Energetische Ausgangsbasis (Baseline)
Sie brauchen für ISO 50001 eine belastbare Baseline. Mit unserer Engine ist sie nicht nur belastbar — sondern auch ehrlich. Inkl. der berücksichtigten Einflussgrößen.
Werkzeug 2 · Vorhersagen
Forecasting Engine & EnPI.
Endlich Kennzahlen, die
Realität abbilden.
Multivariate Regression, ISO-50006-konform, alle 15 Minuten aktualisiert: Bis zu 94 % Forecast-Genauigkeit für Ihre EnPIs. Sie erkennen Abweichungen, bevor sie im Audit auffallen — und können erstmals belegen, dass Maßnahmen wirklich wirken.
EnPI mit Einflussgrößen — ISO 50006 endlich pragmatisch
Ihr Cockpit · Standort München
Live Einsparpotenzial
142.000 €
pro Jahr · Top-3-Maßnahmen
EnPI-Anomalie
Druckluft
+12 % über Erwartung · seit 3 Tagen
Audit-Bereitschaft
94 %
3 offene Punkte
CO₂ Scope 1+2
4.270 t
−18 % vs. Vorjahr · auf Kurs
2024
2025
Nächste Schritte
Potenzial-Scan
Audit-Modus
CSRD
Warum es ihn braucht
Die meisten EnPIs lügen.
Sie kennen das: Sie definieren eine Kennzahl wie „kWh pro Tonne produziertem Stahl" — und sie schwankt monatlich um 30 %. Nicht weil die Effizienz sich ändert, sondern weil die Außentemperatur schwankt, die Schichtmodelle variieren, die Materialien wechseln. Das Ergebnis: Sie sehen Effekte, die keine sind, und übersehen echte Effizienzgewinne.
Die ISO 50006 löst das auf dem Papier mit „multivariaten EnPIs" — Kennzahlen, die Einflussgrößen wie Produktionsmenge, Wetter, Schichtbetrieb herausrechnen. In der Praxis bleibt das oft eine Theorie, weil die nötigen Werkzeuge fehlen. Genau hier setzt unsere Forecasting Engine an.
Funktionsweise
Ein Modell, das mitlernt.
Die Forecasting Engine ist im Kern eine multivariate Regressions-Engine mit erweiterten Machine-Learning-Komponenten. Sie versteht, dass Ihr Energieverbrauch nicht nur „passiert", sondern abhängig ist von messbaren Einflussgrößen.
1
Baseline definieren
Sie wählen einen Referenzzeitraum (z.B. 12 Monate) und die relevanten Einflussvariablen. Typisch: Produktionsmenge, Außentemperatur, Wochentag, Schichtbetrieb.
2
Modell lernt
Die Engine berechnet die Zusammenhänge zwischen Verbrauch und Einflussgrößen. Heraus kommt ein mathematisches Modell, das voraussagt: „Bei diesen Produktionsbedingungen erwarten wir X kWh."
3
Live-Vergleich
Im laufenden Betrieb vergleicht die Engine permanent: Was wäre zu erwarten gewesen — und was passiert tatsächlich? Die Differenz ist Ihre echte Effizienzänderung.
4
Alarmierung
Wenn der tatsächliche Verbrauch deutlich vom erwarteten abweicht, wird eine Warnung ausgelöst. Sie merken Probleme, bevor sie zu großen werden.
5
Modell-Pflege
Nach Maßnahmen, Anlagenänderungen oder Produktionsumstellungen wird das Modell neu trainiert. Sie behalten die Vergleichbarkeit über Jahre.
Was Sie damit tun
Konkrete Anwendungsbeispiele.
Wirksamkeits-Nachweis von Maßnahmen
Sie haben einen neuen Kompressor installiert. Hat er den versprochenen Effekt? Die Engine zeigt, was sich verändert hat — bereinigt um alle anderen Einflüsse.
Frühwarnsystem
Anomalie-Erkennung: Wenn ein Aggregat zu viel zieht (Verschleiß? Falsche Einstellung?), bekommen Sie eine Warnung — oft Wochen vor dem Ausfall.
Vergleich zwischen Standorten
Welcher Ihrer Werke ist eigentlich effizient — relativ zu seinen Bedingungen? Multi-Site-Vergleich, fair gerechnet.
Audit-Kommunikation
Statt „der Verbrauch ist um 4 % gesunken" sagen Sie: „Der Verbrauch ist um 4 % gesunken, bereinigt um Produktionssteigerung von 8 % und milden Winter — echte Effizienzsteigerung: 12 %."
Forecast für Energieeinkauf
Bessere Verbrauchsprognosen führen zu besseren Beschaffungs-Entscheidungen. Weniger teure Ausgleichsmengen, mehr planbare Kosten.
Wie wir es bauen
Wie wir rechnen.
Erprobte Mathematik, transparent erklärt — keine Black Box.
- Lineare und multiple Regression als Grundlage
- Gradient-Boosted Trees für komplexe Nichtlinearitäten
- Saisonale Korrekturen via Fourier-Komponenten
- Konfidenzintervalle für Vorhersagen (nicht nur Punktschätzer)
- Automatische Modell-Validierung mit Cross-Validation
- Modell-Versionshistorie — alle Änderungen nachvollziehbar
Bis zu 94 % Genauigkeit
In typischen Industriestandorten erreichen wir Modellgenauigkeiten zwischen 88 % und 94 %. Das hängt von der Qualität der Eingangsdaten ab — die wir mit Ihnen Schritt für Schritt verbessern. Niedrigere Genauigkeiten sind ein Diagnose-Werkzeug: Sie zeigen, wo Datenlücken oder unbekannte Einflussgrößen sind.
Häufige Fragen
Was Sie zu diesem Werkzeug wissen wollen.
Brauchen wir spezielle Daten für die Forecasting Engine?
Im Grunde nur drei Dinge: Verbrauchsdaten in vernünftiger Auflösung (mindestens stündlich), Produktions-/Betriebsdaten, und Wetterdaten (die wir automatisch ergänzen).
Wie lange dauert das Modelltraining?
Initial-Training für einen typischen Standort: wenige Minuten. Wir empfehlen mindestens 12 Monate historische Daten für ein stabiles Baseline-Modell.
Ist das KI? Brauche ich KI-Wissen?
Im Kern ist es Statistik, mit KI-Komponenten verstärkt. Sie brauchen kein KI-Wissen — wir verbergen die Komplexität hinter einer einfachen Oberfläche. Wer tiefer einsteigen will, hat alle Optionen.
Können wir die Modelle für Auditoren exportieren?
Ja. PDF-Berichte mit Modellspezifikation, Validierungsergebnissen und Konfidenzintervallen — ISO-50006-konform.
Was passiert, wenn sich unsere Anlage grundlegend ändert?
Sie definieren einen „Modellbruch" — z.B. nach Roll-out einer neuen Linie. Die Engine startet ein neues Modell für die neue Phase, das alte bleibt historisch erhalten.
Nächster Schritt
Ihre EnPIs verdienen es, ehrlich zu sein.
Arne-Tobias Müller
Sales & Customer Success