Brug af AI til at maksimere modstandsdygtighed i infrastruktur

Redaktørens note: Dette er en fortællende version af Kevin Scarboroughs kommentarer til Energy Beat Podcast. Du kan lytte til de komplette podcast-interviews her.

Hos Siemens anerkender vi, at der sker en global energiomstilling. Vi er sikre på denne observation, fordi vi baserer vores langsigtede strategi på Fem globale megatrends: demografiske ændringer, urbanisering, glokalisering, miljøændringer og ressourceeffektivitet og digitalisering. Hver af disse vil have betydelig indflydelse på energi - hvordan vi genererer den, distribuerer den og bruger den. Og som vi alle ved, prioriterer virksomheder vedvarende energi, energieffektivitet og elektrificering af deres aktiver.

Vi ved også, at denne omstilling belaster eksisterende energi- og bygningsinfrastruktur. Det kræver hurtig transformation for at opretholde pålideligheden og bæredygtigheden af disse komplekse systemer.

Byggesektoren repræsenterer omkring 40 procent af den globale energiefterspørgsel, og mængden af brugbar plads i bygninger over hele kloden forventes at fordobles i 2060. Det er en masse kvadratmeter, der er ved at blive bygget, hvilket sætter efterspørgslen på vores ressourcer. Dette er en af grundene til, at efterspørgslen efter elektricitet forventes at blive tredoblet i 2050. Således, som vores administrerende direktør for Smart Infrastructure Matthias Rebellius for nylig sagde i sin Indlæg til Reuters Plus„En robust energiforsyning har fået større betydning for at blive infrastrukturprioritet nummer et.“

Siemens ser dette som en stor mulighed for bygge- og energiinfrastruktur til at blive mere intelligente med AI, for at skabe den slags fremtidssikrede teknologi, som vi stræber efter.

Vi udnytter og undersøger AI inden for det, vi kalder vores Building X-økosystem for at forbedre leveringen af datarapportering, der igen giver større energieffektivitet og operationelle resultater for kunderne. Et eksempel på dette ville være at bruge generativ AI til at hjælpe med at identificere historien om arbejdsordrer for et aktiv for at hjælpe med at prioritere vedligeholdelse og reagere hurtigere på vedligeholdelsesbehov. Vi bruger også maskinlæring til at optimere lufthåndterere og klimaanlæg i computerrum.

Kort sagt beder vi AI om at tænke på energiforbruget i bygninger og bygningerne selv. Men som alt andet i dette nye landskab er der udfordringer og muligheder - understreget af et enormt behov for de rigtige data.

Udfordringerne ved at integrere AI i energi- og forsyningsindustrien

De tre største udfordringer for at integrere AI i energi- og forsyningsindustrien er datasikkerhed, datastyring og overdreven afhængighed af AI.

Datasikkerhed relateret til AI er stort set ureguleret, så dette er et område med både mulighed og risiko. Muligheder kan opstå ved brancheforeninger som American Society of Heating, Refrigerating and Air-Conditioning Engineers (ASHRAE), der mødes for at skabe bedste praksis for brug af AI i branchen. De potentielle risici inden for datasikkerhed inkluderer dårlige aktører, der bruger AI på en ondartet måde, såsom hacking. Industrierne skal hurtigt udvikle deres tilgang til datasikkerhed for at tackle disse udfordringer. Data og beslutninger skal kunne kontrolleres, og der skal være rollebaseret adgangskontrol til algoritmerne for at forhindre dårlige aktører i at påvirke hjernen i den AI-motor, der er i brug.

Inden for datastyring skal AI have et ensartet output, især med generativ AI, for at industrien skal være effektiv og effektiv til at skabe resultater. Kvalitetsdatastyring omfatter standardiserede datakategoriseringer, rapporteringsmekanismer og kommunikation, især hvis AI kommunikerer med et bygningsautomatiseringssystem. Nem kommunikation hjælper med at forhindre oprettelse af datasiloer, der hindrer deling af nøgledata.

Der er dog stor risiko omkring overdreven afhængighed af AI. Hvis vi stoler for meget på AI, mister vi den centrale gnist af kreativitet; alt vil være baseret på - og begrænset til - det, der tilføres AI-motoren. Dette kan føre til bias og selvtilfredshed, især med generativ AI. Virksomheder, der bruger AI som et kreativitetsværktøj, gør det kun med succes med input og tilsyn med menneskelige sind.

I sidste ende vil en AI-motor kun være så smart som de data, der er indført i den.

Brug af de bedste data til at udnytte AI i bygge- og energiindustrien

I enhver form for AI-applikation i bygninger og energi er de vigtigste data nøjagtige, anvendelige historiske data, for for at forudsige fremtiden er vi nødt til at vide, hvordan ting reagerede eller fungerede tidligere på forskellige stimuli til dette system. Historiske data kan omfatte billeder - du føder billeder af et centralt anlæg, for eksempel, ind i en AI-motor for at hjælpe dig med at søge på internettet efter designinformation til en enhed eller en motor.

Med generativ AI kan det at have arbejdsordrerapporter og en fuld historik over vedligeholdelse på et specifikt system give en specialist - en, der er ekspert i at optimere et system - mulighed for at bevæge sig hurtigere for at løse et komplekst problem, som en kunde måtte have. Med maskinlæring er det absolut afgørende at have et bygningsautomatiseringssystem, der bruger de korrekte sensorer og formateret med de korrekte trenddata og målinger.

Både datanøjagtighed og en virkelig pålidelig mængde data er afgørende for optimering af AI. For eksempel kan vejrdata bruges til at træffe beslutninger i næsten realtid for en central driftsplan eller for en luftbehandler ved hjælp af maskinlæring til at beregne potentielle besparelser. Dette er et nikk mod brugen af en applikationsprogrammeringsgrænseflade (API), en digital mellemmand mellem to applikationer, der gør det muligt for et program at anmode om data eller funktionalitet fra et andet uden at skulle vide, hvordan det andet system fungerer. Systemadministratorer kan oprette API'er, der kan integreres i AI under brug, hvilket resulterer i større skalerbarhed, forbedret funktionalitet og fleksibilitet med evnen til at tilpasse output til at imødekomme brugernes specifikke behov.

At finde ud af den rigtige mængde historiske data til AI

Hvordan bestemmer du, hvilket omfang af historiske data du har brug for? Det afhænger af, hvad der faktisk skete i, for eksempel, de sidste tre år. Er det nok, eller har du virkelig brug for mere?

I min baggrund som energiingeniør ville de fleste ledere have brug for to til tre års forsyningsdata. Men hvis du fortalte mig under COVID-pandemien, at du ønskede tre års forsyningsdata, ville jeg fortælle dig, at 2020 og 2021 ikke rigtig var relevante for at forudsige, hvordan fremtiden vil se ud, fordi bygninger var ledige på det tidspunkt.

Hvor mange historiske data, du har brug for, afhænger også af bygningssystemet, selve bygningen og hvad du forsøger at opnå operationelt. Et eksempel på dette er, når du har en konferencerumsluftbehandler, der har brug for data. Hvis der er et møde om dagen i det mødelokale, kunne jeg nok klare mig med omkring to ugers data. Hvis temperaturen udenfor var repræsentativ for en større mængde timer ved en bestemt temperatur, burde det være tilstrækkelige data.

Mange overvejelser om historiske data afhænger af applikationen, men energiforvaltere skal seriøst se på fortiden, og hvordan globale begivenheder kan have formet den faktiske kvalitet af de data, de har.

Brug af AI til at håndtere belastningsstyring og efterspørgselsfleksibilitet

Energiindustrien lærer at udnytte maskinlæring og AI til de helt centrale spørgsmål om optimering og korrekt dimensionering af belastningen på nettet og systemerne. Digital tvillingteknologi spiller også en stor rolle i dette. En digital tvilling kan hjælpe med at øge levetiden for elektriske aktiver ved at opdage fejl i disse systemer, før de bliver et problem. AI kan drive denne digitale tvilling ved at behandle de store datasæt, der er nødvendige for at skabe tvillinger af sådanne aktiver.

En anden teknologi, der kan komme i spil for energidistribution, er et tilbud inden for Siemens Xcelerator-platformen: Electrification X. Dette tilbud, der er bygget på cloud-tjenester, er designet til at administrere, optimere og automatisere elektrificeringsinfrastruktur ved at give et holistisk overblik over transformatorstationer og andre aktiver. En funktion inden for Electrification X, kaldet Electrification X Asset Management, bruger sensordataanalyse til at gøre det muligt for aktivejere og operatører at øge oppetid og pålidelighed, reducere driftsudgifter og styrke cybersikkerheden.

Siemens har et andet tilbud kaldet Gridscale X, der giver let at implementere modulær software til end-to-end-netstyring og udnytter AI til at analysere store mængder netdata. Lagdelt inden for dette tilbud er Gridscale X DER Insights, som bruger AI til at afdække distribuerede energiressourcer bag måleren (DER'er) og vurdere deres adfærd og deres indflydelse på netudstyr. Dette hjælper med at forudsige, analysere og udtrække nyttig indsigt og omdanne dem til handlingsbare næste trin. Dette er værdifuldt, fordi det hjælper kunderne med at optimere DER-operationer, forstå DER-ydeevne og sundhed og maksimere forretnings- og netmodstandsdygtighed.

At være på forkant med de store AI-trends

Brancheledere skal holde øje med de AI-regler, der kommer i USA og globalt, fordi de helt sikkert vil påvirke, hvordan AI udvikler sig i fremtiden. Det betyder, at det, vi gør nu med AI, vil ændre sig. Vi er også nødt til at være på vagt efter nye AI-funktioner og teknologier, når de kommer online. Brancheledere skal hurtigt lære, hvordan disse nye elementer kan anvendes på bygge- og energidrift, så deres værdi kan gøre en forskel for erhvervslivet og for kunderne.

I sidste ende skal vi alle have et åbent sind om, hvad AI kan gøre. Lad os omfavne de ændringer, der kommer, og hævde den menneskelige rolle i AI. Vi kan være forsigtige, men vi skal ikke være bange. Alle kan stole på AI ved at lære alt, hvad du kan om det, og prøve at udvide din virksomhed ved at bruge den, hvor den tilføjer værdi, forbedrer driften og gavner kunderne.

Offentliggjort: 30. december 2025