> 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/prognose.md). # Prognose ## Einführung in die Prognose Prognose ist eine der praktischsten Formen des Machine Learning in intelligenten Gebäuden. Sie wird verwendet, um zukünftige Werte auf Grundlage historischer Daten und relevanter Kontexte zu schätzen. Im Gebäudebetrieb hilft Prognose Teams dabei, von der Reaktion auf Ereignisse hin zum Vorausdenken zu gelangen. Das unterstützt eine bessere Planung, frühere Eingriffe 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 verwertbare Erkenntnisse, prädiktive Werkzeuge und Intelligenz zu verwandeln \[1]. Prognose baut auf dieser Grundlage auf, indem Zeitreihendaten in nützliche zukunftsgerichtete Informationen umgewandelt werden. Diese Seite erklärt, was Prognose ist, warum sie im Kontext intelligenter Gebäude wichtig ist und wie Prognose in BuildingPro Suites eingesetzt wird, mit besonderem Fokus auf Energieprognose. ### Was ist Prognose? Prognose ist die Vorhersage zukünftiger Werte auf Grundlage historischer Beobachtungen. In einem Gebäudekontext bedeutet dies meist, eine Abfolge gemessener Werte über die Zeit zu betrachten und abzuschätzen, was als Nächstes wahrscheinlich passieren wird. Eine Prognose kann kurz- oder langfristig sein. Je nach Anwendungsfall kann sie verwendet werden, um die nächsten Minuten, den nächsten Tag oder die nächste Woche vorherzusagen. Das Ziel kann der Energieverbrauch, die Raumtemperatur, das nutzungsbezogene Verhalten, die Anlagenlast oder ein anderes zeitabhängiges Signal sein. Der Zweck von Prognose 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, damit Gebäudeteams handeln können, bevor Probleme in Alarmen, Kosten oder Komfortbeschwerden sichtbar werden. ### Warum wird Prognose im Kontext intelligenter Gebäude benötigt? Prognose ist in intelligenten Gebäuden besonders nützlich, weil viele betriebliche Entscheidungen davon abhängen, was als Nächstes zu erwarten ist, und nicht nur davon, was gerade geschieht. Gebäude sind dynamische Systeme. Der Energiebedarf ändert sich im Tagesverlauf. Temperaturen reagieren auf Belegung, Wetter und Systemeinstellungen. Technische Systeme folgen wiederkehrenden Zyklen, können sich aber auch verändern, wenn sich Betriebsbedingungen ändern. In großen Gebäuden und Portfolios sind diese Muster zu komplex, um sie allein durch manuelle Sichtung zu steuern. Prognose hilft, Fragen wie diese zu beantworten: * Wie viel Energie wird in den nächsten Stunden oder Tagen voraussichtlich verbraucht? * Wie wird sich die Raumtemperatur unter den aktuellen Bedingungen entwickeln? * Entspricht das aktuelle Systemverhalten dem, was wir erwarten sollten? * Wann wird die Nachfrage voraussichtlich steigen oder fallen? * Welche Abweichungen vom erwarteten Verhalten können auf ein Problem hinweisen? Dies passt gut zur Positionierung von BuildingPro Suites rund um prädiktive Werkzeuge, intelligentere datengetriebene Entscheidungen, Nachfragemodellierung und proaktive KI \[1]. ### Vorteile der Prognose Prognose bietet im Kontext intelligenter Gebäude mehrere wichtige Vorteile. #### Bessere Planung Prognosen helfen Nutzern, sich auf das Nächste vorzubereiten. Das ist nützlich für die Betriebsplanung, die Energieplanung und die Portfolioüberwachung. Statt erst zu reagieren, nachdem sich ein Wert geändert hat, können Teams mit einer Erwartung des zukünftigen Verhaltens arbeiten. #### Verbesserte Energieeffizienz Wenn der zukünftige Bedarf im Voraus geschätzt werden kann, lässt sich der Energieeinsatz aktiver steuern. Das hilft, Spitzen zu identifizieren, Verschwendung zu reduzieren und effizientere Regelstrategien zu unterstützen. #### Frühere Anomalieerkennung Eine Prognose definiert, was unter den aktuellen Bedingungen erwartet wird. Wenn der tatsächliche Wert später erheblich vom vorhergesagten Verhalten abweicht, kann dieser Unterschied als früher Hinweis darauf dienen, dass etwas Ungewöhnliches geschieht. #### Bessere Unterstützung der Regelung Prognosen sind nicht nur für menschliche Entscheidungen nützlich, sondern auch für digitale Workflows. Sie können in Dashboards, Vergleichen, Automatisierungslogik, Optimierungsabläufen oder als Eingabe für weitere Modelle verwendet werden. #### Skalierbarkeit über Anlagen und Portfolios hinweg Prognose ist besonders wertvoll in Plattformen, die viele Systeme und Standorte verbinden. Ein Prognoseansatz, der über verschiedene Gebäude und Anlagen hinweg funktioniert, kann eine konsistente Entscheidungsfindung in großem Maßstab unterstützen. ### Typische Anwendungsfälle für Prognose Prognose kann auf viele gebäudebezogene Zeitreihen angewendet werden. In BuildingPro Suites umfassen die dokumentierten Prognose-Anwendungsfälle bereits den 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 Betriebsplanung und Systemüberwachung * **Zustandsprognose** zur Erkennung von Abweichungen vom erwarteten technischen Verhalten * **Portfolio-Prognose** zum Vergleich zukünftiger Trends über mehrere Gebäude hinweg Von diesen ist die Energieprognose eine der wichtigsten und am weitesten verbreiteten Anwendungen. ### Energieprognose Energieprognose ist ein zentraler Anwendungsfall für intelligente Gebäude, da der Energieverbrauch zeitabhängig, betrieblich wichtig und eng mit Kosten, Nachhaltigkeit und Leistung verbunden ist. Der Energiebedarf von Gebäuden wird von vielen Faktoren beeinflusst, wie zum Beispiel: * Tageszeit * Wochentag * Jahreszeit * Wetterbedingungen * Belegung und Raumnutzung * Betriebszeiten * Anlagenverhalten Da diese Einflussfaktoren im Zeitverlauf zusammenwirken, eignet sich die Energieprognose besonders gut für Machine Learning. 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 Energieprognose verwendet werden für: * kurzfristige Schätzung des Energiebedarfs * frühe Erkennung ungewöhnlichen Verbrauchsverhaltens * bessere Planung von Beschaffung oder betrieblichen Reaktionen * Vergleiche zwischen erwartetem und tatsächlichem Wert * Unterstützung von Effizienz- und Optimierungs-Workflows Die Prognosedokumentation von BuildingPro Suites beschreibt bereits die Vorhersage von Strom-, Gas- oder Wasserverbrauch als typischen Anwendungsfall und weist darauf hin, dass Merkmalsattribute wie Stunde des Tages, Wochentag und Außentemperatur das Ergebnis verbessern können \[2]. ### Prognose in BuildingPro Suites Prognose in BuildingPro Suites ist darauf ausgelegt, Zeitreihenvorhersagen in realen Gebäudebetrieben praktisch und nützlich zu machen. Die Plattform bietet dafür bereits wichtige Grundlagen. Sie integriert Daten aus Gebäudeautomation, HVAC, Energie, IT, OT und Drittsystemen und strukturiert diese Daten über Tags, Assets, Attribute und Punkte \[1]\[2]. Dadurch kann Prognose nicht als isoliertes Modellergebnis genutzt werden, sondern als Teil eines umfassenderen betrieblichen Systems. 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 steuern. ### Foundation-Model-basierte Prognose Der Prognoseansatz, den wir in unserer aktuellen KI- und ML-Arbeit verwenden, geht über klassische aufgabenspezifische Zeitreihenmodelle hinaus. Wir verwenden modernste **Zero-Shot-Zeitreihen-Foundation-Modelle** für Prognosen. Diese Modelle sind auf sehr große Mengen gebäudebezogener Zeitreihendaten vortrainiert und können daher über verschiedene Prognoseaufgaben und unterschiedliche Gebäudekontexte hinweg gut generalisieren. Das verändert die praktische Arbeitsweise der Prognose. Traditionelle Prognose-Pipelines erfordern oft, dass für jedes Signal oder jeden Anwendungsfall ein separates Modell trainiert wird. Außerdem sind sie stark davon abhängig, dass genügend lokale historische Daten vorhanden sind, bevor sie nützlich werden. Im Gegensatz dazu starten Zero-Shot-Zeitreihen-Foundation-Modelle mit einem deutlich stärkeren Vorwissen. Da sie während des Vortrainings breite Zeitreihenstrukturen gelernt haben, können sie selbst dann sehr nützliche Prognosen erzeugen, wenn nur begrenzte lokale Daten verfügbar sind. Das ist besonders wertvoll in intelligenten Gebäuden, in denen manche Anlagen über umfangreiche historische Daten verfügen, während andere nur kurze Historien, sich ändernde Bedingungen oder unregelmäßige Betriebsabläufe haben. ### 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 sein. Das macht sie in realen Gebäudeanwendungen deutlich praktischer, insbesondere wenn eine neue Anlage, ein neuer Standort oder ein neuer Anwendungsfall hinzukommt. #### Starke Zero-Shot-Generalisierung Ein Zero-Shot-Modell kann nützliche Vorhersagen erzeugen, ohne für jedes neue Signal einen eigenen erneuten Trainingszyklus zu benötigen. 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 Anlagenverhalten entwickelt sich weiter. Ein starkes Prognosemodell muss unter sich änderndem Kontext nützlich bleiben. Foundation-Modelle sind hier besonders wertvoll, weil sie sich gut und schnell an neue Daten anpassen, ohne auf häufiges erneutes Trainieren separater lokaler Modelle angewiesen zu sein. #### Weniger betrieblicher Aufwand Wenn für jede Prognose ein individuelles Modelltraining erforderlich ist, wird die Wartung komplex und teuer. Ein Foundation-Model-basierter Ansatz reduziert diesen Aufwand und ermöglicht eine besser skalierbare Prognosearchitektur. ### Die Rolle des Kontexts Die Prognosequalität verbessert sich, wenn das Modell mehr versteht als nur die Ziel-Zeitreihe selbst. In BuildingPro Suites kann Prognose kontextbezogene Merkmale nutzen, um die Vorhersagekraft zu verbessern. Beispiele für nützlichen Kontext sind: * Wetterdaten * Außentemperatur * Personenzahl * belegungsbezogene Signale * Systemzustand * zeitbasierte Merkmale wie Stunde des Tages oder Wochentag * andere betriebliche Signale im Zusammenhang mit dem Prognoseziel Das ist in Gebäuden besonders wichtig, weil viele Zielvariablen nicht nur von ihrer eigenen Historie abhängen. Der Energiebedarf 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 relevanter Kontext einbezogen wird, wird die Prognose genauer und robuster. Die dokumentierte Forecast App unterstützt bereits Merkmalsattribute und zeitbasierten Kontext und erwähnt optionale Eingaben wie Außentemperatur und andere 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 in intelligenten Gebäuden ist Veränderung. Ein Modell kann unter einem bestimmten Satz von Bedingungen gut funktionieren, aber weniger zuverlässig werden, wenn sich Nutzungsprofile, Wetterbedingungen oder das Anlagenverhalten ändern. Aus diesem Grund ist Anpassungsfähigkeit entscheidend. In unserem aktuellen Prognoseansatz sind die Modelle darauf ausgelegt, sich gut an neue eingehende Daten und einen sich ändernden betrieblichen Kontext anzupassen. Sie sind nicht in derselben Weise wie viele traditionelle Prognosesysteme auf ständige erneute Trainingszyklen angewiesen. 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 intelligenten Gebäuden, in denen über längere Zeiträume keine stabilen Bedingungen angenommen werden können. ### Fazit Prognose ist eine Schlüsselkompetenz in intelligenten Gebäuden, weil sie hilft, zukünftiges Verhalten abzuschätzen und Zeitreihendaten in praktischen betrieblichen Mehrwert zu verwandeln. Sie unterstützt bessere Planung, höhere Effizienz, frühere Anomalieerkennung und proaktivere Entscheidungsfindung. In ABB Ability™ BuildingPro Suites baut Prognose auf den Stärken der Plattform in Bezug auf verbundene Daten, strukturierten Kontext und integrierte Intelligenz auf \[1]\[2]. Sie ist besonders relevant für die Energieprognose, bei der zukünftige Nachfrage- und Verbrauchsmuster zentral für betriebliche und Nachhaltigkeitsziele sind. Unsere aktuelle KI- und ML-Ausrichtung führt dies durch Zero-Shot-Zeitreihen-Foundation-Modelle weiter. Diese Modelle sind im Gebäudebereich äußerst nützlich, da sie genaue Prognosen mit wenig lokalen Daten liefern, kontextbezogene Eingaben wie Wetter und Personenzahl einbeziehen können und sich schnell an veränderte Bedingungen anpassen, ohne auf wiederholtes erneutes Trainieren angewiesen zu sein. Dadurch 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-ki-und-maschinelles-lernen-in-buildingpro-suites/maschinelles-lernen/prognose.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.