Χρήση AI για μεγιστοποίηση της ανθεκτικότητας στην υποδομή

Σημείωση του συντάκτη: Αυτή είναι μια αφηγηματική έκδοση των σχολίων του Kevin Scarborough στο Energy Beat Podcast. Μπορείτε να ακούσετε τις πλήρεις συνεντεύξεις podcast εδώ.

Στη Siemens, αναγνωρίζουμε ότι υπάρχει μια παγκόσμια ενεργειακή μετάβαση. Είμαστε σίγουροι για αυτήν την παρατήρηση επειδή βασίζουμε τη μακροπρόθεσμη στρατηγική μας πέντε παγκόσμιες μεγάλες τάσεις: δημογραφική αλλαγή, αστικοποίηση, μετατόπιση, περιβαλλοντική αλλαγή και αποδοτικότητα των πόρων και ψηφιοποίηση. Κάθε ένα από αυτά θα έχει σημαντικό αντίκτυπο στην ενέργεια - πώς την παράγουμε, τη διανέμουμε και τη χρησιμοποιούμε. Και όπως όλοι γνωρίζουμε, οι εταιρείες δίνουν προτεραιότητα στις ανανεώσιμες πηγές ενέργειας, την ενεργειακή απόδοση και την ηλεκτροδότηση των περιουσιακών τους στοιχείων.

Γνωρίζουμε επίσης ότι αυτή η μετάβαση επιβαρύνει τις υπάρχουσες ενεργειακές και οικοδομικές υποδομές. Απαιτεί γρήγορο μετασχηματισμό για να διατηρηθεί η αξιοπιστία και η βιωσιμότητα αυτών των πολύπλοκων συστημάτων.

Ο κατασκευαστικός τομέας αντιπροσωπεύει περίπου το 40% της παγκόσμιας ενεργειακής ζήτησης και ο όγκος του χρησιμοποιήσιμου χώρου σε κτίρια σε όλο τον κόσμο αναμένεται να διπλασιαστεί μέχρι το 2060. Αυτά είναι πολλά τετραγωνικά μέτρα που πρόκειται να χτιστούν, θέτοντας ζήτηση στους πόρους μας. Αυτός είναι ένας λόγος για τον οποίο η ζήτηση ηλεκτρικής ενέργειας αναμένεται να τριπλασιαστεί μέχρι το 2050. Έτσι, όπως δήλωσε πρόσφατα ο Διευθύνων Σύμβουλος της Έξυπνης Υποδομής, Ματίας Ρεμπέλιους, στο Δημοσίευση για το Reuters Plus«Ο ανθεκτικός ενεργειακός εφοδιασμός έχει αποκτήσει μεγαλύτερη σημασία για να γίνει η πρώτη προτεραιότητα υποδομής.»

Η Siemens θεωρεί ότι αυτό είναι μια σημαντική ευκαιρία για τις κτιριακές και ενεργειακές υποδομές να γίνουν πιο έξυπνες με την τεχνητή νοημοσύνη, για να δημιουργήσουν αυτό το είδος τεχνολογίας αιχμής για το μέλλον που φιλοδοξούμε.

Αξιοποιούμε και ερευνούμε την τεχνητή νοημοσύνη μέσα σε αυτό που ονομάζουμε οικοσύστημα Building X για να βελτιώσουμε την παροχή αναφορών δεδομένων που με τη σειρά τους φέρνουν μεγαλύτερη ενεργειακή απόδοση και λειτουργικά αποτελέσματα για τους πελάτες. Ένα παράδειγμα αυτού θα ήταν η χρήση γενετικής τεχνητής νοημοσύνης για να βοηθήσει στον εντοπισμό του ιστορικού των εντολών εργασίας για ένα περιουσιακό στοιχείο για να βοηθήσει στην ιεράρχηση της συντήρησης και να ανταποκριθεί πιο γρήγορα στις ανάγκες συντήρησης. Χρησιμοποιούμε επίσης μηχανική μάθηση για τη βελτιστοποίηση των χειριστών αέρα και των κλιματιστικών σε υπολογιστές.

Με απλά λόγια, ζητάμε από την τεχνητή νοημοσύνη να σκεφτεί τη χρήση ενέργειας μέσα στα κτίρια και στα ίδια τα κτίρια. Αλλά όπως όλα σε αυτό το νέο τοπίο, υπάρχουν προκλήσεις και ευκαιρίες - που υπογραμμίζονται από την τεράστια ανάγκη για τα σωστά δεδομένα.

Οι προκλήσεις της ενσωμάτωσης της τεχνητής νοημοσύνης στις βιομηχανίες ενέργειας και κοινής ωφέλειας

Οι τρεις μεγαλύτερες προκλήσεις για την ενσωμάτωση της τεχνητής νοημοσύνης στις βιομηχανίες ενέργειας και κοινής ωφέλειας είναι η ασφάλεια δεδομένων, η διακυβέρνηση δεδομένων και η υπερβολική εξάρτηση από την τεχνητή νοημοσύνη.

Η ασφάλεια δεδομένων που σχετίζεται με την τεχνητή νοημοσύνη είναι σε μεγάλο βαθμό ανεξέλεγκτη, επομένως αυτός είναι ένας τομέας ευκαιρίας και κινδύνου. Ευκαιρίες θα μπορούσαν να προκύψουν από βιομηχανικές ενώσεις όπως η Αμερικανική Εταιρεία Μηχανικών Θέρμανσης, Ψύξης και Κλιματισμού (ASHRAE) που συνεργάζονται για να δημιουργήσουν βέλτιστες πρακτικές για τη χρήση της τεχνητής νοημοσύνης στον κλάδο. Οι πιθανοί κίνδυνοι στην ασφάλεια δεδομένων περιλαμβάνουν κακούς παράγοντες που χρησιμοποιούν την τεχνητή νοημοσύνη με κακοήθη τρόπο, όπως η πειρατεία. Οι βιομηχανίες πρέπει να αναπτύξουν γρήγορα την προσέγγισή τους στην ασφάλεια των δεδομένων για να αντιμετωπίσουν αυτές τις προκλήσεις. Τα δεδομένα και οι αποφάσεις πρέπει να είναι ελεγχόμενες και πρέπει να υπάρχει έλεγχος πρόσβασης βάσει ρόλων στους αλγόριθμους για να αποφευχθεί η επίδραση των κακών παραγόντων στον εγκέφαλο της μηχανής τεχνητής νοημοσύνης που χρησιμοποιείται.

Στη διακυβέρνηση δεδομένων, για να είναι ο κλάδος αποτελεσματικός και αποτελεσματικός στην επίτευξη αποτελεσμάτων, η τεχνητή νοημοσύνη πρέπει να έχει ομοιόμορφη απόδοση, ειδικά με τη γενετική τεχνητή νοημοσύνη. Η διαχείριση ποιοτικών δεδομένων περιλαμβάνει τυποποιημένες κατηγοριοποιήσεις δεδομένων, μηχανισμούς αναφοράς και επικοινωνίες, ειδικά εάν η τεχνητή νοημοσύνη επικοινωνεί με ένα σύστημα αυτοματισμού κτιρίων. Η ευκολία επικοινωνίας βοηθά στην πρόληψη της δημιουργίας σιλό δεδομένων που εμποδίζουν την κοινή χρήση βασικών δεδομένων.

Υπάρχει, ωστόσο, μεγάλος κίνδυνος γύρω από την υπερβολική εξάρτηση από την τεχνητή νοημοσύνη. Εάν βασιζόμαστε πάρα πολύ στην τεχνητή νοημοσύνη, χάνουμε αυτή τη βασική σπίθα δημιουργικότητας· όλα θα βασίζονται και θα περιορίζονται σε αυτό που τροφοδοτείται στη μηχανή τεχνητής νοημοσύνης. Αυτό μπορεί να οδηγήσει σε προκατάληψη και εφησυχασμό, ειδικά με τη γενετική τεχνητή νοημοσύνη. Οι εταιρείες που χρησιμοποιούν την τεχνητή νοημοσύνη ως εργαλείο δημιουργικότητας το κάνουν με επιτυχία μόνο με τη συμβολή και την επίβλεψη του ανθρώπινου μυαλού.

Τελικά, μια μηχανή AI θα είναι τόσο έξυπνη όσο τα δεδομένα που τροφοδοτούνται σε αυτήν.

Χρήση των καλύτερων δεδομένων για την αξιοποίηση της τεχνητής νοημοσύνης στις βιομηχανίες κτιρίων και ενέργειας

Σε κάθε είδους εφαρμογή AI σε κτίρια και ενέργεια, τα πιο σημαντικά δεδομένα είναι ακριβή, εφαρμόσιμα ιστορικά δεδομένα, γιατί για να προβλέψουμε το μέλλον, πρέπει να γνωρίζουμε πώς τα πράγματα αντέδρασαν ή λειτουργούσαν στο παρελθόν σε διάφορα ερεθίσματα σε αυτό το σύστημα. Τα ιστορικά δεδομένα μπορούν να περιλαμβάνουν εικόνες—τροφοδοτείτε εικόνες ενός κεντρικού εργοστασίου, για παράδειγμα, σε μια μηχανή AI για να σας βοηθήσει να ψάξετε στο Διαδίκτυο για πληροφορίες σχεδιασμού για μια συσκευή ή έναν κινητήρα.

Με τη γενετική τεχνητή νοημοσύνη, η ύπαρξη αναφορών παραγγελιών εργασίας και ενός πλήρους ιστορικού συντήρησης σε ένα συγκεκριμένο σύστημα θα μπορούσε να δώσει σε έναν ειδικό - κάποιον που είναι ειδικός στη βελτιστοποίηση ενός συστήματος - τη δυνατότητα να κινηθεί πιο γρήγορα για να αντιμετωπίσει ένα περίπλοκο πρόβλημα που μπορεί να έχει ένας πελάτης. Με τη μηχανική μάθηση, η ύπαρξη ενός συστήματος αυτοματισμού κτιρίων που χρησιμοποιεί τους σωστούς αισθητήρες και μορφοποιείται με τα σωστά δεδομένα τάσης και μετρήσεις είναι απολύτως κρίσιμη.

Τόσο η ακρίβεια των δεδομένων όσο και ένας πραγματικά αξιόπιστος όγκος δεδομένων είναι απαραίτητες για τη βελτιστοποίηση της τεχνητής νοημοσύνης. Για παράδειγμα, τα δεδομένα καιρού μπορούν να χρησιμοποιηθούν για τη λήψη αποφάσεων σχεδόν σε πραγματικό χρόνο για ένα κεντρικό σχέδιο λειτουργίας ή για έναν χειριστή αέρα που χρησιμοποιεί μηχανική μάθηση, για τον υπολογισμό πιθανής εξοικονόμησης. Αυτή είναι μια ένδειξη προς τη χρήση μιας διεπαφής προγραμματισμού εφαρμογών (API), ενός ψηφιακού ενδιάμεσου μεταξύ δύο εφαρμογών που επιτρέπει σε ένα πρόγραμμα να ζητά δεδομένα ή λειτουργίες από ένα άλλο χωρίς να χρειάζεται να γνωρίζει πώς λειτουργεί το άλλο σύστημα. Οι διαχειριστές συστημάτων μπορούν να δημιουργήσουν API που μπορούν να ενσωματωθούν στην τεχνητή νοημοσύνη που χρησιμοποιείται, με αποτέλεσμα μεγαλύτερη επεκτασιμότητα, βελτιωμένη λειτουργικότητα και ευελιξία με τη δυνατότητα προσαρμογής των εξόδων για την κάλυψη των συγκεκριμένων αναγκών των χρηστών.

Προσδιορισμός της σωστής ποσότητας ιστορικών δεδομένων για την τεχνητή νοημοσύνη

Πώς καθορίζετε την έκταση των ιστορικών δεδομένων που χρειάζεστε; Αυτό εξαρτάται από το τι πραγματικά συνέβη, ας πούμε, τα τελευταία τρία χρόνια. Είναι αρκετό ή χρειάζεστε πραγματικά περισσότερα;

Στο παρελθόν μου ως ενεργειακός μηχανικός, οι περισσότεροι διευθυντές θα ήθελαν δεδομένα κοινής ωφέλειας αξίας δύο έως τριών ετών. Αλλά αν μου λέγατε κατά τη διάρκεια της πανδημίας COVID ότι θέλατε τρία χρόνια δεδομένων κοινής ωφέλειας, θα σας έλεγα ότι το 2020 και το 2021 δεν είχαν πραγματικά σημασία για την πρόβλεψη του πώς θα μοιάζει το μέλλον επειδή τα κτίρια ήταν ακατοίκητα εκείνη την εποχή.

Το πόσα ιστορικά δεδομένα χρειάζεστε εξαρτάται επίσης από το σύστημα κτιρίου, το ίδιο το κτίριο και τι προσπαθείτε να επιτύχετε λειτουργικά. Ένα παράδειγμα αυτού είναι όταν έχετε έναν χειριστή αέρα αίθουσας συνεδριάσεων που χρειάζεται δεδομένα. Αν υπάρχει μια συνάντηση την ημέρα σε εκείνη την αίθουσα συνεδριάσεων, πιθανότατα θα μπορούσα να τα καταφέρω με δεδομένα αξίας περίπου δύο εβδομάδων. Εάν η εξωτερική θερμοκρασία ήταν αντιπροσωπευτική μεγαλύτερης ποσότητας ωρών σε μια συγκεκριμένη θερμοκρασία, αυτά θα πρέπει να είναι επαρκή δεδομένα.

Πολλές εκτιμήσεις σχετικά με τα ιστορικά δεδομένα εξαρτώνται από την εφαρμογή, αλλά οι διαχειριστές ενέργειας πρέπει να εξετάσουν σοβαρά το παρελθόν και πώς τα παγκόσμια γεγονότα θα μπορούσαν να έχουν διαμορφώσει την πραγματική ποιότητα των δεδομένων που έχουν.

Χρήση AI για την αντιμετώπιση της διαχείρισης φορτίου και της ευελιξίας της ζήτησης

Η ενεργειακή βιομηχανία μαθαίνει πώς να αξιοποιεί τη μηχανική μάθηση και την τεχνητή νοημοσύνη για τα πολύ βασικά θέματα της βελτιστοποίησης και του σωστού μεγέθους του φορτίου στο δίκτυο και στα συστήματα. Η ψηφιακή τεχνολογία δίδυμων διαδραματίζει επίσης σημαντικό ρόλο σε αυτό. Ένα ψηφιακό δίδυμο μπορεί να βοηθήσει στην αύξηση της διάρκειας ζωής των ηλεκτρικών στοιχείων ανιχνεύοντας σφάλματα σε αυτά τα συστήματα πριν γίνουν πρόβλημα. Η τεχνητή νοημοσύνη μπορεί να τροφοδοτήσει αυτό το ψηφιακό δίδυμο επεξεργάζοντας τα μεγάλα σύνολα δεδομένων που είναι απαραίτητα για τη δημιουργία διδύμων τέτοιων περιουσιακών στοιχείων.

Μια άλλη τεχνολογία που μπορεί να διαδραματίσει ρόλο στη διανομή ενέργειας είναι μια προσφορά μέσα στην πλατφόρμα Siemens Xcelerator: Electrification X. Αυτή η προσφορά, βασισμένη σε υπηρεσίες cloud, έχει σχεδιαστεί για τη διαχείριση, τη βελτιστοποίηση και την αυτοματοποίηση της υποδομής ηλεκτροδότησης παρέχοντας μια ολιστική εικόνα των υποσταθμών και άλλων περιουσιακών στοιχείων. Ένα σύνολο χαρακτηριστικών στο Electrification X, που ονομάζεται Electrification X Asset Management, χρησιμοποιεί αναλυτικά στοιχεία αισθητήρων για να επιτρέψει στους ιδιοκτήτες και τους χειριστές περιουσιακών στοιχείων να αυξήσουν το χρόνο λειτουργίας και την αξιοπιστία, να μειώσουν τα λειτουργικά έξοδα και να ενισχύσουν την ασφάλεια στον κυβερνοχώρο.

Η Siemens διαθέτει μια άλλη προσφορά που ονομάζεται Gridscale X που παρέχει εύχρηστο αρθρωτό λογισμικό για διαχείριση δικτύου από άκρο σε άκρο και αξιοποιεί την τεχνητή νοημοσύνη για την ανάλυση τεράστιων όγκων δεδομένων δικτύου. Μέσα σε αυτήν την προσφορά βρίσκεται το Gridscale X DER Insights, το οποίο χρησιμοποιεί την τεχνητή νοημοσύνη για να αποκαλύψει κατανεμημένους ενεργειακούς πόρους (DER) πίσω από το μέτρο και να αξιολογήσει τη συμπεριφορά τους και τον αντίκτυπό τους στον εξοπλισμό δικτύου. Αυτό βοηθά στην πρόβλεψη, την ανάλυση και την εξαγωγή χρήσιμων πληροφοριών και τη μετατροπή τους σε επόμενα βήματα με δυνατότητα δράσης. Αυτό είναι πολύτιμο επειδή βοηθά τους πελάτες να βελτιστοποιήσουν τις λειτουργίες DER, να κατανοήσουν την απόδοση και την υγεία του DER και να μεγιστοποιήσουν την ανθεκτικότητα των επιχειρήσεων και του δικτύου.

Μείνετε μπροστά από τις κύριες τάσεις της τεχνητής νοημοσύνης

Οι διευθυντές της βιομηχανίας πρέπει να παρακολουθούν τους κανονισμούς AI που έρχονται στις ΗΠΑ και παγκοσμίως, επειδή σίγουρα θα επηρεάσουν τον τρόπο με τον οποίο θα αναπτυχθεί η τεχνητή νοημοσύνη στο μέλλον. Αυτό σημαίνει ότι αυτό που κάνουμε τώρα με την τεχνητή νοημοσύνη θα αλλάξει. Πρέπει επίσης να παρακολουθούμε τις νέες δυνατότητες και τεχνολογίες τεχνητής νοημοσύνης καθώς έρχονται στο διαδίκτυο. Οι διαχειριστές του κλάδου πρέπει να μάθουν γρήγορα πώς αυτά τα νέα στοιχεία μπορούν να εφαρμοστούν στις κτιριακές και ενεργειακές λειτουργίες, έτσι ώστε η αξία τους να μπορεί να κάνει τη διαφορά για τις επιχειρήσεις και για τους πελάτες.

Τελικά, πρέπει όλοι να έχουμε ανοιχτό μυαλό για το τι μπορεί να κάνει η τεχνητή νοημοσύνη. Ας αγκαλιάσουμε τις αλλαγές που έρχονται και να διεκδικήσουμε τον ανθρώπινο ρόλο στην τεχνητή νοημοσύνη. Μπορούμε να είμαστε προσεκτικοί, αλλά δεν πρέπει να φοβόμαστε. Ο καθένας μπορεί να στηριχθεί στην τεχνητή νοημοσύνη μαθαίνοντας ό, τι μπορείτε για αυτό και προσπαθώντας να αναπτύξετε την επιχείρησή σας, χρησιμοποιώντας την όπου προσθέτει αξία, βελτιώνει τις λειτουργίες και ωφελεί τους πελάτες.

Δημοσιεύθηκε: 30 Δεκεμβρίου 2025