> 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/success-stories/energy-optimization-using-artificial-intelligence.md).

# Energieoptimierung mit künstlicher Intelligenz

KI-basierte Energieoptimierung über ein internationales Finanzportfolio hinweg.

**Branche:** Bankwesen und Finanzwesen\
**Organisation:** Internationales Finanzinstitut\
**Umfang:** 14 Gebäude, mit geplantem Ausbau auf mehr als 100\
**Jahr:** 2024

## Auf einen Blick

| Kennzahl            | Ergebnis                                                             |
| ------------------- | -------------------------------------------------------------------- |
| Energieeinsparungen | 27 % in den ersten drei Monaten                                      |
| Proof of Concept    | Bis zu 25 % Einsparungen in einem Gebäude                            |
| Optimierte Gebäude  | 14, Ausbau geplant                                                   |
| Datengrundlage      | Semantische Harmonisierung über heterogene Gebäudeleitsysteme hinweg |

## Übersicht

Ein internationales Finanzinstitut wollte die Betriebskosten senken und die Nachhaltigkeitsbewertungen seines bestehenden Gebäudeportfolios verbessern. BuildingPro Suites verbindet heterogene Gebäudeleitsysteme, schafft transparente Verbrauchsbaselines und stellt die strukturierten Daten bereit, die für eine cloudbasierte KI-Optimierung erforderlich sind.

## Von der Überwachung zur Optimierung

Durch die Überwachung wurden zunächst Verbrauchsmuster und Verbesserungspotenziale sichtbar. Anschließend wurde für jedes Gebäude ein digitaler Zwilling erstellt, der die Energieflüsse anhand historischer Verbrauchsdaten, aktueller und historischer Wetterdaten sowie Belegungsdaten modelliert.

Die KI identifiziert ineffizienten Betrieb und berechnet optimierte Sollwerte, die an die Gebäudeleitsysteme zurückgegeben werden. So wird aus der Portfolioanalyse eine aktive betriebliche Verbesserung statt einer reinen Berichterstattung.

## Semantische Datengrundlage

Die vorhandene BMS-Landschaft umfasste unterschiedliche Systeme, Versionen und Datenstrukturen. BuildingPro Suites organisiert, kennzeichnet und übersetzt eingehende Daten in ein ontologisches semantisches Modell. Diese einheitliche Grundlage ermöglicht den Einsatz von Optimierungsmethoden über mehrere Gebäude hinweg, ohne jeden Datenpunkt als individuelle Sonderintegration behandeln zu müssen.

## Skalierung und Ausfallsicherheit

Das Projekt zeigte, dass Datenqualität und Relevanz wichtiger sind als die Erfassung einer möglichst großen Anzahl von Datenpunkten. Je nach Gebäude verwenden die KI-Modelle weniger als 1.000 oder bis zu 15.000 Datenpunkte. Containerisierte Dienste, Sicherheitsprüfungen und Store-and-Forward-Kommunikation unterstützen eine sichere Ausweitung auf mehr als 100 Gebäude und gewährleisten bei Unterbrechungen einen Audit-Trail.

Das Ergebnis waren insgesamt 27 % Energieeinsparungen während der ersten drei Betriebsmonate. Vorausgegangen war ein Proof of Concept, bei dem in einem Gebäude Einsparungen von bis zu 25 % erzielt wurden.

[-> \[Externer Link\] Die vollständige Erfolgsgeschichte lesen](https://stage.advisor.buildings.ability.abb/success-stories/finance-energy-optimization)

Dieser Anwendungsfall wurde vom Systemintegrator zum Leben erweckt: [Leiq](https://leiq.ch/).


---

# 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 by asking a question.

Perform an HTTP GET request on the following URL with the `ask` and `goal` query parameters:

```
GET https://docs.buildings.ability.abb/collection/german/success-stories/energy-optimization-using-artificial-intelligence.md?ask=<question>&goal=<user_goal>
```

`ask` is the immediate question: it should be specific, self-contained, and written in natural language.
`goal` is what the user is ultimately trying to achieve, the reason they need the answer. Sharing it helps GitBook give you a better, more relevant answer. A goal is most helpful when it describes the outcome the user wants rather than restating the question. For example, with `ask=how do I create an API token`, a goal like `automate deployments from our CI pipeline` lets GitBook tailor the answer to that use case.

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.
