Dirbtinio intelekto naudojimas siekiant padidinti atsparumą infrastruktūroje
Autorius: Kevinas Scarborough, JAV energetikos paslaugų direktorius, “Siemens Smart Infrastructure—Buildings” ir Energijos vadybos asociacijos narys
Redaktoriaus pastaba: Tai pasakojamoji Kevino Scarborough komentarų “Energy Beat Podcast” versija. Galite klausytis visų podcast'o interviu čia.
“Siemens” mes pripažįstame, kad vyksta pasaulinis energijos perėjimas. Esame įsitikinę šiuo pastebėjimu, nes savo ilgalaikę strategiją remiame penki pasauliniai megatrendai: demografiniai pokyčiai, urbanizacija, glokalizacija, aplinkos pokyčiai ir išteklių efektyvumas bei skaitmenizacija. Kiekvienas iš jų turės didelę įtaką energijai — kaip ją generuojame, paskirstome ir naudojame. Ir kaip visi žinome, įmonės teikia pirmenybę atsinaujinančiai energijai, energijos vartojimo efektyvumui ir savo turto elektrifikavimui.
Mes taip pat žinome, kad šis perėjimas įtempia esamą energetikos ir pastatų infrastruktūrą. Norint išlaikyti šių sudėtingų sistemų patikimumą ir tvarumą, reikia greitai transformuoti.
Pastatų sektorius sudaro apie 40 procentų pasaulinės energijos poreikio, o iki 2060 m. Pastatų naudojimo patalpų kiekis visame pasaulyje turėtų padvigubėti. Tai yra daug kvadratinių metrų, kad netrukus bus pastatytas, todėl paklausa mūsų išteklių. Tai yra viena iš priežasčių, kodėl tikimasi, kad iki 2050 m. elektros energijos poreikis padidės trigubai. Taigi, kaip neseniai pareiškė mūsų “Smart Infrastructure” generalinis direktorius Matthias Rebellius savo Pranešimas “Reuters Plus”, “atsparus energijos tiekimas tapo svarbiausiu infrastruktūros prioritetu”.
“Siemens” mano, kad tai yra pagrindinė galimybė pastatų ir energetikos infrastruktūrai tapti pažangesnėmis naudojant dirbtinį intelektą, sukurti tokią ateitį atsparią technologiją, kurios siekiame.
Mes pasitelkiame ir tiriame dirbtinį intelektą vadinamoje “Building X” ekosistemoje, kad pagerintume duomenų ataskaitų teikimą, o tai savo ruožtu suteikia klientams didesnį energijos vartojimo efektyvumą ir veiklos rezultatus. Vienas iš to pavyzdžių būtų generatyvaus AI naudojimas, padedantis nustatyti turto darbo užsakymų istoriją, kad būtų galima nustatyti techninės priežiūros prioritetus ir greičiau reaguoti į priežiūros poreikius. Mes taip pat naudojame mašininį mokymąsi, kad optimizuotume kompiuterinių patalpų oro tvarkytuvus ir oro kondicionierius.
Paprasčiau tariant, mes prašome AI pagalvoti apie energijos naudojimą pastatuose ir pačiuose pastatuose. Tačiau, kaip ir viskas šiame naujame kraštovaizdyje, yra iššūkių ir galimybių, kurias pabrėžia didžiulis tinkamų duomenų poreikis.
AI integravimo į energetikos ir komunalinių paslaugų pramonę iššūkiai
Trys didžiausi iššūkiai integruojant DI į energetikos ir komunalinių paslaugų pramonę yra duomenų saugumas, duomenų valdymas ir per didelis pasitikėjimas dirbtiniu intelektu.
Duomenų saugumas, susijęs su DI, iš esmės yra nereguliuojamas, todėl tai yra tiek galimybių, tiek rizikos sritis. Galimybė gali atsirasti pramonės asociacijoms, tokioms kaip Amerikos šildymo, šaldymo ir oro kondicionavimo inžinierių draugija (ASHRAE), susiburti, kad sukurtų geriausią AI naudojimo pramonėje praktiką. Galima rizika, susijusi su duomenų saugumu, apima blogus veikėjus, naudojančius AI piktybiškai, pavyzdžiui, įsilaužimus. Pramonės šakos turi greitai išplėtoti savo požiūrį į duomenų saugumą, kad galėtų išspręsti šias problemas. Duomenys ir sprendimai turi būti audituojami, taip pat turi būti vykdoma vaidmenimis pagrįsta prieigos prie algoritmų kontrolė, kad blogi veikėjai nepaveiktų naudojamo AI variklio smegenims.
Mes prašome dirbtinio intelekto pagalvoti apie energijos naudojimą pastatuose ir pačiuose pastatuose. Tačiau, kaip ir viskas šiame naujame kraštovaizdyje, yra iššūkių ir galimybių, kurias pabrėžia didžiulis tinkamų duomenų poreikis.
Duomenų valdymo srityje, kad pramonė būtų veiksminga ir veiksminga skatinanti rezultatus, dirbtinis intelektas turi turėti vienodą rezultatą, ypač naudojant generacinį dirbtinį intelektą. Kokybiškų duomenų valdymas apima standartizuotus duomenų kategorijas, ataskaitų teikimo mechanizmus ir ryšius, ypač jei dirbtinis intelektas bendrauja su pastatų automatizavimo sistema. Lengva komunikacija padeda užkirsti kelią duomenų siloso, trukdančių dalintis pagrindiniais duomenimis, kūrimui.
Tačiau yra didelė rizika dėl pernelyg didelio pasitikėjimo dirbtiniu intelektu. Jei per daug pasikliausime dirbtiniu intelektu, prarasime tą pagrindinę kūrybiškumo kibirkštį; viskas bus pagrįsta ir apsiribojama tuo, kas tiekiama dirbtinio intelekto varikliui. Tai gali sukelti šališkumą ir nusiraminimą, ypač naudojant generacinį AI. Įmonės, kurios naudoja AI kaip kūrybiškumo įrankį, sėkmingai tai daro tik prisidėdamos ir prižiūrint žmonių protus.
Galų gale AI variklis bus tik toks pat protingas, kaip į jį įvedami duomenys.
Geriausių duomenų naudojimas dirbtinio intelekto panaudojimui pastatų ir energetikos pramonėje
Bet kokio AI taikymo pastatuose ir energetikoje rūšiuoti, svarbiausi duomenys yra tikslūs, taikomi istoriniai duomenys, nes norėdami numatyti ateitį, turime žinoti, kaip viskas reagavo ar veikė praeityje į įvairius dirgiklius tai sistemai. Istoriniai duomenys gali apimti vaizdus — pavyzdžiui, centrinės gamyklos vaizdus pateikiate į dirbtinio intelekto variklį, kad galėtumėte ieškoti informacijos apie įrenginį ar variklį internete.
Naudojant generacinį AI, darbo užsakymų ataskaitų turėjimas ir visa konkrečios sistemos priežiūros istorija galėtų suteikti specialistui - sistemos optimizavimo ekspertui - galimybę greičiau judėti siekiant išspręsti sudėtingą problemą, kurią gali turėti klientas. Naudojant mašininį mokymąsi, visiškai svarbu turėti pastato automatikos sistemą, kurioje naudojami teisingi jutikliai ir suformatuota su teisingais tendencijų duomenimis ir matavimais.
Tiek duomenų tikslumas, tiek tikrai patikimas duomenų kiekis yra būtini norint optimizuoti DI. Pavyzdžiui, oro duomenys gali būti naudojami beveik realiuoju laiku priimant sprendimus dėl centrinio operacijų plano arba oro tvarkytojui, naudojančiam mašininį mokymąsi, siekiant apskaičiuoti galimas santaupas. Tai linktelėjimas link programų programavimo sąsajos (API) naudojimo, skaitmeninio tarpininko tarp dviejų programų, leidžiančių vienai programai prašyti duomenų ar funkcijų iš kitos, nereikia žinoti, kaip veikia kita sistema. Sistemos valdytojai gali sukurti APIs, kurias galima integruoti į naudojamą AI, todėl gaunamas didesnis mastelio keitimas, patobulintas funkcionalumas ir lankstumas, suteikiant galimybę pritaikyti išėjimus, kad atitiktų specifinius vartotojų poreikius.
Tinkamo AI istorinių duomenų kiekio nustatymas
Kaip nustatyti, kokio masto istorinių duomenų jums reikia? Tai priklauso nuo to, kas iš tikrųjų įvyko, tarkime, per pastaruosius trejus metus. Ar to pakanka, ar tikrai reikia daugiau?
Mano, kaip energetikos inžinieriaus, fone dauguma vadovų norėtų dvejų ar trejų metų naudingumo duomenų. Bet jei per COVID pandemiją man pasakytumėte, kad norite trejų metų duomenų apie naudingumą, pasakyčiau, kad 2020 ir 2021 metai iš tikrųjų nebuvo svarbūs prognozuojant, kaip atrodys ateitis, nes tuo metu pastatai buvo neužimti.
Kiek istorinių duomenų jums reikia, taip pat priklauso nuo pastato sistemos, paties pastato ir to, ką bandote pasiekti operatyviai. To pavyzdys yra tada, kai turite konferencijų salės oro tvarkytoją, kuriam reikia duomenų. Jei toje konferencijų salėje vyksta vienas susitikimas per dieną, tikriausiai galėčiau susitvarkyti su maždaug dviejų savaičių duomenimis. Jei temperatūra lauke buvo reprezentatyvi didesnį valandų kiekį tam tikroje temperatūroje, tai turėtų būti pakankamai duomenų.
Daug svarstymų apie istorinius duomenis priklauso nuo programos, tačiau energetikos vadybininkai turi rimtai pažvelgti į praeitį ir į tai, kaip pasauliniai įvykiai galėjo suformuoti tikrąją jų turimų duomenų kokybę.
AI naudojimas apkrovos valdymui ir paklausos lankstumui spręsti
Energetikos pramonė mokosi, kaip panaudoti mašininį mokymąsi ir dirbtinį intelektą svarbiausiems tinklelio ir sistemų apkrovos optimizavimui ir tinkamo dydžio klausimams. Skaitmeninė dvynių technologija taip pat vaidina svarbų vaidmenį. Skaitmeninis dvynys gali padėti pailginti elektros energijos naudojimo laiką, nustatydamas šių sistemų gedimus, kol jie netampa problema. AI gali maitinti šį skaitmeninį dvynį apdorodamas didelius duomenų rinkinius, reikalingus tokio turto dvyniams sukurti.
Kita technologija, kuri gali būti naudojama energijos paskirstymui, yra “Siemens Xcelerator” platformos pasiūlymas: “Electrification X”. Šis pasiūlymas, paremtas debesų paslaugomis, skirtas valdyti, optimizuoti ir automatizuoti elektrifikavimo infrastruktūrą, suteikiant holistinį pastotės ir kito turto vaizdą. “Electrification X” funkcijų rinkinys, vadinamas “Electrification X Asset Management”, naudoja jutiklių duomenų analizę, kad turto savininkai ir operatoriai galėtų padidinti veikimo laiką ir patikimumą, sumažinti veiklos išlaidas ir sustiprinti kibernetinį saugumą.
“Siemens” turi dar vieną pasiūlymą, vadinamą “Gridscale X”, kuris suteikia lengvai įdiegtą modulinę programinę įrangą, skirtą tinklo valdymui iki galo, ir pasitelkia dirbtinį intelektą, kad analizuotų didžiulį tinklo duomenų kiekį. Šiame pasiūlyme yra “Gridscale X DER Insights”, kuris naudoja AI, kad atskleistų už skaitiklio paskirstytus energijos išteklius (DER) ir įvertintų jų elgesį ir poveikį tinklo įrangai. Tai padeda prognozuoti, analizuoti ir išgauti naudingų įžvalgų ir paversti jas tolesniais veiksmais. Tai vertinga, nes padeda klientams optimizuoti DER operacijas, suprasti DER našumą ir sveikatą bei maksimaliai padidinti verslo ir tinklo atsparumą.
Išlikti priekyje pagrindinių AI tendencijų
Pramonės vadovai turi stebėti AI reglamentus, kurie įsigalioja JAV ir visame pasaulyje, nes jie tikrai turės įtakos AI vystymuisi ateityje. Tai reiškia, kad tai, ką dabar darome su AI, pasikeis. Taip pat turime stebėti naujas dirbtinio intelekto galimybes ir technologijas, kai jos atsiranda internete. Pramonės vadovai turi greitai išmokti, kaip šie nauji elementai gali būti taikomi pastatų ir energetikos operacijoms, kad jų vertė galėtų turėti įtakos verslui ir klientams.
Galų gale mes visi turime turėti atvirą protą apie tai, ką gali padaryti AI. Pažvelkime į artėjančius pokyčius ir patvirtinkime žmogaus vaidmenį AI. Galime būti atsargūs, bet bijoti nereikėtų. Kiekvienas gali remtis dirbtiniu intelektu, sužinojęs viską, ką gali apie tai, ir bandyti auginti savo verslą, naudodamas jį ten, kur jis suteikia pridėtinės vertės, gerina operacijas ir teikia naudą klientams.
Paskelbta: 2025 m. Gruodžio 30 d