Für die Optimierung des Gebäudeenergiemanagements ist es wesentlich, dass das zukünftige Verhalten der Prozesse im Gebäude (z.B. wie verhält sich die Temperatur, wenn geheizt wird) bekannt ist. Zur Modellierung dieser Prozesse ist meist großes Expertenwissen notwendig und das Ergebnis ist auf ein bestimmtes Gebäude oder eine Anlage zugeschnitten. Im Gegensatz dazu können die Modelle aber auch aus der immer größeren Fülle an Sensordaten mithilfe von lernenden Methoden erkannt und antrainiert werden.

In meinem Artikel werden zunächst die verschiedenen Kategorien an Vorhersagedaten identifiziert und als gemeinsames Framework in den Optimierungsprozess eingegliedert. Das Framework besteht aus mehreren Teilen:

1. Welche Modelle erzeugt und antrainiert werden sollen, wird anhand der Information in der Ontologie ermittelt.
2. Die Modelle in Form von künstlichen Neuronalen Netzen werden angelegt und antrainiert.
3. Fertige Modelle stehen der Optimierung zur Verfügung und liefern Datenprognosen.
4. Die Genauigkeit bzw. die Performance von Prognosen wird ermittelt, sobald die zugehörigen tatsächlichen Messdaten vorliegen.
5. Wird ein Schwellwert einer Performance-Kennzahl überschritten, wird das Neuronale Netz neu antrainiert bzw. die Konfiguration modifiziert.

Der Konferenzbeitrag befindet sich derzeit noch in Begutachtung. Über die Annahme zur Präsentation auf der Konferenz wird Anfang November entschieden.

Update: Der Beitrag wurde mittlerweile von den Reviewern begutachtet und für die Präsentation auf der Konferenz zugelassen.