Forecasting

Was ist Forecasting?

Forecasting bezeichnet die Vorhersage zukünftiger Werte auf Basis historischer Zeitreihen. Mittels statistischer und maschineller Lernverfahren werden Muster in Vergangenheitsdaten erkannt, um daraus Prognosen zu generieren – beispielsweise für Energie­verbräuche, Temperaturen oder Belegungsgrade.

Wofür wird Forecasting in Smart Buildings gebraucht?

Im Gebäudemanagement liefert Forecasting die Grundlage für vorausschauende Betriebs­strategien:

• Lastspitzen­glättung: Vermeidung hoher Netz­bezüge zu Spitzenzeiten durch frühzeitige Schalthandlungen.

• Predictive Maintenance: Vorhersage von Anlagen­ausfällen (z. B. Vibrations- oder Druckspitzen) und automatische Ticket­anlage vor realem Schaden.

• Komfort­optimierung: Sanftes Vor- oder Nachheizen/Kühlen, um gewünschte Temperatur­bänder einzuhalten, ohne hektisches Nachregeln.

• Belegungs­prognosen: Anpassung von Lüftungs- und Beleuchtungs­plänen an erwartete Nutzerzahlen.

• Tarifmanagement: Verlagerung von Verbrauch in günstige Zeitfenster bei variablen Stromtarifen.

---

Wie setzen wir Forecasting bei Eliona um?

In unserer ➔ Forecast-App genügt es,

1. Zielattribut (z. B. „Stromverbrauch Zähler X“) und ggfs. Zusatzgrößen (Außentemperatur, Wochentag, Belegung) auszuwählen,

2. die gewünschte Prognosedauer festzulegen.

Anschließend generiert die App automatisch Forecast-Attribute, die sich exakt wie Sensordaten verhalten – nutzbar in Dashboards, Regelketten oder Analytics.

---

Welche Technologien verwenden wir – und warum?

• LSTM (Long Short-Term Memory)

  • Warum: LSTM-Netzwerke sind in der Lage, nichtlineare Zusammenhänge und lange zeitliche Abhängigkeiten zu modellieren, ohne am Verschwinden des Gradienten zu scheitern.

  • Vorteile für Smart Buildings:

    • Erfassen komplexer Interaktionen (z. B. Öffnungszeiten × Temperatur × Belegung).

    • Robust bei vielen Zusatzmerkmalen und verlängerten Prognosehorizonten.

  • Praxisbeleg: Multi-Layer LSTM mit Denoising erzielte in aktuellen Studien 15–30 % höhere Genauigkeit für Gebäudeenergieprognosen ➔arXiv[Extern].

• SNARIMAX (Seasonal Non-linear ARIMAX)

  • Warum: SNARIMAX integriert saisonale Muster, Auto-Regressions- und Moving-Average-Anteile sowie exogene Einflussgrößen (z. B. Wetter, Wochentag) in einem einzigen, online-fähigen Modell ➔MDPI[Extern].

  • Vorteile für Smart Buildings:

    • Geringer Datenbedarf und robuste Baseline bei kurzen Historien.

    • Schnelle Anpassung an Live-Daten (inkrementelle Updates).

• Auto-Modus: Unsere App vergleicht beide Verfahren im Backtest und setzt automatisch den leistungsstärkeren Motor ein.

---

Fazit: Durch die Kombination von LSTM für nichtlineare, langzeitige Muster und SNARIMAX für saisonale, erklärbare Baselines bietet Eliona eine hochflexible, niedrigschwellige Forecast-Lösung. Damit ermöglichen wir vorausschauende Steuerung und echte Predictive-Use-Cases – ohne ML-Expertise und in wenigen Klicks.