Die Nutzung von Gebäuden ist für einen großen Teil des weltweiten Energieverbrauchs verantwortlich, weshalb die EU große europäische Immobilienhalter dazu auffordert, ihre Objekte mit Messsensorik aus- oder nachzurüsten, um Verbräuche messbar und die Gebäude optimierbar zu machen. Aus diesen neuen Datenströmen ist zusätzlicher Mehrwert zu schaffen, etwa könnten sie in Echtzeit analysiert und auf anormales Verhalten geprüft werden, um frühzeitig energie- und instandhaltungsrelevante Gebrechen erkennen und Maßnahmen ergreifen zu können.Diese Forschungsarbeit prüft mittels Anwendung von Machine-Learning Modellen sowohl die Machbarkeit dieser Idee, als auch welche dieser Modelle sich am besten für die Anomalienerkennung und Anomalienklassifizierung eignen. Die zugrundeliegenden Forschungsmethoden bilden Experteninterviews, eine umfassende Literaturrecherche und das Testen und Vergleichen der vielversprechendsten Algorithmen. Weiters wurde im Zuge dieser Arbeit eine ganzheitliche Systemarchitektur entwickelt, die die einzelnen Modelle in einem Softwareprototypen zusammenschließen.Die Ergebnisse zeigen, dass der XGBoost Algorithmus sowohl bei der Verbrauchsdatenvorhersage als auch beim Klassifizieren der Anomalien die höchste Genauigkeit aufweist, sehr robust in der Anwendung ist und geringe Rechenkapazitäten benötigt. Nichtsdestotrotz zeigen auch die getesteten LSTM-, GRU-, TCN-, Auto-Encoder- und Transformer-Modelle für Teilbereiche sehr gute Vorhersagegenauigkeiten.Da das Sammeln von Verbrauchsdaten gerade erst am Anfang steht und vergangene Anomalien nicht klassifiziert wurden, war die Studie teilweise durch den geringen Datenumfang limiert. Nichtsdestotrotz liefert diese Arbeit einen wertvollen Vergleich gängiger Machine-Learning Algorithmen im Bereich des Gebäudemanagements und präsentiert eine mögliche Grundlage für ein intelligentes und portfolioweites Verbrauchsdaten-Überwachungsprogramm.Schlüsselbegriffe: KI, Gebäude, Verbrauchsdaten, Anomalieerkennung
David Osl (Sun,) studied this question.