Usare l'IA per massimizzare la resilienza nelle infrastrutture
Di: Kevin Scarborough, Direttore dei Servizi Energetici negli Stati Uniti, Siemens Smart Infrastructure—Buildings, e membro dell'Energy Management Association
Nota redazionale: Questa è una versione narrativa dei commenti di Kevin Scarborough nel podcast Energy Beat. Puoi ascoltare le interviste complete del podcast qui.
In Siemens, riconosciamo che sta avvenendo una transizione energetica globale. Siamo fiduciosi in questa osservazione perché stiamo basando la nostra strategia a lungo termine su cinque megatrend globali: cambiamento demografico, urbanizzazione, glocalizzazione, cambiamento ambientale ed efficienza delle risorse, e digitalizzazione. Ognuno di questi avrà un impatto significativo sull'energia: su come la generiamo, la distribuiamo e la utilizziamo. E come tutti sappiamo, le aziende stanno dando priorità all'energia rinnovabile, all'efficienza energetica e all'elettrificazione dei loro asset.
Sappiamo anche che questa transizione sta mettendo sotto pressione le infrastrutture energetiche ed edilizie esistenti. Ciò richiede una trasformazione rapida per mantenere l'affidabilità e la sostenibilità di questi sistemi complessi.
Il settore edilizio rappresenta circa il 40 per cento della domanda energetica globale e si prevede che la quantità di spazio utilizzabile negli edifici in tutto il mondo raddoppierà entro il 2060. È una grande quantità di metri quadrati che sta per essere costruita, mettendo pressione sulle nostre risorse. Questo è uno dei motivi per cui si prevede che la domanda di elettricità triplicherà entro il 2050. Così, come ha recentemente affermato il nostro CEO di Smart Infrastructure Matthias Rebellius nel suo post per Reuters Plus, "una fornitura di energia resiliente ha acquisito importanza diventando la priorità numero uno nelle infrastrutture."
Siemens considera questa una grande opportunità per rendere le infrastrutture edilizie ed energetiche più intelligenti con l'IA, per creare quel tipo di tecnologia a prova di futuro a cui aspiriamo.
Stiamo sfruttando e ricercando l'IA all'interno di quello che chiamiamo il nostro ecosistema Building X per migliorare la consegna dei report dei dati che a loro volta portano a una maggiore efficienza energetica e risultati operativi per i clienti. Un esempio di questo sarebbe l'uso dell'IA generativa per aiutare a identificare la storia degli ordini di lavoro per un asset, al fine di dare priorità alla manutenzione e rispondere più rapidamente alle esigenze di manutenzione. Utilizziamo anche l'apprendimento automatico per ottimizzare i condizionatori d'aria e i ventilatori delle sale computer.
In parole semplici, stiamo chiedendo all'IA di riflettere sull'uso dell'energia all'interno degli edifici e sugli edifici stessi. Ma come in ogni cosa in questo nuovo panorama, ci sono sfide e opportunità—sottolineate da un'enorme necessità di dati corretti.
Le sfide dell'integrazione dell'IA nei settori dell'energia e dei servizi pubblici
Le tre sfide più grandi per integrare l'IA nei settori dell'energia e dei servizi pubblici sono la sicurezza dei dati, la governance dei dati e l'eccessiva dipendenza dall'IA.
La sicurezza dei dati relativa all'IA è in gran parte non regolamentata, quindi questo è un ambito sia di opportunità che di rischio. L'opportunità potrebbe nascere dall'unione di associazioni di settore come la American Society of Heating, Refrigerating and Air-Conditioning Engineers (ASHRAE) per creare le migliori pratiche per l'uso dell'IA nel settore. I potenziali rischi nella sicurezza dei dati includono attori malintenzionati che utilizzano l'IA in modo maligno, come l'hacking. Le industrie devono evolvere rapidamente il loro approccio alla sicurezza dei dati per affrontare queste sfide. I dati e le decisioni devono essere verificabili, e deve esserci un controllo, basato sui ruoli, degli accessi agli algoritmi per evitare che attori malintenzionati influenzino il cervello del motore IA in uso.
Stiamo chiedendo all'IA di riflettere sull'uso dell'energia all'interno degli edifici e sugli edifici stessi. Ma come in ogni cosa in questo nuovo panorama, ci sono sfide e opportunità—sottolineate da un'enorme necessità di dati corretti.
Nella governance dei dati, affinché l'industria sia efficiente ed efficace nel generare risultati, l'IA deve avere un output uniforme, specialmente con l'IA generativa. La governance dei dati di qualità include categorizzazioni dei dati standardizzate, meccanismi di report e comunicazioni, specialmente se l'IA comunica con un sistema di automazione degli edifici. La facilità delle comunicazioni aiuta a prevenire la creazione di silos di dati che ostacolano la condivisione di dati chiave.
Tuttavia, esiste un grande rischio legato all'eccessiva dipendenza dall'IA. Se ci affidiamo troppo all'IA, perdiamo quella scintilla chiave di creatività; tutto sarà basato su—e limitato a—ciò che viene fornito al motore IA. Questo può portare a pregiudizi e compiacimento, specialmente con l'IA generativa. Le aziende che utilizzano l'IA come strumento di creatività lo fanno con successo solo con l'input e la supervisione delle menti umane.
In definitiva, un motore IA sarà intelligente solo quanto i dati che gli vengono forniti.
Utilizzare i migliori dati per sfruttare l'IA nei settori dell'edilizia e dell'energia
In qualsiasi tipo di applicazione IA negli edifici e nell'energia, i dati più importanti sono dati storici accurati e applicabili, perché per prevedere il futuro, dobbiamo sapere come le cose hanno reagito o operato in passato a vari stimoli di quel sistema. I dati storici possono includere immagini: ad esempio, si inseriscono immagini di un impianto centrale in un motore IA per aiutarti a cercare informazioni di progettazione per un dispositivo o un motore su internet.
Con l'IA generativa, avere report degli ordini di lavoro e una storia completa della manutenzione su un sistema specifico potrebbe dare a uno specialista—qualcuno esperto nell'ottimizzazione di un sistema—la capacità di agire più rapidamente per affrontare un problema complesso che un cliente potrebbe avere. Con il machine learning, avere un sistema di automazione degli edifici che utilizza i sensori corretti e formattato con i dati di tendenza e le misurazioni corrette è assolutamente fondamentale.
Sia l'accuratezza dei dati che una quantità davvero affidabile di dati sono essenziali per ottimizzare l'IA. Ad esempio, i dati meteorologici possono essere utilizzati per prendere decisioni quasi in tempo reale per un piano operativo centrale, o per un'unità di trattamento dell'aria che utilizza l'apprendimento automatico, per calcolare i potenziali risparmi. Questo è un cenno all'uso di un'interfaccia di programmazione delle applicazioni (API), un intermediario digitale tra due applicazioni che consente a un programma di richiedere dati o funzionalità da un altro senza dover sapere come funziona l'altro sistema. I responsabili di sistema possono creare API che possono essere integrate nell'IA in uso, comportando una maggiore scalabilità, funzionalità migliorata e flessibilità con la capacità di personalizzare i risultati per soddisfare le esigenze specifiche degli utenti.
Determinare la giusta quantità di dati storici per l'IA
Come si determina la quantità necessaria di dati storici? Dipende da ciò che è effettivamente accaduto, diciamo, negli ultimi tre anni. È sufficiente o ti serve davvero di più?
Nel mio background come ingegnere energetico, la maggior parte dei responsabili desidererebbe dati sulle utenze di due o tre anni. Ma se mi avessi detto durante la pandemia di COVID che volevi tre anni di dati sulle utenze, ti avrei detto che il 2020 e il 2021 non erano davvero rilevanti per prevedere come sarà il futuro perché gli edifici erano vuoti in quel periodo.
La quantità di dati storici di cui hai bisogno dipende anche dal sistema di edifici, dall'edificio stesso e da ciò che stai cercando di ottenere operativamente. Un esempio di questo è quando hai un'unità di trattamento aria in una sala conferenze che necessita di dati. Se c'è una riunione al giorno in quella sala conferenze, probabilmente potrei cavarmela con circa due settimane di dati. Se la temperatura esterna fosse rappresentativa di un numero maggiore di ore a una certa temperatura, ciò dovrebbe essere un dato sufficiente.
Molte considerazioni sui dati storici dipendono dall'applicazione, ma i responsabili dell'energia devono seriamente esaminare il passato e come gli eventi globali potrebbero aver influenzato la reale qualità dei dati in loro possesso.
Usare l'IA per affrontare la gestione del carico e la flessibilità della domanda
L'industria energetica sta imparando come sfruttare il machine learning e l'IA per le questioni fondamentali di ottimizzare e dimensionare correttamente il carico sulla rete e sui sistemi. Anche la tecnologia digital twin svolge un ruolo fondamentale in questo. Un digital twin può aiutare ad aumentare la durata degli asset elettrici rilevando i guasti in questi sistemi prima che diventino un problema. L'IA può alimentare questo digital twin elaborando i grandi set di dati necessari per creare digital twin di tali asset.
Un'altra tecnologia che può entrare in gioco nella distribuzione dell'energia è un'offerta all'interno della piattaforma Siemens Xcelerator: Electrification X. Questa offerta, basata su servizi cloud, è progettata per gestire, ottimizzare e automatizzare l'infrastruttura di elettrificazione fornendo una visione olistica delle sottostazioni e di altri asset. Un set di funzionalità all'interno di Electrification X, chiamato Electrification X Asset Management, utilizza l'analisi dei dati dei sensori per consentire ai proprietari e agli operatori di asset di aumentare il tempo di attività e l'affidabilità, ridurre le spese operative e rafforzare la cybersecurity.
Siemens ha un'altra offerta chiamata Gridscale X che fornisce un software modulare facile da implementare per la gestione della rete end-to-end e sfrutta l'IA per analizzare enormi quantità di dati della rete. Incorporato in quell'offerta c'è Gridscale X DER Insights, che utilizza l'IA per scoprire le risorse energetiche distribuite (DER) dietro il contatore e valutare il loro comportamento e il loro impatto sulle apparecchiature della rete. Questo aiuta nella previsione, nell'analisi e nell'estrazione di informazioni utili trasformandole in prossimi passi concreti. Questo è prezioso perché aiuta i clienti a ottimizzare le operazioni DER, comprendere le prestazioni e la salute dei DER e massimizzare la resilienza aziendale e della rete.
Rimanere un passo avanti rispetto alle principali tendenze dell'IA
I dirigenti del settore devono tenere d'occhio le normative sull'IA che stanno arrivando negli Stati Uniti e a livello globale perché influenzeranno sicuramente lo sviluppo dell'IA in futuro. Questo significa che ciò che stiamo facendo ora con l'IA cambierà. Dobbiamo anche essere vigili riguardo alle nuove capacità e tecnologie dell'IA man mano che diventano operative. I responsabili del settore devono imparare rapidamente come questi nuovi elementi possano essere applicati alle operazioni di costruzione ed energia affinché il loro valore possa fare la differenza per l'azienda e per i clienti.
In definitiva, dobbiamo tutti avere una mente aperta su ciò che l'IA può fare. Abbracciamo i cambiamenti che stanno arrivando e affermiamo il ruolo umano nell'IA. Possiamo essere cauti, ma non dovremmo avere paura. Tutti possono fare affidamento sull'IA imparando tutto ciò che possono su di essa e cercando di far crescere la propria attività, utilizzandola dove aggiunge valore, migliora le operazioni e va a beneficio dei clienti.
Pubblicato: 30 dicembre 2025