AI gebruiken om de veerkracht van de infrastructuur te maximaliseren

Noot van de redactie: Dit is een verhalende versie van Kevin Scarborough's commentaar op de Energy Beat Podcast. U kunt de volledige interviews in de podcast beluisteren hier.

Bij Siemens erkennen we dat er een wereldwijde energietransitie gaande is. We hebben vertrouwen in deze opmerking omdat we onze langetermijnstrategie baseren op vijf wereldwijde megatrends: demografische veranderingen, verstedelijking, glokalisatie, veranderingen in het milieu en efficiënt gebruik van hulpbronnen, en digitalisering. Elk van deze factoren zal een aanzienlijke invloed hebben op de manier waarop we energie opwekken, distribueren en gebruiken. En zoals we allemaal weten, geven bedrijven prioriteit aan hernieuwbare energie, energie-efficiëntie en de elektrificatie van hun bedrijfsmiddelen.

We weten ook dat deze overgang de bestaande energie- en bouwinfrastructuur onder druk zet. Ze vereist een snelle transformatie om de betrouwbaarheid en duurzaamheid van deze complexe systemen te behouden.

De bouwsector vertegenwoordigt ongeveer 40 procent van de wereldwijde energievraag en de hoeveelheid bruikbare ruimte in gebouwen over de hele wereld zal naar verwachting tegen 2060 verdubbelen. Dat zijn veel vierkante meters die nog gebouwd moeten worden, waardoor er een beroep wordt gedaan op onze middelen. Dit is een van de redenen waarom de vraag naar elektriciteit tegen 2050 naar verwachting zal verdrievoudigen. Zo verklaarde onze CEO van Smart Infrastructure Matthias Rebellius onlangs in zijn post voor Reuters Plus, "Een veerkrachtige energievoorziening is belangrijker dan ooit en is uitgegroeid tot een van de belangrijkste infrastructuurprioriteiten."

Siemens ziet dit als een grote kans voor de bouw- en energie-infrastructuur om met behulp van AI intelligenter te worden en zo toekomstbestendige technologie te creëren.

We maken gebruik van en onderzoeken AI binnen wat we ons Building X-ecosysteem noemen om de levering van datarapportage te verbeteren, wat op zijn beurt leidt tot meer energie-efficiëntie en betere operationele resultaten voor klanten. Een voorbeeld hiervan is het gebruik van generatieve AI om de geschiedenis van werkorders voor een bedrijfsmiddel te helpen identificeren, zodat onderhoud kan worden geprioriteerd en sneller kan worden gereageerd op onderhoudsbehoeften. We maken ook gebruik van machine learning om luchtbehandelingssystemen en airconditioners in computerruimten te optimaliseren.

Simpel gezegd vragen we AI om na te denken over het energieverbruik in gebouwen en over de gebouwen zelf. Maar zoals alles in dit nieuwe landschap zijn er uitdagingen en kansen, wat wordt onderstreept door een grote behoefte aan de juiste gegevens.

De uitdagingen van de integratie van AI in de energie- en nutssector

De drie grootste uitdagingen voor de integratie van AI in de energie- en nutssector zijn gegevensbeveiliging, gegevensbeheer en een te grote afhankelijkheid van AI.

Gegevensbeveiliging met betrekking tot AI is grotendeels ongereguleerd, dus dit is een gebied met zowel kansen als risico's. Er kunnen zich kansen voordoen wanneer brancheorganisaties zoals de American Society of Heating, Refrigerating and Air-Conditioning Engineers (ASHRAE) samenkomen om beste praktijken te ontwikkelen voor het gebruik van AI in de industrie. Mogelijke risico's op het gebied van gegevensbeveiliging zijn onder meer kwaadwillende actoren die AI op een schadelijke manier gebruiken, zoals bij hacken. Bedrijfstakken moeten hun aanpak van gegevensbeveiliging snel aanpassen om deze uitdagingen het hoofd te bieden. Gegevens en beslissingen moeten controleerbaar zijn en er moet een op rollen gebaseerde toegangscontrole tot de algoritmen zijn om te voorkomen dat kwaadwillende actoren invloed hebben op de werking van de gebruikte AI-engine.

Op het gebied van gegevensbeheer kan de sector alleen efficiënt en effectief resultaten behalen als AI een uniforme output levert, vooral bij generatieve AI. Kwaliteitsbeheer van gegevens omvat gestandaardiseerde gegevenscategorisaties, rapportagemechanismen en communicatie, vooral wanneer de AI communiceert met een gebouwautomatiseringssysteem. Goede communicatie helpt voorkomen dat er datasilo's ontstaan die het delen van belangrijke gegevens belemmeren.

Er is echter een groot risico verbonden aan een te grote afhankelijkheid van AI. Als we te veel afhankelijk zijn van AI, verliezen we dat belangrijke vleugje creativiteit; alles zal gebaseerd zijn op en beperkt blijven tot wat in de AI-engine wordt ingevoerd. Dit kan leiden tot vooringenomenheid en zelfgenoegzaamheid, vooral bij generatieve AI. Bedrijven die AI als creativiteitsinstrument gebruiken, doen dat alleen met inbreng en toezicht van de menselijke geest.

Uiteindelijk zal een AI-engine slechts zo slim zijn als de gegevens die erin worden ingevoerd.

De beste gegevens gebruiken om AI te gebruiken in de bouw- en energiesector

In elke vorm van AI-toepassing in gebouwen en energie zijn nauwkeurige, toepasbare historische gegevens. Om de toekomst te kunnen voorspellen, moeten we weten hoe systemen in het verleden hebben gereageerd of gewerkt onder verschillende prikkels. Historische gegevens kunnen ook afbeeldingen bevatten: u voert bijvoorbeeld beelden van een centrale installatie in een AI-engine in om ontwerpinformatie over een apparaat of motor te helpen achterhalen.

Met generatieve AI kan het beschikken over werkorderrapporten en een volledige onderhoudshistorie van een specifiek systeem een specialist, iemand die een expert is in het optimaliseren van een systeem, in staat stellen sneller actie te ondernemen om een complex probleem van een klant aan te pakken. Bij machine learning is een gebouwautomatiseringssysteem dat de juiste sensoren gebruikt en is ingericht met de juiste trendgegevens en metingen van cruciaal belang.

Zowel gegevensnauwkeurigheid als een voldoende grote en betrouwbare hoeveelheid gegevens zijn essentieel voor het optimaliseren van AI. Weergegevens kunnen bijvoorbeeld worden gebruikt om bijna realtime beslissingen te nemen voor een centraal operatieplan of voor een luchtbehandelaar die gebruikmaakt van machine learning, om potentiële besparingen te berekenen. Dit verwijst naar het gebruik van een Application Programming Interface (API), een digitale intermediair tussen twee toepassingen waarmee het ene programma gegevens of functionaliteit van een ander programma kan opvragen zonder te weten hoe dat andere systeem werkt. Systeembeheerders kunnen API's maken die in de gebruikte AI kunnen worden geïntegreerd, wat resulteert in grotere schaalbaarheid, verbeterde functionaliteit en flexibiliteit, met de mogelijkheid om de output aan te passen aan de specifieke behoeften van gebruikers.

Uitzoeken van de juiste hoeveelheid historische gegevens voor AI

Hoe bepaal je welke hoeveelheid historische gegevens u nodig hebt? Dat hangt af van wat er daadwerkelijk is gebeurd in bijvoorbeeld de afgelopen drie jaar. Is dat voldoende of hebt u meer nodig?

Vanuit mijn achtergrond als energietechnicus zouden de meeste managers twee tot drie jaar aan nutsgegevens willen hebben. Maar als u mij tijdens de COVID-pandemie had verteld dat u drie jaar aan nutsgegevens wilde, dan zou ik hebben gezegd dat 2020 en 2021 niet echt relevant waren om te voorspellen hoe de toekomst eruitziet, omdat gebouwen in die periode niet bezet waren.

Hoeveel historische gegevens u nodig hebt, hangt ook af van het gebouwsysteem, het gebouw zelf en wat u operationeel probeert te bereiken. Een voorbeeld is een luchtbehandelaar in een conferentieruimte waarvoor gegevens nodig zijn. Als er één vergadering per dag is in die ruimte, kan ik waarschijnlijk volstaan met ongeveer twee weken aan data. Als de buitentemperatuur representatief was voor een groot aantal uren bij een bepaalde temperatuur, zou dat voldoende moeten zijn.

Veel overwegingen over historische gegevens zijn afhankelijk van de toepassing, maar energiemanagers moeten serieus naar het verleden kijken en naar de manier waarop wereldwijde gebeurtenissen invloed kunnen hebben gehad op de feitelijke kwaliteit van de gegevens waarover zij beschikken.

AI gebruiken voor het beheer van de belasting en de flexibiliteit van de vraag

De energiesector leert hoe zij machine learning en AI kan inzetten voor belangrijke toepassingen, zoals het optimaliseren en aanpassen van de belasting op het net en de systemen. Digital twin-technologie speelt hierin ook een belangrijke rol. Een digital twin kan helpen de levensduur van elektrische apparatuur te verlengen door fouten in systemen te detecteren voordat ze een probleem worden. AI kan deze digital twin aansturen door de grote datasets te verwerken die nodig zijn om dergelijke activa te modelleren.

Een andere technologie voor energiedistributie is een aanbod binnen het Siemens Xcelerator-platform: Electrification X. Dit op clouddiensten gebaseerde aanbod is ontworpen om de elektrificatie-infrastructuur te beheren, te optimaliseren en te automatiseren door een holistisch beeld te bieden van onderstations en andere activa. Een functieset binnen Electrification X, Electrification X Asset Management, maakt gebruik van sensorgegevensanalyse om eigenaren en beheerders van bedrijfsmiddelen in staat te stellen de inzetbaarheid en betrouwbaarheid te verhogen, de operationele kosten te verlagen en de cyberbeveiliging te versterken.

Siemens heeft ook een ander aanbod, Gridscale X, dat eenvoudig te implementeren modulaire software biedt voor end-to-end netbeheer en AI gebruikt om grote hoeveelheden netgegevens te analyseren. Binnen dit aanbod bevindt zich Gridscale X DER Insights, dat AI gebruikt om gedistribueerde energiebronnen (DER's) achter de meter te detecteren en hun gedrag en impact op netapparatuur te beoordelen. Dit helpt bij het voorspellen en analyseren van gegevens en bij het verkrijgen van inzichten die kunnen worden omgezet in concrete vervolgstappen. Dit is waardevol omdat het klanten helpt DER-activiteiten te optimaliseren, de prestaties en gezondheid van DER te begrijpen en de veerkracht van het bedrijf en het netwerk te maximaliseren.

De belangrijkste AI-trends voor blijven

Industriemanagers moeten de AI-regelgeving die in de VS en wereldwijd van kracht wordt in de gaten houden, omdat die van invloed zal zijn op de toekomstige ontwikkeling van AI. Dit betekent dat wat we nu doen met AI zal veranderen. We moeten ook op de hoogte blijven van nieuwe AI-mogelijkheden en technologieën zodra die beschikbaar komen. Industriemanagers moeten snel leren hoe deze nieuwe elementen kunnen worden toegepast op gebouwen en energieactiviteiten, zodat ze waarde kunnen toevoegen voor bedrijven en klanten.

Uiteindelijk moeten we openstaan voor wat AI kan doen. Laten we de komende veranderingen omarmen en de menselijke rol in AI bevestigen. We kunnen voorzichtig zijn, maar we hoeven niet bang te zijn. Iedereen kan vertrouwen op AI door er meer over te leren en het te gebruiken waar het waarde toevoegt, de bedrijfsvoering verbetert en klanten ten goede komt.

Gepubliceerd: 30 december 2025