Einsatz von KI zur Maximierung der Widerstandsfähigkeit der Infrastruktur

Anmerkung der Redaktion: Dies ist eine schriftliche Fassung der Äußerungen von Kevin Scarborough im „Energy Beat“-Podcast. Sie können sich die kompletten Podcast-Interviews anhören hier anhören.

Wir bei Siemens sind uns bewusst, dass weltweit eine Energiewende stattfindet. Wir sind von dieser Einschätzung überzeugt, da wir unsere langfristige Strategie auf fünf globale Megatrends stützen: demografischer Wandel, Urbanisierung, Glokalisierung, Umweltveränderungen und Ressourceneffizienz sowie Digitalisierung. Jeder dieser Trends wird erhebliche Auswirkungen auf die Energie haben – darauf, wie wir sie erzeugen, verteilen und nutzen. Und wie wir alle wissen, legen Unternehmen den Schwerpunkt auf erneuerbare Energien, Energieeffizienz und die Elektrifizierung ihrer Anlagen.

Wir wissen auch, dass diese Wende die bestehende Energie- und Gebäudeinfrastruktur stark belastet. Es bedarf einer raschen Transformation, um die Zuverlässigkeit und Nachhaltigkeit dieser komplexen Systeme zu gewährleisten.

Der Bausektor macht etwa 40 Prozent des weltweiten Energiebedarfs aus, und die Nutzfläche von Gebäuden weltweit wird sich bis 2060 voraussichtlich verdoppeln. Das ist eine enorme Fläche, die noch gebaut werden muss, was unsere Ressourcen stark beanspruchen wird. Dies ist ein Grund dafür, warum sich der Strombedarf bis 2050 voraussichtlich verdreifachen wird. Daher hat, wie unser CEO für Smart Infrastructure, Matthias Rebellius, kürzlich in seinem Beitrag für Reuters Plus feststellte, „eine resiliente Energieversorgung an Bedeutung gewonnen und ist zur obersten Priorität im Infrastrukturbereich geworden.“

Siemens sieht darin eine große Chance, die Gebäude- und Energieinfrastruktur mithilfe von KI intelligenter zu gestalten und so die zukunftssichere Technologie zu schaffen, die wir anstreben.

Wir nutzen und erforschen KI im Rahmen unseres sogenannten „Building X“-Ökosystems, um die Bereitstellung von Datenberichten zu verbessern, was wiederum zu einer höheren Energieeffizienz und besseren Betriebsergebnissen für unsere Kunden führt. Ein Beispiel hierfür wäre der Einsatz generativer KI, um die Historie von Arbeitsaufträgen für eine Anlage zu ermitteln und so die Priorisierung von Wartungsarbeiten zu unterstützen sowie schneller auf Wartungsbedarf zu reagieren. Wir nutzen außerdem maschinelles Lernen, um Lüftungsanlagen und Klimaanlagen in Serverräumen zu optimieren.

Einfach ausgedrückt: Wir lassen KI über den Energieverbrauch in Gebäuden und über die Gebäude selbst nachdenken. Doch wie bei allem in dieser neuen Landschaft gibt es Herausforderungen und Chancen – unterstrichen durch einen enormen Bedarf an den richtigen Daten.

Die Herausforderungen bei der Integration von KI in die Energie- und Versorgungsbranche.

Die drei größten Herausforderungen bei der Integration von KI in die Energie- und Versorgungsbranche sind Datensicherheit, Datenverwaltung und übermäßiges Vertrauen in KI.

Die Datensicherheit im Zusammenhang mit KI ist weitgehend unreguliert, sodass dieser Bereich sowohl Chancen als auch Risiken birgt. Chancen könnten sich ergeben, wenn Branchenverbände wie die American Society of Heating, Refrigerating and Air-Conditioning Engineers (ASHRAE) gemeinsam Best Practices für den Einsatz von KI in der Branche entwickeln. Zu den potenziellen Risiken im Bereich der Datensicherheit gehört, dass böswillige Akteure KI in schädlicher Weise nutzen, beispielsweise für Hackerangriffe. Die Branchen müssen ihren Ansatz zur Datensicherheit rasch weiterentwickeln, um diesen Herausforderungen zu begegnen. Daten und Entscheidungen müssen überprüfbar sein, und es muss eine rollenbasierte Zugriffskontrolle auf die Algorithmen geben, um zu verhindern, dass böswillige Akteure Einfluss auf die „Gehirne“ der eingesetzten KI-Engine nehmen.

Im Bereich der Datenverwaltung muss die KI einheitliche Ergebnisse liefern, insbesondere bei generativer KI, damit die Branche effizient und effektiv Ergebnisse erzielen kann. Zu einer hochwertigen Datenverwaltung gehören standardisierte Datenkategorisierungen, Berichtsmechanismen und Kommunikationswege, vor allem wenn die KI mit einem Gebäudeautomationssystem kommuniziert. Eine reibungslose Kommunikation trägt dazu bei, die Entstehung von Datensilos zu verhindern, die den Austausch wichtiger Daten behindern.

Es besteht jedoch ein großes Risiko, sich zu sehr auf KI zu verlassen. Wenn wir uns zu sehr auf KI verlassen, verlieren wir diesen entscheidenden Funken an Kreativität; alles wird auf dem basieren – und darauf beschränkt sein –, was in die KI-Engine eingespeist wird. Dies kann zu Voreingenommenheit und Selbstzufriedenheit führen, insbesondere bei generativer KI. Unternehmen, die KI als Kreativitätswerkzeug einsetzen, tun dies nur dann erfolgreich, wenn sie auf den Input und die Aufsicht durch menschliche Köpfe zurückgreifen.

Letztlich ist eine KI-Engine nur so intelligent wie die Daten, mit denen sie gespeist wird.

Nutzung der besten Daten zur Nutzung von KI in der Gebäude- und Energieindustrie

Bei jeder Art von KI-Anwendung in den Bereichen Gebäude und Energie sind genaue, relevante historische Daten von entscheidender Bedeutung, denn um die Zukunft vorherzusagen, müssen wir wissen, wie das System in der Vergangenheit auf verschiedene Reize reagiert oder funktioniert hat. Zu den historischen Daten können auch Bilder gehören – man speist beispielsweise Bilder einer zentralen Anlage in eine KI-Engine ein, um im Internet nach Konstruktionsinformationen für ein Gerät oder einen Motor zu suchen.

Dank generativer KI könnten Arbeitsauftragsberichte und eine lückenlose Wartungshistorie eines bestimmten Systems einem Spezialisten – also einem Experten für die Systemoptimierung – die Möglichkeit bieten, komplexe Probleme, mit denen ein Kunde möglicherweise konfrontiert ist, schneller zu lösen. Im Bereich des maschinellen Lernens ist es von entscheidender Bedeutung, über ein Gebäudeautomationssystem zu verfügen, das die richtigen Sensoren nutzt und mit den korrekten Trenddaten und Messwerten aufbereitet ist.

Sowohl die Genauigkeit der Daten als auch eine wirklich zuverlässige Datenmenge sind für die Optimierung der KI unerlässlich. Beispielsweise können Wetterdaten genutzt werden, um nahezu in Echtzeit Entscheidungen für einen zentralen Betriebsplan zu treffen oder um mithilfe von maschinellem Lernen bei einem Lüftungsgerät potenzielle Einsparungen zu berechnen. Dies ist ein Hinweis auf die Verwendung einer Anwendungsprogrammierschnittstelle (API), einer digitalen Schnittstelle zwischen zwei Anwendungen, die es einem Programm ermöglicht, Daten oder Funktionen von einem anderen Programm anzufordern, ohne wissen zu müssen, wie das andere System funktioniert. Systemmanager können APIs erstellen, die in die eingesetzte KI integriert werden können, was zu größerer Skalierbarkeit, verbesserter Funktionalität und Flexibilität führt, mit der Möglichkeit, die Ergebnisse an die spezifischen Bedürfnisse der Nutzer anzupassen.

Die richtige Menge an historischen Daten für KI herausfinden

Wie stellen Sie fest, in welchem Umfang Sie historische Daten benötigen? Das hängt davon ab, was beispielsweise in den letzten drei Jahren tatsächlich passiert ist. Reicht das aus, oder brauchen Sie wirklich mehr?

Aufgrund meiner Erfahrung als Energieingenieur würden die meisten Manager Versorgungsdaten aus zwei bis drei Jahren wünschen. Aber wenn Sie mir während der COVID-Pandemie gesagt hätten, dass Sie Versorgungsdaten aus drei Jahren benötigen, hätte ich Ihnen geantwortet, dass die Jahre 2020 und 2021 für die Prognose der Zukunft nicht wirklich relevant sind, da die Gebäude zu dieser Zeit unbewohnt waren.

Wie viele historische Daten Sie benötigen, hängt auch vom Gebäudesystem, vom Gebäude selbst und davon ab, welche betrieblichen Ziele Sie erreichen möchten. Ein Beispiel hierfür ist ein Lüftungsgerät in einem Konferenzraum, für das Daten benötigt werden. Wenn in diesem Konferenzraum täglich eine Besprechung stattfindet, würde ich wahrscheinlich mit Daten aus etwa zwei Wochen auskommen. Wenn die Außentemperatur repräsentativ für eine größere Anzahl von Stunden bei einer bestimmten Temperatur war, sollten diese Daten ausreichen.

Viele Überlegungen zu historischen Daten hängen von der jeweiligen Anwendung ab, aber Energiemanager müssen die Vergangenheit ernsthaft betrachten und prüfen, wie globale Ereignisse die tatsächliche Qualität der ihnen vorliegenden Daten beeinflusst haben könnten..

Einsatz von KI für Lastmanagement und Nachfrageflexibilität

Die Energiewirtschaft lernt derzeit, wie sie maschinelles Lernen und KI für die entscheidenden Aufgaben der Optimierung und bedarfsgerechten Dimensionierung der Netz- und Systemlast nutzen kann. Auch die Digital-Twin-Technologie spielt dabei eine wichtige Rolle. Ein Digital Twin kann dazu beitragen, die Lebensdauer elektrischer Anlagen zu verlängern, indem er Fehler in diesen Systemen erkennt, bevor sie zu einem Problem werden. KI kann diesen digitalen Zwilling antreiben, indem sie die großen Datensätze verarbeitet, die für die Erstellung von Zwillingen solcher Anlagen erforderlich sind.

Eine weitere Technologie, die bei der Energieverteilung zum Einsatz kommen kann, ist ein Angebot innerhalb der Siemens Xcelerator-Plattform: Electrification X. Dieses auf Cloud-Diensten basierende Angebot wurde entwickelt, um die Elektrifizierungsinfrastruktur zu verwalten, zu optimieren und zu automatisieren, indem es einen ganzheitlichen Überblick über Umspannwerke und andere Anlagen bietet. Eine Funktion innerhalb von Electrification X, genannt Electrification X Asset Management, nutzt Sensordatenanalysen, um Anlagenbesitzern und -betreibern zu ermöglichen, die Betriebszeit und Zuverlässigkeit zu erhöhen, Betriebskosten zu senken und die Cybersicherheit zu stärken.

Siemens bietet mit „Gridscale X“ eine weitere Lösung an, die eine einfach zu implementierende, modulare Software für das durchgängige Netzmanagement bereitstellt und mithilfe von KI riesige Mengen an Netzdaten analysiert. Teil dieses Angebots ist „Gridscale X DER Insights“, das mithilfe von KI dezentrale Energiequellen (DERs) hinter dem Zähler aufspürt und deren Verhalten sowie deren Auswirkungen auf die Netzausrüstung bewertet. Dies hilft bei der Prognose, Analyse und Gewinnung nützlicher Erkenntnisse sowie bei der Umsetzung dieser Erkenntnisse in konkrete nächste Schritte. Dies ist wertvoll, da es Kunden dabei unterstützt, den Betrieb von DERs zu optimieren, deren Leistung und Zustand zu verstehen und die Widerstandsfähigkeit des Unternehmens sowie des Netzes zu maximieren.

Den wichtigsten KI-Trends immer einen Schritt voraus

Führungskräfte in der Branche müssen die bevorstehenden KI-Vorschriften in den USA und weltweit im Auge behalten, da diese zweifellos Einfluss darauf haben werden, wie sich KI in Zukunft entwickelt. Das bedeutet, dass sich unsere derzeitige Arbeit mit KI verändern wird. Wir müssen auch nach neuen KI-Fähigkeiten und -Technologien Ausschau halten, sobald diese verfügbar werden. Führungskräfte in der Branche müssen schnell lernen, wie diese neuen Elemente auf den Bau- und Energiebetrieb angewendet werden können, damit ihr Nutzen für das Unternehmen und für die Kunden einen Unterschied macht.

Letztendlich müssen wir alle offen dafür sein, was KI leisten kann. Lasst uns die kommenden Veränderungen begrüßen und die Rolle des Menschen in der KI bekräftigen. Wir können vorsichtig sein, aber wir sollten keine Angst haben. Jeder kann sich auf KI stützen, indem er so viel wie möglich darüber lernt und versucht, sein Geschäft auszubauen, indem er sie dort einsetzt, wo sie einen Mehrwert schafft, Abläufe verbessert und den Kunden zugutekommt.

Veröffentlicht: 30. Dezember 2025