Building Intelligence

Machine Learning mit ProMoS NG

Seit mehreren Jahren arbeiten wir an KI-Lösungen im Bereich Gebäudeautomation.
Das Projekt wurde in der Startphase von InnoSuisse (finanziell) und der Hochschule Luzern (technisch) anfänglich unterstützt.

Idee:

Durch Nutzung von Machine-Learning-Algorithmen soll es möglich werden, folgende Themen abzudecken: 

  • Automatische Berechnung von dynamischen Grenzwerten
  • Automatisches Erkennen von Anomalien
  • Erstellen von Prognosen (z.B. Energieverbrauch)

     
Das System erkennt automatisch einen Mehrverbrauch (und passt die Grenzwerte automatisch an)
Das System berechnet den erwarteten Energieverbrauch und gibt Abweichungen aus

Folgende ML-Algorithmen sind aktuell implementiert:

  • AdaBoostRegressor
  • BaggingRegressor
  • DecisionTreeRegressor
  • ExtraTreesRegressor
  • GammaRegressor
  • GaussianPricessRegressor
  • GradientBoostingRegressor
  • HistGradientBoostingRegressor
  • HuberRegressor
  • KNeighborsRegressor
  • KernelRigde
  • Lars
  • LarsCV
  • LassoCV
  • LassoLarsCV
  • LassoLarcIV
  • LinearRegression
  • LinearSVR
  • MLPRegressor
  • NUSVR
  • OrthoganaMatchingPursuit
  • OrthoganaMatchingPursuitCV
  • PiecewiseRegressor
  • RANSACRegressor
  • RadiusNeighborsRegressor
  • RandomForestRegressor
  • RidgeCV
  • SVR
  • TheilSenRegressor
  • XGBoos

Das System sucht automatisch das optimale Modell mittels Metrik-Berechnung.