Využití umělé inteligence k maximalizaci odolnosti v infrastruktuře

Poznámka redakce: Toto je přepsaná verze komentářů Kevina Scarborougha k podcastu Energy Beat. Můžete si poslechnout kompletní rozhovory s podcasty zde.

Ve společnosti Siemens si uvědomujeme, že probíhá celosvětová energetická transformace. Jsme si touto transformací jisti, protože svou dlouhodobou strategii zakládáme na pěti globálních megatrendech: demografické změně, urbanizaci, glokalizaci, změně životního prostředí a efektivitě zdrojů a digitalizaci. Každý z nich bude mít významný dopad na energii - na to, jak ji generujeme, distribuujeme a využíváme. A jak všichni víme, společnosti upřednostňují obnovitelnou energii, energetickou účinnost a elektrifikaci svých aktiv.

Víme také, že tento přechod zatěžuje stávající energetickou a přenosovou i stavební infrastrukturu. Vyžaduje rychlou transformaci, aby byla zachována spolehlivost a udržitelnost těchto složitých systémů.

Stavební sektor představuje asi 40 procent celosvětové poptávky po energii a očekává se, že objem využitelných prostor v budovách po celém světě se do roku 2060 zdvojnásobí. To je spousta čtverečních metrů, která se chystá postavit, což zvyšuje poptávku po našich zdrojích. To je jeden z důvodů, proč se očekává, že poptávka po elektřině do roku 2050 ztrojnásobí. Jak tedy nedávno uvedl náš generální ředitel Smart Infrastructure Matthias Rebellius ve svém příspěvku pro Reuters Plus„Odolné dodávky energie získaly na důležitosti a staly se prioritou infrastruktury číslo jedna.“

Siemens to považuje za velkou příležitost pro budování a energetickou infrastrukturu, aby se stala inteligentnější pomocí umělé inteligence a vytvořila takový druh technologie připravené na budoucnost, o který usilujeme.

Využíváme a zkoumáme umělou inteligenci v rámci toho, čemu říkáme náš ekosystém Building X, abychom zlepšili poskytování zpráv o datech, což zase přináší zákazníkům vyšší energetickou účinnost a provozní výsledky. Jedním z příkladů by bylo použití generativní umělé inteligence, která pomůže identifikovat historii pracovních příkazů pro zařízení, aby pomohla upřednostnit údržbu a rychleji reagovat na potřeby údržby. Používáme také strojové učení k optimalizaci vzduchotechnických manipulátorů a klimatizačních jednotek v počítačových místnostech.

Jednoduše řečeno, žádáme AI, aby přemýšlela o spotřebě energie ve stavebnictví i budovách samotných. Ale stejně jako všude, tak i v tomto novém prostředí existují výzvy a příležitosti - zdůrazněné obrovskou potřebou správných dat.

Výzvy spojené s integrací AI do energetického a energetického průmyslu

Tři největší výzvy pro integraci umělé inteligence do energetického a energetického průmyslu jsou bezpečnost dat, správa dat a přílišné spoléhání se na AI.

Zabezpečení dat související s umělou inteligencí je do značné míry neregulované, takže se jedná o oblast příležitostí, ale i rizik. Příležitost by mohla vzniknout průmyslovým sdružením, jako je Americká společnost inženýrů pro vytápění, chlazení a klimatizaci (ASHRAE), aby vytvořily osvědčené postupy pro používání umělé inteligence v tomto odvětví. Mezi potenciální rizika v oblasti zabezpečení dat patří negativní aktéři využívající AI maligním způsobem, jako je hacking. Průmyslová odvětví musí rychle vylepšit svůj přístup k zabezpečení dat, aby tyto výzvy vyřešila. Data a rozhodnutí musí být auditovatelná a musí existovat kontrola přístupu k algoritmům založená na rolích, aby se zabránilo špatným aktérům v ovlivnění mozků používaného enginu AI.

Pokud jde o správu dat, aby byl průmysl efektivní a efektivní při dosahování výsledků, musí mít umělá inteligence jednotný výstup, zejména u generativní umělé inteligence. Správa kvalitních dat zahrnuje standardizované kategorizace dat, mechanismy podávání zpráv a komunikaci, zejména pokud AI komunikuje se systémem automatizace řízení budov. Snadná komunikace pomáhá zabránit vytváření datových sil, které brání sdílení klíčových dat.

Existuje však velké riziko ohledně přílišného spoléhání se na AI. Pokud se příliš spoléháme na AI, ztratíme klíčovou jiskru kreativity; vše bude založeno - a omezeno na - to, co je dodáváno do umělé inteligence. To může vést k předpojatosti a spokojenosti, zejména u generativní AI. Společnosti, které používají umělou inteligenci jako nástroj kreativity, tak úspěšně dělají pouze se za účasti a pod dohledem lidské mysli.

Konec konců, AI engine bude pouze tak chytrý jako data, která jsou do něj vložena.

Využití nejlepších dat k využití umělé inteligence ve stavebnictví a energetice

V jakémkoli typu využití AI v budovách a energetice jsou nejdůležitější data přesná, použitelná historická data, protože abychom předpovídali budoucnost, potřebujeme vědět, jak věci reagovaly nebo fungovaly v minulosti na různé podněty tohoto systému. Historická data mohou zahrnovat obrázky — například vložíte obrázky centrálního závodu do modulu AI, který vám pomůže prohledávat internet a hledat informace o návrhu zařízení nebo motoru.

Díky generativní umělé inteligenci může mít zprávy o pracovních objednávkách a úplnou historii údržby konkrétního systému poskytnout specialistovi - někomu, kdo je odborníkem na optimalizaci systému - schopnost rychleji řešit složitý problém, který může mít zákazník. U strojového učení je naprosto zásadní mít systém automatizace budov, který používá správné senzory a formátovaný se správnými trendovými daty a měřeními.

Přesnost dat i skutečně spolehlivé množství dat jsou nezbytné pro optimalizaci AI. Data o počasí lze například použít k rozhodování téměř v reálném čase pro centrální provozní plán nebo pro vzduchotechniku využívající strojové učení k výpočtu potenciálních úspor. Jedná se o přikývnutí k použití aplikačního programovacího rozhraní (API), digitálního prostředníka mezi dvěma aplikacemi, který umožňuje jednomu programu požadovat data nebo funkce od druhého, aniž by musel vědět, jak druhý systém funguje. Správci systému mohou vytvářet rozhraní API, která lze integrovat do aplikované umělé inteligence, což vede k větší škálovatelnosti, vylepšené funkčnosti a flexibilitě se schopností přizpůsobit výstupy tak, aby vyhovovaly specifickým potřebám uživatelů.

Stanovení správného množství historických dat pro AI

Jak zjistíte, jaký rozsah historických dat potřebujete? To záleží na tom, co se skutečně stalo, řekněme, za poslední tři roky. Je to dost, nebo opravdu potřebujete víc?

V mém prostředí jako energetického inženýra by většina manažerů chtěla mít užitná data za dva až tři roky. Ale pokud jste mi během pandemie COVID řekli, že chcete tři roky dat o službách, řekl bych vám, že roky 2020 a 2021 nebyly opravdu relevantní pro předpovídání toho, jak bude budoucnost vypadat, protože budovy byly v té době neobsazené.

Kolik historických dat potřebujete, závisí také na systému budovy, samotné budově a na tom, čeho se snažíte dosáhnout provozně. Příkladem toho je, když máte vzduchotechniku v konferenční místnosti, která potřebuje data. Pokud se v té konferenční místnosti koná jedna schůzka denně, pravděpodobně bych si vystačil s daty za dva týdny. Pokud byla venkovní teplota reprezentativní pro větší množství hodin při určité teplotě, měly by to být dostatečné údaje.

Mnoho úvah o historických datech závisí na aplikaci, ale energetičtí manažeři se musí vážně podívat na minulost a na to, jak globální události mohly formovat skutečnou kvalitu dat, která mají.

Využití umělé inteligence k řešení řízení zátěže a flexibility poptávky

Energetický průmysl se učí, jak využít strojové učení a AI pro velmi klíčové záležitosti optimalizace a správné dimenzování zatížení sítě a systémů. Hlavní roli v tom hraje také technologie digitálních dvojčat. Digitální dvojče může pomoci prodloužit životnost elektrických zařízení detekcí poruch v těchto systémech dříve, než se stanou problémem. AI může pohánět toto digitální dvojče zpracováním velkých datových sad nezbytných pro vytvoření dvojčat takových aktiv.

Další technologií, která může vstoupit do hry pro distribuci energie, je nabídka v rámci platformy Siemens Xcelerator: Electrification X. Tato nabídka, postavená na cloudových službách, je navržena tak, aby spravovala, optimalizovala a automatizovala elektrifikační infrastrukturu tím, že poskytuje holistický pohled na rozvodny a další aktiva. Sada funkcí Electrification X, nazvaná Electrification X Asset Management, využívá analýzu dat senzorů, která umožňuje vlastníkům a provozovatelům aktiv zvýšit dobu provozuschopnosti a spolehlivost, snížit provozní náklady a posílit kybernetickou bezpečnost.

Siemens má další nabídku nazvanou Gridscale X, která poskytuje snadno nasazitelný modulární software pro komplexní správu sítě a využívá AI k analýze obrovského množství dat sítě. Součástí této nabídky je Gridscale X DER Insights, která využívá AI k odhalení distribuovaných energetických zdrojů (DER) za měrou a hodnocení jejich chování a dopadu na zařízení sítě. To pomáhá s předpovídáním, analýzou a získáváním užitečných poznatků a jejich přeměnou na další kroky, které lze provést. To je cenné, protože pomáhá zákazníkům optimalizovat provoz DER, porozumět výkonu a stavu DER a maximalizovat odolnost podniku a sítě.

Držet náskok před hlavními trendy v AI

Manažeři průmyslu musí sledovat předpisy o umělé inteligenci, které přicházejí v USA i globálně, protože jistě ovlivní vývoj AI v budoucnu. To znamená, že se naše nynější práce s AI změní. Musíme také sledovat nové schopnosti a technologie umělé inteligence, jakmile budou online. Manažeři v oboru se musí rychle naučit, jak lze tyto nové prvky aplikovat na stavební a energetické operace, aby jejich hodnota mohla ovlivnit podnikání i zákazníky.

Nakonec musíme mít všichni otevřenou mysl o tom, co umělá inteligence dokáže. Přijměte změny, které přicházejí, a prosadme lidskou roli v AI. Můžeme být opatrní, ale neměli bychom se bát. Každý se může opřít o umělou inteligenci tím, že se o ní dozví vše, co může, a pokusit se rozvíjet své podnikání, používat ji tam, kde přidává hodnotu, zlepšuje provoz a prospívá zákazníkům.

Publikováno: 30. prosince 2025