Bruke AI for å maksimere spenst i infrastruktur

Redaktørens merknad: Dette er en fortellende versjon av Kevin Scarboroughs kommentarer til Energy Beat Podcast. Du kan lytte til de komplette podcastintervjuene her.

Hos Siemens er vi klar over at det skjer en global energiomstilling. Vi er sikre på denne observasjonen fordi vi baserer vår langsiktige strategi på Fem globale megatrender: demografiske endringer, urbanisering, glokalisering, miljøendring og ressurseffektivitet, og digitalisering. Hver av disse vil ha betydelig innvirkning på energi - hvordan vi genererer den, distribuerer den og bruker den. Og som vi alle vet, prioriterer selskaper fornybar energi, energieffektivitet og elektrifisering av eiendelene sine.

Vi vet også at denne overgangen anstrenger eksisterende energi- og bygningsinfrastruktur. Det krever rask transformasjon for å opprettholde påliteligheten og bærekraften til disse komplekse systemene.

Byggesektoren representerer omtrent 40 prosent av det globale energibehovet, og mengden brukbar plass i bygninger over hele verden forventes å dobles innen 2060. Det er mye kvadratmeter som er i ferd med å bygges, noe som setter etterspørsel på ressursene våre. Dette er en grunn til at etterspørselen etter elektrisitet forventes å tredobles innen 2050. Således, som vår administrerende direktør i Smart Infrastructure Matthias Rebellius nylig uttalte i sin Innlegg for Reuters Plus, «En robust energiforsyning har fått betydning for å bli den viktigste infrastrukturprioriteten.»

Siemens ser på dette som en stor mulighet for bygg- og energiinfrastruktur til å bli mer intelligent med AI, for å skape den typen fremtidssikker teknologi som vi ønsker.

Vi utnytter og forsker på AI innenfor det vi kaller Building X-økosystemet vårt for å forbedre leveransen av datarapportering som igjen gir større energieffektivitet og driftsresultater for kundene. Et eksempel på dette kan være å bruke generativ AI for å identifisere historien til arbeidsordrer for en eiendel for å prioritere vedlikehold og svare raskere på vedlikeholdsbehov. Vi bruker også maskinlæring for å optimalisere luftbehandlere og klimaanlegg i datamaskinrom.

Enkelt sagt ber vi AI om å tenke på energibruk i bygninger og bygningene selv. Men som alt i dette nye landskapet, er det utfordringer og muligheter - understreket av et stort behov for riktig data.

Utfordringene med å integrere AI i energi- og forsyningsindustrien

De tre største utfordringene for å integrere AI i energi- og forsyningsindustrien er datasikkerhet, datastyring og overdreven avhengighet av AI.

Datasikkerhet relatert til AI er stort sett uregulert, så dette er et område med både muligheter og risiko. Muligheter kan oppstå ved at bransjeforeninger som American Society of Heating, Refrigerating and Air-Conditioning Engineers (ASHRAE) kommer sammen for å skape beste praksis for bruk av AI i bransjen. De potensielle risikoene innen datasikkerhet inkluderer dårlige aktører som bruker AI på en ondartet måte, for eksempel hacking. Bransjene må raskt utvikle sin tilnærming til datasikkerhet for å takle disse utfordringene. Data og beslutninger må kunne kontrolleres, og det må være rollebasert tilgangskontroll til algoritmene for å forhindre at dårlige aktører påvirker hjernen til AI-motoren som er i bruk.

I datastyring, for at bransjen skal være effektiv og effektiv i å drive resultater, må AI ha en enhetlig produksjon, spesielt med generativ AI. Kvalitetsdatastyring inkluderer standardiserte datakategoriseringer, rapporteringsmekanismer og kommunikasjon, spesielt hvis AI kommuniserer med et bygningsautomatiseringssystem. Enkel kommunikasjon bidrar til å forhindre opprettelse av datasiloer som hindrer deling av nøkkeldata.

Det er imidlertid stor risiko rundt overdreven avhengighet av AI. Hvis vi stoler for mye på AI, mister vi den viktige gnisten av kreativitet; alt vil være basert på - og begrenset til - det som blir matet til AI-motoren. Dette kan føre til skjevhet og selvtilfredshet, spesielt med generativ AI. Bedrifter som bruker AI som et kreativitetsverktøy, gjør det vellykket bare med innspill og tilsyn av menneskelige sinn.

Til syvende og sist vil en AI-motor bare være like smart som dataene som er matet inn i den.

Bruke de beste dataene for å utnytte AI i bygg- og energibransjen

I alle slags AI-applikasjoner i bygninger og energi er de viktigste dataene nøyaktige, anvendelige historiske data, fordi for å forutsi fremtiden, må vi vite hvordan ting reagerte eller fungerte tidligere på forskjellige stimuli til det systemet. Historiske data kan omfatte bilder - du mater bilder av et sentralt anlegg, for eksempel, inn i en AI-motor for å hjelpe deg med å søke på internett etter designinformasjon for en enhet eller en motor.

Med generativ AI kan det å ha arbeidsordrerapporter og en fullstendig vedlikeholdshistorie på et bestemt system gi en spesialist - noen som er ekspert på å optimalisere et system - muligheten til å bevege seg raskere for å løse et komplekst problem som en kunde kan ha. Med maskinlæring er det helt avgjørende å ha et bygningsautomatiseringssystem som bruker riktige sensorer og formatert med riktige trenddata og målinger.

Både datanøyaktighet og en virkelig pålitelig mengde data er avgjørende for å optimalisere AI. For eksempel kan værdata brukes til å ta beslutninger i nær sanntid for en sentral driftsplan, eller for en luftbehandler som bruker maskinlæring, for å beregne potensielle besparelser. Dette er et nikk mot bruken av et applikasjonsprogrammeringsgrensesnitt (API), en digital mellommann mellom to applikasjoner som gjør det mulig for ett program å be om data eller funksjonalitet fra et annet uten å måtte vite hvordan det andre systemet fungerer. Systemadministratorer kan lage API-er som kan integreres i AI som er i bruk, noe som resulterer i større skalerbarhet, forbedret funksjonalitet og fleksibilitet med muligheten til å tilpasse utdata for å møte de spesifikke behovene til brukerne.

Finne ut riktig mengde historiske data for AI

Hvordan bestemmer du hvor mye historisk data du trenger? Det kommer an på hva som faktisk skjedde de siste tre årene. Er det nok, eller trenger du virkelig mer?

I min bakgrunn som energiingeniør vil de fleste ledere ha to til tre års bruksdata. Men hvis du fortalte meg under COVID-pandemien at du ønsket tre års bruksdata, vil jeg fortelle deg at 2020 og 2021 egentlig ikke var relevante for å forutsi hvordan fremtiden kommer til å se ut fordi bygninger var ledige på den tiden.

Hvor mye historiske data du trenger, avhenger også av bygningssystemet, selve bygningen og hva du prøver å oppnå operativt. Et eksempel på dette er når du har en luftbehandler i konferanserom som trenger data. Hvis det er ett møte om dagen i det konferanserommet, kan jeg sannsynligvis klare meg med omtrent to ukers data. Hvis temperaturen utenfor var representativ for en større mengde timer ved en viss temperatur, bør dette være tilstrekkelige data.

Mange hensyn til historiske data avhenger av applikasjonen, men energiledere må seriøst se på fortiden og hvordan globale hendelser kan ha formet den faktiske kvaliteten på dataene de har.

Bruke AI for å håndtere belastningshåndtering og etterspørselsfleksibilitet

Energiindustrien lærer hvordan man kan utnytte maskinlæring og AI for de helt sentrale spørsmålene om å optimalisere og justere størrelsen på belastningen på nettet og systemene. Digital tvillingteknologi spiller også en stor rolle i dette. En digital tvilling kan bidra til å øke levetiden til elektriske eiendeler ved å oppdage feil i disse systemene før de blir et problem. AI kan drive denne digitale tvillingen ved å behandle de store datasettene som er nødvendige for å lage tvillinger av slike eiendeler.

En annen teknologi som kan spille inn for energidistribusjon er et tilbud innen Siemens Xcelerator-plattformen: Electrification X. Dette tilbudet, bygget på skytjenester, er designet for å administrere, optimalisere og automatisere elektrifiseringsinfrastruktur ved å gi et helhetlig syn på transformatorstasjoner og andre eiendeler. Et funksjonssett innen Electrification X, kalt Electrification X Asset Management, bruker sensordataanalyse for å gjøre det mulig for eierne og operatørene av eierne av eierne og operatørene å øke oppetid og pålitelighet, redusere driftskostnader og styrke cybersikkerheten.

Siemens har et annet tilbud kalt Gridscale X som gir enkel å distribuere modulær programvare for ende-til-ende nettstyring og utnytter AI til å analysere store mengder nettdata. Lagdelt innenfor dette tilbudet er Gridscale X DER Insights, som bruker AI til å avdekke distribuerte energiressurser bak måleren (DER) og vurdere deres oppførsel og deres innvirkning på nettutstyr. Dette hjelper deg med å forutsi, analysere og trekke ut nyttig innsikt og gjøre dem til handlingsbare neste trinn. Dette er verdifullt fordi det hjelper kundene med å optimalisere DER-driften, forstå DER-ytelse og helse, og maksimere virksomhets- og nettmotstandskraften.

Å være i forkant av de store AI-trendene

Bransjeledere må holde øye med AI-regelverket som kommer i USA og globalt fordi de sikkert vil påvirke hvordan AI utvikler seg i fremtiden. Dette betyr at det vi gjør nå med AI vil endre seg. Vi må også være på vakt etter nye AI-evner og teknologier når de kommer på nettet. Bransjeledere må raskt lære hvordan disse nye elementene kan gjelde for bygg- og energidrift, slik at verdien av dem kan utgjøre en forskjell for virksomheten og for kundene.

Til syvende og sist må vi alle ha et åpent sinn om hva AI kan gjøre. La oss omfavne endringene som kommer og hevde den menneskelige rollen i AI. Vi kan være forsiktige, men vi skal ikke være redde. Alle kan lene seg på AI ved å lære alt du kan om det og prøve å utvide virksomheten din, bruke den der den tilfører verdi, forbedrer driften og kommer kundene til gode.

Publisert: 30. desember 2025