Az AI használata az infrastruktúra rugalmasságának maximalizálása érdekében
Szerző: Kevin Scarborough, a Siemens Smart Infrastructure — Buildings amerikai energiaszolgáltatási igazgatója és az Energiagazdálkodási Szövetség tagja
A szerkesztő megjegyzése: Ez Kevin Scarborough megjegyzéseinek narratív változata az Energy Beat Podcastról. Meghallgathatja a teljes podcast interjúkat itt.
A Siemensnél felismerjük, hogy globális energiaátállás zajlik. Biztosak vagyunk ebben a megfigyelésben, mert hosszú távú stratégiánkat erre alapozzuk öt globális megatrend: demográfiai változás, urbanizáció, glokalizáció, környezeti változás és erőforrás-hatékonyság, valamint digitalizáció. Mindegyik jelentős hatással lesz az energiára — arra, ahogyan azt előállítjuk, elosztjuk és használjuk fel. És mint mindannyian tudjuk, a vállalatok elsőbbséget élveznek a megújuló energiát, az energiahatékonyságot és az eszközeik villamosítását.
Azt is tudjuk, hogy ez az átmenet megterheli a meglévő energia- és építési infrastruktúrát. Gyors átalakítást igényel ezen összetett rendszerek megbízhatóságának és fenntarthatóságának fenntartásához.
Az építőipar a globális energiaigény mintegy 40 százalékát teszi ki, és 2060-ra várhatóan megduplázódik az épületek felhasználható területének mennyisége világszerte. Ez egy csomó négyzetméter, amit hamarosan építenek, ami igényt teremt az erőforrásainkra. Ez az egyik oka annak, hogy 2050-re várhatóan megháromszorozódik a villamosenergia-igény. Így, ahogy az intelligens infrastruktúra vezérigazgatónk, Matthias Rebellius nemrégiben kijelentette a sajtójában A Reuters Plus bejegyzése„A rugalmas energiaellátás egyre fontosabbá vált, hogy az első számú infrastrukturális prioritássá váljon.”
A Siemens ezt jelentős lehetőségnek tekinti az építési és energiainfrastruktúra számára, hogy intelligensebbé váljanak az AI segítségével, és olyan jövőbiztos technológiát hozzunk létre, amelyre törekszünk.
Kihasználjuk és kutatjuk az AI-t az úgynevezett Building X ökoszisztémában annak érdekében, hogy javítsuk az adatjelentések szolgáltatását, ami viszont nagyobb energiahatékonyságot és működési eredményeket hoz az ügyfelek számára. Ennek egyik példája a generatív mesterséges intelligencia használata az eszköz munkamegrendeléseinek előzményeinek azonosításához, hogy elősegítse a karbantartás prioritását és gyorsabban reagáljon a karbantartási igényekre. Gépi tanulást is használunk a számítógép-helyiségi légkezelők és légkondicionálók optimalizálására.
Egyszerűen fogalmazva, arra kérjük az AI-t, hogy gondoljon az épületeken és magukban az épületeken belüli energiafelhasználásról. De mint minden ebben az új környezetben, vannak kihívások és lehetőségek, amelyeket a megfelelő adatok iránti óriási igény hangsúlyozza.
Az AI integrálásának kihívásai az energia- és közüzemi iparágba
A mesterséges intelligencia energia- és közüzemi iparba történő integrálásának három legnagyobb kihívása az adatbiztonság, az adatkezelés és a mesterséges intelligenciára való túlzott támaszkodás.
A mesterséges intelligenciával kapcsolatos adatbiztonság nagyrészt szabályozatlan, tehát ez mind a lehetőségek, mind a kockázatok területe. Lehetőség merülhet fel az olyan ipari szövetségek, mint például az Amerikai Fűtési, Hűtési és Légkondicionáló Mérnökök Társasága (ASHRAE), hogy bevált gyakorlatokat hozzanak létre az AI iparban történő alkalmazására. Az adatbiztonságon belüli lehetséges kockázatok közé tartoznak a rossz szereplők, amelyek rosszindulatú módon használják az AI-t, például a hackelés. Az iparágaknak gyorsan ki kell fejleszteniük az adatbiztonsággal kapcsolatos megközelítésüket, hogy kezeljék ezeket a kihívásokat. Az adatoknak és döntéseknek auditálhatónak kell lenniük, és szerepalapú hozzáférés-szabályozásnak kell lennie az algoritmusokhoz, hogy megakadályozzák, hogy a rossz szereplők befolyásolják a használt mesterséges intelligencia motor agyát.
Arra kérjük az AI-t, hogy gondoljon az épületekben és magukban az épületeken belüli energiafelhasználásról. De mint minden ebben az új környezetben, vannak kihívások és lehetőségek, amelyeket a megfelelő adatok iránti óriási igény hangsúlyozza.
Az adatkezelésben ahhoz, hogy az ipar hatékony és eredményes legyen az eredmények elérésében, az AI-nek egységes kimenettel kell rendelkeznie, különösen a generatív mesterséges intelligencia esetében. A minőségi adatkezelés magában foglalja a szabványosított adatkategorizálást, jelentési mechanizmusokat és kommunikációt, különösen, ha az AI egy épületautomatizálási rendszerrel kommunikál. Az egyszerű kommunikáció segít megakadályozni olyan adatsilók létrehozását, amelyek akadályozzák a kulcsfontosságú adatok megosztását.
Nagy a kockázat azonban a mesterséges intelligenciára való túlzott támaszkodás miatt. Ha túlságosan támaszkodunk a mesterséges intelligenciára, elveszítjük a kreativitás kulcsszikráját; minden azon fog alapulni, és csak arra korlátozódik, amit az AI motor táplál. Ez elfogultsághoz és elégedettséghez vezethet, különösen a generatív AI esetében. Azok a vállalatok, amelyek az AI-t kreativitási eszközként használják, csak az emberi elmék hozzájárulásával és felügyeletével teszik ezt sikeresen.
Végső soron egy mesterséges intelligencia motor csak olyan okos lesz, mint a benne lévő adatok.
A legjobb adatok felhasználása a mesterséges intelligencia kiaknázására az építőiparban és az energiaiparban
Az épületekben és az energiában történő bármilyen mesterséges intelligencia alkalmazásában a legfontosabb adatok pontosak, alkalmazhatóak történelmi adatok, mert a jövő előrejelzéséhez tudnunk kell, hogy a dolgok hogyan reagáltak vagy működtek a múltban az adott rendszer különféle ingereire. A történelmi adatok tartalmazhatnak képeket — például egy központi üzem képeit továbbíthatja egy mesterséges intelligencia-motorba, hogy segítse az internetet egy eszköz vagy motor tervezési információiért.
A generatív mesterséges intelligencia segítségével a munkamegrendelési jelentések és a karbantartás teljes előzményei egy adott rendszeren lehetővé teszik a szakember — aki szakértő a rendszer optimalizálásában — gyorsabban léphet fel az ügyfél által felmerülő összetett probléma megoldása érdekében. A gépi tanulás esetén a megfelelő érzékelőket használó és a megfelelő trend-adatokkal és mérésekkel formázott épületautomatizálási rendszer feltétlenül kritikus fontosságú.
Mind az adatok pontossága, mind az igazán megbízható adatmennyiség elengedhetetlen az AI optimalizálásához. Például az időjárási adatok felhasználhatók közel valós idejű döntések meghozatalára egy központi műveleti tervre vonatkozóan, vagy egy gépi tanulást használó légkezelő esetében a lehetséges megtakarítások kiszámításához. Ez egy alkalmazásprogramozási interfész (API) használata felé mutatja, amely két alkalmazás közötti digitális közvetítő, amely lehetővé teszi az egyik program számára, hogy adatokat vagy funkciókat kérjen a másiktól anélkül, hogy tudnia kellene a másik rendszer működését. A rendszerkezelők olyan API-kat hozhatnak létre, amelyek integrálhatók a használt mesterséges intelligenciába, ami nagyobb méretezhetőséget, fokozott funkcionalitást és rugalmasságot eredményez, mivel a kimenetek testreszabhatók a felhasználók egyedi igényeinek megfelelően.
A mesterséges intelligencia megfelelő mennyiségű történelmi adatának meghatározása
Hogyan állapíthatja meg, hogy milyen mértékű történelmi adatokra van szüksége? Ez attól függ, hogy mi történt valójában mondjuk az elmúlt három évben. Ez elég, vagy tényleg szükséged van többre?
Energiamérnöki hátteremben a legtöbb vezető két-három év értékű közüzemi adatokat szeretne. De ha a COVID-járvány idején azt mondanád nekem, hogy három évnyi hasznossági adatot szeretne, azt mondanám, hogy 2020 és 2021 nem igazán releváns a jövő előrejelzésében, mivel az épületek abban az időben nem voltak elfoglalatlanok.
Az, hogy mennyi történelmi adatra van szüksége, az is függ az épületrendszertől, magától az épülettől és attól, hogy mit próbál elérni működési szempontból. Erre példa, ha van egy konferenciatermi légkezelő, amely adatokra van szüksége. Ha van egy találkozó naponta abban a konferenciateremben, valószínűleg két hetes adattal tudnék megbirkózni. Ha a külső hőmérséklet egy bizonyos hőmérsékleten nagyobb mennyiségű órát reprezentál, akkor ennek elegendő adatnak kell lennie.
A történelmi adatokkal kapcsolatos sok megfontolás függ az alkalmazástól, de az energiagazdálkodóknak komolyan meg kell vizsgálniuk a múltat és azt, hogy a globális események hogyan alakíthatták a rendelkezésükre álló adatok tényleges minőségét.
AI használata a terheléskezelés és a kereslet rugalmasságának kezelésére
Az energiaipar megtanulja, hogyan lehet kihasználni a gépi tanulást és a mesterséges intelligenciát a hálózat és a rendszerek terhelésének optimalizálásával és méretezésével kapcsolatos legfontosabb kérdésekben. Ebben nagy szerepet játszik a digitális ikertechnológia is. A digitális iker hozzájárulhat az elektromos eszközök élettartamának növeléséhez azáltal, hogy észleli a hibákat ezekben a rendszerekben, mielőtt azok problémává válnának. Az AI képes táplálni ezt a digitális ikert azáltal, hogy feldolgozza az ilyen eszközök ikreinek létrehozásához szükséges nagy adatkészleteket.
Egy másik technológia, amely az energiaelosztás terén szerepet játszhat, a Siemens Xcelerator platformon belüli ajánlat: az Electrification X. Ez a felhőszolgáltatásokra épülő kínálat az elektromos infrastruktúra kezelésére, optimalizálására és automatizálására szolgál az alállomások és egyéb eszközök holisztikus áttekintése révén. Az Electrification X rendszerben az Electrification X Asset Management nevű funkciókészlet érzékelő adatelemzéseket használ, hogy az eszköztulajdonosok és üzemeltetők növeljék az üzemidőt és a megbízhatóságot, csökkentsék az üzemeltetési költségeket és erősítsék a kiberbiztonságot.
A Siemens egy másik Gridscale X nevű kínálattal rendelkezik, amely könnyen telepíthető moduláris szoftvert kínál a végpontok közötti hálózatkezeléshez, és az AI segítségével hatalmas mennyiségű hálózati adat elemzésére szolgál. A kínálat rétege a Gridscale X DER Insights, amely mesterséges intelligenciát használ a mérő mögött elosztott energiaforrások (DER) feltárására, valamint azok viselkedésének és a hálózati berendezésekre gyakorolt hatásának felmérésére. Ez segít a hasznos betekintések előrejelzésében, elemzésében és kinyerésében, és végrehajtható következő lépésekké alakításában. Ez azért értékes, mert segít az ügyfeleknek optimalizálni a DER-műveleteket, megérteni a DER teljesítményét és egészségét, valamint maximalizálni az üzleti és hálózati rugalmasságot.
A fő mesterséges intelligencia trendjeinek előrelépése
Az iparági vezetőknek figyelemmel kell kísérniük az Egyesült Államokban és világszerte bekövetkezett mesterséges intelligencia-szabályokat, mert ezek biztosan befolyásolják az AI fejlődését a jövőben. Ez azt jelenti, hogy amit most az AI-vel csinálunk, megváltozik. Figyelembe kell vennünk az új AI képességekre és technológiákra is, amint azok online megjelennek. Az iparági vezetőknek gyorsan meg kell tanulniuk, hogy ezek az új elemek hogyan alkalmazhatók az építési és energiaüzemeltetésekre, hogy azok értéke változást hozhasson az üzleti és az ügyfelek számára.
Végül mindannyiunknak nyitott gondolkodással kell rendelkeznie arról, hogy mit tehet az AI. Fogalmazzuk meg a közelgő változásokat, és érvényesítjük az emberi szerepet az AI-ben. Óvatosak lehetünk, de nem szabad félnünk. Mindenki támaszkodhat az AI-re, ha mindent megtanul róla, és megpróbálja fejleszteni vállalkozását, ahol hozzáadott értéket ad, javítja a működést és az ügyfelek számára előnyös.
Megjelenés dátuma: 2025. december 30