artefakten unterscheiden. Andernfalls untersuchen Nutzer möglicherweise Datenqualitätsprobleme statt Gebäudeprobleme. #### 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 klar markiert, welche früheren Ereignisse normal und welche anomal waren. Aus diesem Grund wird Anomalieerkennung in Gebäuden meist als halbüberwacht und nicht als vollüberwacht behandelt. Die praktische Annahme ist, dass historische Daten größtenteils gesund sind, und dieses historische Verhalten wird verwendet, um eine erwartete Baseline zu lernen. Erkannte Abweichungen von dieser Baseline werden dann als potenzielle Anomalien betrachtet. Diese Annahme ist nicht perfekt, da historische Daten bereits unbemerkte Ineffizienzen oder Fehler enthalten können. Dennoch ist sie meist der praktikabelste Ausgangspunkt. Mit der Zeit kann Nutzerfeedback den Prozess verbessern, indem Anomalien als bestätigt oder falsch markiert werden und das System so ähnliche zukünftige Fälle besser handhaben kann. **Was dies 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 bewältigen muss In ihrer Gesamtheit zeigen diese Eigenschaften, warum Anomalieerkennung in Gebäuden mehr ist als schlichtes Schwellenwert-Alarmieren. Ein nützlicher Ansatz muss: * Energieverhalten im Kontext interpretieren * mehrere gültige Betriebsmodi handhaben * gegen Persistenz und Saisonalität robust bleiben * sich an veränderte Baselines anpassen, ohne Fehler zu schnell zu absorbieren * physische Anomalien von Datenartefakten trennen * Untersuchungen entlang der Asset-Hierarchie unterstützen * auch dann funktionieren, wenn gelabelte Anomaliedaten knapp sind Deshalb sollte Anomalieerkennung in Gebäuden auch als Interpretationsproblem für den Betrieb und nicht nur als Erkennungsproblem verstanden werden. 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 Fehlermodi, die in [-> Von Gebäudedaten zu Detektionsherausforderungen](/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). Sie werden dann auf den Produktansatz in [-> Wie BuildingPro Suites die Herausforderungen der Anomalieerkennung bewältigt](/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). ## Fazit Wie Sie sehen, ist die Anomalieerkennung in Gebäuden komplexer als nur das Finden ungewöhnlicher Werte. Gebäudedaten sind kontextabhängig, verändern sich über die Zeit und spiegeln eine Kette von der Nachfrage über Regelung und Anlagen bis hin zum gemessenen Energieverbrauch wider. Ein nützlicher Ansatz muss daher Kontext, Persistenz, veränderte Baselines, Datenqualität und den Unterschied zwischen dem Erkennen einer Anomalie und dem Finden ihrer Ursache berücksichtigen. Idealerweise sollte er auch helfen, finanzielle Auswirkungen abzuschätzen, damit Anomalien priorisiert werden können. Kurz gesagt geht es bei guter Anomalieerkennung in Gebäuden nicht nur darum, das Ungewöhnliche zu erkennen, sondern darum, das betrieblich und finanziell Relevante zu erkennen. Im Produkt erscheint dies in [-> Energie-Anomalieerkennung](/collection/german/suiten/energy-and-sustainability-intelligence/energy-anomaly-detection.md) und [-> Anomalie-Center](/collection/german/suiten/energy-and-sustainability-intelligence/energy-anomaly-detection/anomaliezentrum.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-ki-und-maschinelles-lernen-in-buildingpro-suites/maschinelles-lernen/einfuhrung-in-die-anomalieerkennung-in-intelligenten-gebauden/gebaudedaten-verstehen.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.