Der Energiespitzenanstieg am Dienstagnachmittag. Der Kühler, der freitagabends ausfällt. Die Komfortbeschwerde, die am Tag nach dem Weggang des Prüfers eingeht. Wenn diese auf einem Monitoring-Dashboard auftauchen, sind sie bereits Probleme.
Das ist die Grenze des Monitorings. Es sagt, was gerade passiert ist. Es kann nicht sagen, was bevorsteht.
Prognosen ändern die Frage. Statt zu fragen, was das Gebäude gerade tut, fragt es, was es morgen, nächste Woche oder während der nächsten Hitzewelle tun wird. Die Antwort ermöglicht es einem Facility-Team, einem Problem zuvorzukommen, statt es nachträglich zu erklären.
Bei Gebäuden mit Hunderten oder Tausenden Sensoren zählt dieser Wandel. Die Daten sind bereits da. Die Frage ist, ob etwas die vorausschauende Arbeit damit leistet.
Warum Prognosen wichtiger sind als Monitoring
Ein modernes BMS produziert bereits einen Strom von Echtzeitwerten. Temperaturen alle paar Sekunden, Energie in feinen Intervallen, Anlagenstatus, Belegungssignale. Der Großteil dieser Daten hat ein kurzes Leben. Sie lösen einen Alarm aus oder werden in eine Datenbank geschrieben. So oder so sinkt der Wert jeder einzelnen Messung innerhalb weniger Minuten nach dem Eintreffen stark.
Prognosen verlängern die Nutzungsdauer der Daten. Die CO2-Messungen von gestern, die HVAC-Laufzeiten des letzten Monats und drei Jahre Energiezählerhistorie werden zu Eingaben für eine Vorhersage über morgen. Die Zahlen, die früher Archivmaterial waren, beginnen wieder zu arbeiten.
Der operative Unterschied zeigt sich daran, wie Teams ihre Zeit verbringen. Ein reaktiver Betrieb reagiert auf Ereignisse. Ein prädiktiver plant um sie herum. Die Stunden, die früher in Notfalleinsätze und nachträgliche Ursachenanalyse flossen, verschieben sich zu Planung, Vorbereitung und der Art von stressarmem Wartungsbetrieb, der weniger kostet und seltener ausfällt.
Was Sensorprognosen tatsächlich vorhersagen
Sensorprognosen sind keine einzelne Ausgabe. Es ist ein geschichteter Satz von Vorhersagen, jede an eine andere operative Frage gebunden.
Energiebedarf. Kurzfristige Prognosen (die nächsten 24 Stunden) informieren Day-Ahead-Marktteilnahme, Demand-Response-Teilnahme und Vermeidung von Spitzenlastgebühren. Mittelfristige Prognosen (die nächsten 7 Tage) speisen Wartungsplanung, Personal und Tarifmanagement. Saisonprognosen unterstützen Budgetplanung und Zertifizierungsberichte.
Temperatur- und Komfortverläufe. Eine Zone liegt gerade bei 21°C, aber wo wird sie in drei Stunden bei den aktuellen Sollwerten und dem ankommenden Wetter sein? Komfortverläufe decken Gebäude auf, die auf dem Dashboard in Ordnung aussehen, während sie dorthin driften, wo Bewohner es merken werden.
Anlagen-Degradationskurven. Sensoren liefern Signaturen, die sich ändern, wenn Anlagen verschleißen. Schwingungsmuster verschieben sich. Der Stromverbrauch steigt bei gleicher Leistung. Die Pumpeneffizienz sinkt monatlich um einen Prozentpunkt. Diese Kurven zu prognostizieren, ermöglicht einem Wartungsteam einzugreifen, bevor sich ein Ausfallfenster öffnet.
Spitzenlast-Timing. Die Größe einer Spitze zu kennen ist nicht dasselbe wie das halbstündige Intervall zu kennen, in dem sie eintrifft. Das Timing vorherzusagen, macht Lastverschiebung und Batterie-Dispatch sinnvoll.
Diese Prognosen sind nicht voneinander unabhängig. Sie hängen zusammen, weil das Gebäude es tut. Eine Hitzewelle verschiebt Komfortverläufe, was die HVAC-Last verschiebt, was das Spitzen-Timing verschiebt, was Anlagen anders belastet als eine milde Woche. Ein Prognosesystem, das sie isoliert behandelt, verpasst die Interaktionseffekte, die am meisten zählen.
So funktioniert es: von Zeitreihendaten zu konfidenzbegrenzten Vorhersagen
Eine Prognose ist die beste Schätzung des Modells für zukünftige Sensorwerte, bedingt durch das, was es zuvor gesehen hat, und was es über das Gebäude weiß.
Die Eingaben sind Zeitreihendaten: Temperaturen, Energiezähler, Luftstrom, Belegungs-Proxys, CO2, Anlagenlaufzeiten. Darüber liegt der Kontext, der die Daten bedeutungsvoll macht: Außenwetterprognosen, Kalendermuster, geplante Ereignisse, Belegungspläne des Gebäudes, Tarifstrukturen.
Das Modell lernt die Beziehungen zwischen diesen Eingaben und den Werten, die es vorhersagen soll. Manche Muster sind einfach. Außentemperatur treibt im Winter die Heizlast. Freitagnachmittag sinkt die Belegung früher als dienstags. Andere sind schwieriger. Die Wechselwirkung zwischen einer Sollwertänderung um 6 Uhr morgens und dem Energieverbrauch um 14 Uhr hängt von thermischer Masse, Wetter, internen Lasten und Anlagenverhalten in den dazwischenliegenden Stunden ab.
Was eine nützliche Prognose von einer Zahl auf dem Bildschirm unterscheidet, ist, was das Modell über seine eigene Unsicherheit sagt.
Eine Einzeilenvorhersage („Energiebedarf um 15 Uhr wird 412 kW betragen“) ist selten die nützlichste Ausgabe. Eine konfidenzbegrenzte Vorhersage schon. „Energiebedarf um 15 Uhr liegt zwischen 395 und 430 kW mit 90% Konfidenz“ sagt dem Operator, wie viel Spielraum er zur Planung hat. Ist das Band schmal, kann die Prognose einen straffen Zeitplan steuern. Ist es breit, weiß der Operator, Marge zu halten und die Eingaben zu prüfen.
FrostLogic Explore führt Prognosen über mehrere Horizonte (Stunden, Tage, Wochen, Saisons), jeweils mit expliziten Konfidenzgrenzen. Die Horizonte sind keine unabhängigen Läufe desselben Modells. Es sind verschachtelte Prognosen, die Information teilen, sodass ein überraschendes Kurzfristergebnis den längerfristigen Ausblick automatisch aktualisiert.
Konzeptionell liest sich das System so: historische Zeitreihe, plus externer Kontext, plus die physikalischen Beziehungen, denen das Gebäude folgt, alles speist eine probabilistische Prognose über einen gewählten Horizont. Die Bänder weiten sich, wenn die Unsicherheit weiter in die Zukunft wächst.
Anwendungen in der Praxis
Der Wert von Prognosen zeigt sich daran, was sich operativ ändert. Drei Beispiele.
Vorkühlung für einen erwarteten Hitzespitzenanstieg. Die Mittwochsprognose zeigt Außentemperaturen 6°C über dem Wochendurchschnitt, mit Spitzennetzpreisen am Nachmittag. Ohne Prognose reagiert das Gebäude. Kühlbedarf steigt in Spitzenpreiszeiten, Komfort driftet in den schlimmsten Stunden, und die Energierechnung trägt die Last. Mit Prognose startet der Kühler früher auf günstigem Nachtstrom, die thermische Masse des Gebäudes absorbiert die Last, und der Nachmittagsbedarf bleibt im Ziel. Die Einsparung kommt davon, auf eine Zukunft zu handeln, die das Gebäude bereits kommen sah.
Wartung geplant vor einem vorhergesagten Ausfallfenster. AHU-4 lief monatelang einwandfrei. Das Schwingungsprofil beginnt sich so zu verschieben, wie das Prognosemodell es aus früheren Lagerfehlern im Portfolio erkennt. Das System markiert ein wahrscheinliches Ausfallfenster in zwei bis vier Wochen, mit sich weitenden Konfidenzbändern. Das Wartungsteam bucht die Arbeit in Woche drei, vor operativem Impact, statt nachts am Samstag ein Notteam zu schicken.
Nachweis, dass eine Zertifizierungsschwelle nicht überschritten wird. Ein Prüfer will Belege, dass das Gebäude im nächsten Quartal in einer thermischen Komfort-Zertifizierungsband bleibt. Ein Monitoring-System kann historische Compliance zeigen. Eine Prognose kann projizierte Compliance unter erwarteten Bedingungen zeigen, wobei das Konfidenzband quantifiziert, wie viel Wettervariation das Gebäude absorbieren kann, bevor es aus dem Bereich driftet.
Jede dieser Anwendungen nutzt dieselben zugrunde liegenden Prognosen. Der operative Wert kommt aus der Anwendungsschicht, die eine Vorhersage in einen Plan verwandelt.
What-if-Simulation: Prognose trifft Szenarioplanung
Eine Prognose sagt, was passiert, wenn die Bedingungen ihrem erwarteten Verlauf folgen. Ein Szenario fragt, was passieren würde, wenn sie es nicht täten, oder wenn das Gebäude anders betrieben würde.
Hier wird Prognose zum Planungswerkzeug, nicht nur zum Frühwarnsystem. Nehmen Sie eine Frage wie: Was passiert mit den wöchentlichen Energiekosten, wenn wir den Kühl-Sollwert in belegten Stunden um 1°C anheben? Eine reine Prognose kann das nicht beantworten. Die Sollwertänderung ist kontrafaktisch. Sie bittet das Modell, ein Ergebnis unter Bedingungen vorherzusagen, unter denen das Gebäude nicht lief.
Kausale Modelle gehen über Korrelationen in historischen Daten hinaus. Sie kodieren, wie das Gebäude tatsächlich auf Änderungen reagiert. Eine Sollwertanpassung reduziert Kompressorlaufzeit, senkt Strombedarf, interagiert mit Spitzenpreisen und speist zurück in die Gesamtkosten. Die Beziehungen sind physikalisch, nicht nur statistisch, sodass das Modell auf einen Sollwert extrapolieren kann, den das Gebäude unter denselben Bedingungen noch nicht gesehen hat.
Explores kausale Intelligenzschicht lässt Operatoren diese Simulationen auf der Prognose laufen. Sie können fragen: Was, wenn wir die Morgen-Hochfahrung um 30 Minuten verzögern? Was, wenn Außentemperaturen 2°C über dem Saisonmittel liegen? Was, wenn AHU-3 in der Woche vom 12. Juni für Service offline geht? Jede Antwort kommt mit denselben Konfidenzgrenzen wie die zugrunde liegende Prognose, sodass die Planung ein Maß für ihre eigene Unsicherheit eingebaut hat.
Das zählt am meisten für Entscheidungen, die live nicht getestet werden können. Einen Sollwert zu senken, um zu sehen, was passiert, ist im Labor in Ordnung. In einem Gebäude mit Mietern ist es ein Risiko für die Kundenerfahrung. Das Ergebnis zuerst zu simulieren, macht aus einer Vermutung eine verteidigbare Entscheidung. Für den breiteren Kontext, wie prädiktive Intelligenz auf Standard-BMS-Daten aufsetzt, siehe unseren Beitrag zu building insights.
Einstieg in Sensorprognosen
Die praktischen Anforderungen für Prognosen in einem Gebäude sind geringer, als sie klingen.
Datenhistorie. Zwölf Monate Sensordaten sind eine nützliche Baseline. Sie erfasst Saisonalität, Wochen- und Wochenendmuster und mindestens einen vollen Kühl- und Heizzyklus. Gebäude mit weniger Historie können sofort Kurzfristprognosen erhalten. Die Saison-Schicht braucht nur länger zum Reifen.
Sensorabdeckung. Energiezähler, Innentemperaturen, Außenwetter-Feeds und Anlagenlaufzeitsignale sind das minimale sinnvolle Set. CO2 und Feuchtigkeit fügen Komfortdimensionen hinzu. Schwingungs- und Strommessungen fügen prädiktiven Wartungswert hinzu. Prognosen passen sich den Sensoren an, die ein Gebäude tatsächlich hat, nicht denen, die ein Anbieter sich wünscht.
BMS-Integration. Explores BMS-Analyse-Schicht liest aus bestehender BMS-Infrastruktur über Standardprotokolle (BACnet, Modbus, OPC UA, oBIX) und moderne APIs. Die Prognose-Workload läuft in der Cloud, während das BMS die Echtzeitregelung weiter übernimmt. Für Gebäude mit On-Premise-Beschränkungen oder spezifischen Data-Residency-Anforderungen sind Edge-Deployments für sensible Workloads eine Option.
Operative Übergabe. Eine Prognose, auf die niemand reagiert, ist Dashboard-Tapete. Der erste Monat des Rollouts konzentriert sich meist darauf, welche Prognosen das Facility-Team nutzen wird, welche Alarm-Schwellen sinnvoll sind und wie Vorhersagen in die Tagesroutine fließen. Prognosen werden genutzt, wenn sie an eine Entscheidung geknüpft sind, die jemand ohnehin treffen will.
Prognosen ersetzen kein Monitoring. Sie sitzen darauf. Das Gebäude braucht weiterhin zuverlässige Sensoren, saubere Datenpipelines und Operatoren, die die Systeme kennen. Was Prognosen hinzufügen, ist Zeit. Zeit, vor einer Hitzewelle zu handeln statt währenddessen. Zeit, Wartung zu planen statt auf einen Ausfall zu reagieren. Zeit, eine Compliance-Zahl mit Projektion zu verteidigen, statt eine Abweichung nach der Inspektion zu erklären.
Für technische Einkäufer, die Tools evaluieren, sind die langweiligen Fragen die richtigen. Wie breit sind die Konfidenzbänder bei einer typischen 7-Tage-Prognose für ein Gebäude wie unseres? Wie geht das Modell mit Sensorausfällen mitten in der Prognose um? Kann es erklären, warum sich eine bestimmte Prognose zwischen gestern und heute verschoben hat? Kann es Szenarien fahren, die sich sinnvoll von aktuellen Bedingungen unterscheiden? Die Marketing-Schicht beantwortet die erste Frage. Die anderen drei beantworten, ob dem System eine echte operative Entscheidung anvertraut werden kann.
FrostLogic Explore bringt Sensorprognosen, Szenariosimulation und konfidenzbegrenzte Vorhersagen in gewerbliche und industrielle Gebäude. Mehr über Sensor Intelligence oder sprechen Sie mit uns.
FrostLogic Explore bringt Sensor Intelligence, Szenariosimulation und Grounded AI in Gewerbe- und Industriegebäude. Mehr über Sensor Intelligence erfahren oder sprechen Sie es mit uns durch.
Neugierig, wie das bei Ihrem Gebäude aussehen würde?
Was verrät Ihnen Ihr Gebäude nicht?
Sagen Sie uns, was Sie herausfinden wollen: schleichend steigender Energieverbrauch, ein BMS, dem Sie nicht trauen, Compliance, der Sie hinterherlaufen. Wir hören erst zu und sagen Ihnen dann offen, ob Explore hilft. 30 oder 60 Minuten, Sie entscheiden. In jedem Fall unverbindlich.
