Neue KI- und Machine-Learning-Funktionenim Energy Monitor
Entwickler-Update 06/2026
Mit den Predictive Analytics und dem OPTENDA Copilot erweitern nun zwei neue, umfangreiche Module die Energy Monitor Software. Während die Predictive Analytics auf Machine Learning basieren und damit mehr Erkenntnisse aus den erfassten Energiedaten liefern, nutzt der OPTENDA Copilot KI, um Reportings und Analysen per Textanweisung bereitzustellen.
In diesem Entwickler-Update geht es darum, wie KI und Machine Learning zusammenhängen, für welche Anwendungsfälle sich welche Technologie am besten eignet und was dabei auf keinen Fall vergessen werden darf.
Wie KI und Machine Learning zusammenhängen
Künstliche Intelligenz ist der Oberbegriff für Technologien, die Aufgaben unterstützen, für die sonst menschliche Bewertung oder Mustererkennung notwendig wäre. Machine Learning (ML) ist ein Teilbereich davon: Systeme lernen aus vorhandenen Daten und erkennen darin wiederkehrende Zusammenhänge. Im Energiemanagement bildet ML damit eine fachliche Grundlage, um Verbrauchsdaten nicht nur darzustellen, sondern gezielter auszuwerten und für weiterführende Analysen nutzbar zu machen.
Einsatzgebiete von Machine Learning im Energiemanagement
In der Praxis wird Machine Learning vor allem dort relevant, wo Verbräuche schwanken, Lastgänge komplex sind oder Auffälligkeiten früh erkannt werden sollen. ML-Modelle können historische Energiedaten mit weiteren Einflussgrößen verknüpfen und daraus nutzbare Hinweise ableiten. Typische Einsatzgebiete sind Verbrauchsprognosen, die Erkennung ungewöhnlicher Verbräuche, die Analyse von Lastprofilen oder die Identifikation langfristiger Trends. Dadurch können Energiemanager Entwicklungen schneller einordnen und gezielter reagieren.
Übrigens: Eine ML-Funktion, die wir bereits seit November 2019 in den Energy Monitor integriert haben, ist die Regressionsanalyse. Mit dieser Funktion lassen sich Energieeinsparungen unabhängig von äußeren Einflussfaktoren nachweisen. Mehr dazu erfahren Sie im ausführlichen Beitrag über die multivariate Regressionsanalyse – hier geht es weiter mit dem neuen Machine-Learning-Modul für den Energy Monitor.
Neue Auswertungen für Abweichungen, Trends und Lastspitzen mit den Predictive Analytics
Das neue Energy Monitor Modul Predictive Analytics ergänzen die bestehenden Auswertungen in der Software um zusätzliche Algorithmus-Schichten. Neben der rückblickenden Betrachtung von Verbrauchsdaten lassen sich damit auch Entwicklungen, Abweichungen und mögliche Lastspitzen besser einordnen. Im Modul stehen verschiedene Methoden mit unterschiedlichen Funktionen zur Verfügung:
- Prognosen
- Anomalieerkennung
- Grund- und Spitzenlastanalyse
- Mustererkennung
Die Auswertungen laufen im Hintergrund und liefern aus Zeitreihendaten automatisch interpretierte Erkenntnisse, wodurch der Nutzer direkt priorisierte Handlungsempfehlungen erhält.
Mehr Informationen zum neuen Modul finden Sie auf unserer Website unter Energy Monitor Predictive Analytics.
Systemintegrierte Unterstützung im Energiemanagement mit dem OPTENDA Copilot
Während die Predictive Analytics gezielte Analysen für konkrete Anwendungsfälle oder Zählstellen bereitstellen, ist der OPTENDA Copilot darauf ausgelegt, als systemintegrierter KI-Assistent beim alltäglichen Arbeiten zu unterstützen. Nutzer können also umfassende Reportings und Analysen per Textanweisung anfragen, anstatt Auswertungen manuell zusammenstellen zu müssen. Der OPTENDA Copilot greift dabei auf die im System vorhandenen Messdaten sowie auf die Software-Dokumentation und weitere Quellen wie z.B. die ISO-50001-Norm, BAFA-Richtlinien oder das GHG Protocol zurück. Dadurch entstehen datenbasierte und nachvollziehbare Ergebnisse, die Routinearbeit reduzieren und Analysezyklen beschleunigen.
Mehr Informationen finden Sie auf der Modulseite über den OPTENDA Copilot.
Nicht vergessen: Belastbare Ergebnisse brauchen verlässliche Daten
Sowohl die Predictive Analytics als auch der OPTENDA Copilot arbeiten mit den im System hinterlegten Energiedaten. Damit die daraus abgeleiteten Analysen belastbar sind, ist eine zentrale Voraussetzung, dass diese Daten verlässlich, vollständig und plausibel sind. Wie sich das im Energy Monitor prüfen und kontrollieren lässt, haben wir bereits im Entwickler-Update zum neuen Datenqualitätsbereich vorgestellt.
Neben der Qualität spielt aber auch die Datenmenge eine Rolle: Je breiter die Messbasis ist, desto differenzierter können Zusammenhänge erkannt werden. Deshalb kann es sinnvoll sein, das bestehende Messkonzept um zusätzliche Zähler zu erweitern. Wenn Sie Fragen zur Auslegung, passenden Messtechnik oder deren Konfiguration haben, beraten und unterstützen wir Sie dabei gerne.
KI als Unterstützung im Energiemanagement
KI und Machine Learning können im Energiemanagement gezielt unterstützen und viel Analyseaufwand und manuelle Routinearbeiten abnehmen. Beide Technologien setzen dabei an unterschiedlichen Stellen an und liefern unterschiedlichen Mehrwert. Der OPTENDA Copilot und die Predictive Analytics können übrigens auch kombiniert werden, sodass sich ihre Stärken ergänzen und Prozesse noch stärker automatisieren.
Für eine individuelle Beratung, wie Sie in Ihrem Unternehmen von KI und Machine Learning profitieren können, kommen Sie gerne auf uns zu.
Weitere Updates in unseren Software-Lösungen
- Beim CSV-Import kann nun festgelegt werden, ob Zeitstempel den Beginn oder das Ende eines Messintervalls repräsentieren. Dadurch werden Messwerte auch bei Datenquellen mit abweichender Zeitstempel-Logik korrekt dem jeweiligen Aggregationszeitraum zugeordnet.
Haben Sie Fragen zu einem der Features? Schicken Sie uns gerne eine Nachricht!
Eine Übersicht mit allen Neuerungen in unseren Software-Lösungen finden Sie übrigens hier:


