Wykorzystanie AI w celu maksymalizacji odporności w infrastrukturze

Uwaga redaktora: To jest narracyjna wersja komentarzy Kevina Scarborough wygłoszonych w podcaście Energy Beat. Możesz posłuchać pełnego wywiadu tutaj.

W firmie Siemens zdajemy sobie sprawę, że następuje globalna transformacja energetyczna. Jesteśmy tego pewni, ponieważ opieramy naszą długoterminową strategię na pięciu globalnych megatrendach, którymi są: zmiany demograficzne, urbanizacja, glokalizacja, zmiany środowiskowe i efektywne wykorzystanie zasobów oraz cyfryzacja. Każdy z nich będzie miał znaczący wpływ na energię — sposób, w jaki ją wytwarzamy, dystrybuujemy i wykorzystujemy. Jak wszyscy wiemy, firmy priorytetowo traktują energię odnawialną, efektywność energetyczną i elektryfikację swoich aktywów.

Wiemy również, że ta transformacja obciąża istniejącą infrastrukturę energetyczną i budowlaną. Aby utrzymać niezawodność i trwałość tych złożonych systemów, wymagana jest szybka zmiana.

Sektor budowlany stanowi około 40% światowego zapotrzebowania na energię, a powierzchnia użytkowa w budynkach na całym świecie ma podwoić się do 2060 roku. Ta ogromna powierzchnia, która wkrótce zostanie zabudowana, zwiększy zapotrzebowanie na zasoby. Jest to jeden z powodów, dla których zapotrzebowanie na energię elektryczną ma wzrosnąć trzykrotnie do 2050 r. Tak więc, jak niedawno stwierdził nasz dyrektor generalny Smart Infrastructure w swoim poście dla Reuters Plus: „odporne dostawy energii zyskały na znaczeniu i stały się priorytetem infrastruktury numer jeden”.

Siemens postrzega to jako główną szansę na to, by infrastruktura budowlana i energetyczna stały się bardziej inteligentne dzięki AI, co pozwoli nam stworzyć przyszłościową technologię, do której dążymy.

Wykorzystujemy i badamy sztuczną inteligencję w ramach tego, co nazywamy naszym ekosystemem Building X, aby usprawnić dostarczanie raportów danych, co z kolei zapewnia klientom większą efektywność energetyczną i lepsze wyniki operacyjne. Jednym z przykładów może być wykorzystanie generatywnej sztucznej inteligencji, która pomaga zidentyfikować historię zleceń pracy dla zasobu, aby pomóc w ustaleniu priorytetów konserwacji i szybciej reagować na potrzeby z nią związane. Używamy również uczenia maszynowego do optymalizacji klimatyzatorów i jednostek obsługi powietrza w pomieszczeniach komputerowych.

Mówiąc prościej, prosimy sztuczną inteligencję, aby pomyślała o zużyciu energii w budynkach i o samych budynkach. Jednak w tym nowym krajobrazie istnieją zarówno wyzwania, jak i możliwości – podkreślone ogromną potrzebą odpowiednich danych.

Wyzwania związane z integracją AI z przemysłem energetycznym i użyteczności publicznej

Trzy największe wyzwania związane z integracją sztucznej inteligencji z przemysłem energetycznym i użyteczności publicznej to bezpieczeństwo danych, zarządzanie danymi i nadmierne poleganie na sztucznej inteligencji.

Bezpieczeństwo danych związane ze sztuczną inteligencją jest w dużej mierze nieuregulowane, więc jest to obszar zarówno możliwości, jak i ryzyka. Szansą może być współpraca stowarzyszeń branżowych, takich jak Amerykańskie Towarzystwo Inżynierów Ogrzewania, Chłodzenia i Klimatyzacji (ASHRAE), w celu stworzenia najlepszych praktyk dotyczących wykorzystania sztucznej inteligencji w branży. Potencjalne zagrożenia związane z bezpieczeństwem danych obejmują szkodliwe podmioty wykorzystujące sztuczną inteligencję w złośliwy sposób, na przykład do hakowania. Branże muszą szybko rozwinąć swoje podejście do bezpieczeństwa danych, aby sprostać tym wyzwaniom. Dane i decyzje muszą podlegać audytowi i musi istnieć oparta na rolach kontrola dostępu do algorytmów, aby zapobiec wpływowi złych podmiotów na używane silniki sztucznej inteligencji.

Jeśli chodzi o zarządzanie danymi, aby branża była wydajna i skutecznie osiągała rezultaty, sztuczna inteligencja musi mieć jednolite wyniki, zwłaszcza w przypadku generatywnej sztucznej inteligencji. Zarządzanie jakością danych obejmuje ustandaryzowane kategoryzacje danych, mechanizmy raportowania i komunikację, zwłaszcza jeśli sztuczna inteligencja komunikuje się z systemem automatyki budynku. Łatwość komunikacji pomaga zapobiegać tworzeniu silosów danych, które utrudniają udostępnianie kluczowych danych.

Istnieje jednak duże ryzyko związane z nadmierną zależnością od sztucznej inteligencji. Jeśli zbyt mocno polegamy na AI, tracimy kluczową iskrę kreatywności; wszystko będzie oparte na tym, co zasila silnik sztucznej inteligencji, i ograniczone do tego. Może to prowadzić do stronniczości i samozadowolenia, zwłaszcza w przypadku generatywnej sztucznej inteligencji. Firmy, które wykorzystują sztuczną inteligencję jako narzędzie kreatywności, robią to z powodzeniem tylko przy wkładzie i nadzorze ludzkich umysłów.

Ostatecznie silnik sztucznej inteligencji będzie tak inteligentny, jak dane, którymi jest karmiony.

Wykorzystanie najlepszych danych dla AI w przemyśle budowlanym i energetycznym

W każdym rodzaju zastosowań sztucznej inteligencji w budynkach i energetyce najważniejszymi danymi są dokładne, odpowiednie dane historyczne, ponieważ aby przewidzieć przyszłość, musimy wiedzieć, jak różne elementy reagowały lub działały w przeszłości na różne bodźce w systemie. Dane historyczne mogą obejmować obrazy — na przykład przesyłasz obrazy centralnego zakładu do silnika sztucznej inteligencji, aby pomógł znaleźć w Internecie informacje projektowe urządzenia lub silnika.

Dzięki generatywnej sztucznej inteligencji posiadanie raportów zleceń pracy i pełnej historii konserwacji w określonym systemie może zapewnić specjalistom – ekspertom w optymalizacji systemu – możliwość szybszego poruszania się w celu rozwiązania złożonego problemu klienta. W przypadku uczenia maszynowego posiadanie systemu automatyki budynku, który wykorzystuje odpowiednie czujniki i odpowiednie dane dotyczące trendów i pomiarów, ma absolutnie kluczowe znaczenie.

Zarówno dokładność danych, jak i ich naprawdę wiarygodna ilość są niezbędne do optymalizacji AI. Na przykład dane pogodowe mogą być wykorzystywane do podejmowania decyzji w czasie bliskim do rzeczywistego w ramach centralnego planu operacyjnego lub przez operatora wentylacji, który wykorzystuje uczenie maszynowe do obliczenia potencjalnych oszczędności. Jest to ukłon w stronę użycia interfejsu API, cyfrowego pośrednika między dwiema aplikacjami, który umożliwia jednemu programowi żądanie danych lub funkcji od innego bez konieczności wiedzy o tym, jak działa drugi system. Menedżerowie systemów mogą tworzyć API, które można zintegrować z używaną sztuczną inteligencją, co skutkuje większą skalowalnością, zwiększoną funkcjonalnością i elastycznością dzięki możliwości dostosowywania wyników do specyficznych potrzeb użytkowników.

Określanie odpowiedniej ilości danych historycznych dla AI

Jak określić, jakiego zakresu danych historycznych potrzebujesz? To zależy od tego, co faktycznie wydarzyło się, powiedzmy, w ciągu ostatnich trzech lat. Czy to wystarczy, czy potrzebujesz więcej?

Większość menedżerów chciałaby mieć dane użyteczności publicznej z dwóch, trzech lat. Ale gdyby ktoś powiedział mi podczas pandemii COVID, że chce danych dotyczących użyteczności z ostatnich trzech lat, opowiedziałbym, że lata 2020 i 2021 nie były tak naprawdę istotne dla prognozowania, jak będzie wyglądać przyszłość, ponieważ budynki były w tym czasie puste.

To, ile danych historycznych potrzebujesz, zależy również od systemu budynku, samego budynku i tego, co starasz się osiągnąć operacyjnie. Przykładem tego jest obsługa powietrza w sali konferencyjnej i dane z tym związane. Jeśli w sali konferencyjnej odbywa się jedno spotkanie dziennie, prawdopodobnie wystarczyłyby dane z okresu około dwóch tygodni. Jeśli temperatura na zewnątrz była reprezentatywna dla większej ilości godzin w określonej temperaturze, powinny to być wystarczające dane.

Wiele rozważań dotyczących danych historycznych zależy od zastosowania, ale menedżerowie ds. energii muszą poważnie spojrzeć na przeszłość i to, jak wydarzenia globalne mogły ukształtować rzeczywistą jakość posiadanych danych.

Wykorzystanie AI do zarządzania obciążeniem i elastycznością popytu

Przemysł energetyczny uczy się, jak wykorzystać uczenie maszynowe i sztuczną inteligencję w bardzo kluczowych sprawach, takich jak optymalizacja i dostosowanie obciążenia sieci i rozmiaru systemów. Ważną rolę w tym odgrywa również technologia cyfrowego bliźniaka. Cyfrowy bliźniak może pomóc wydłużyć żywotność zasobów elektrycznych, wykrywając usterki w systemach, zanim staną się problemem. Sztuczna inteligencja może zasilać cyfrowego bliźniaka, przetwarzając duże zbiory danych niezbędne do tworzenia bliźniaków takich zasobów.

Inną technologią, która może wejść w grę w dystrybucji energii, jest dostępna na platformie Siemens Xcelerator Electrification X. Ta oferta, oparta na usługach w chmurze, ma na celu zarządzanie, optymalizację i automatyzację infrastruktury elektryfikacyjnej poprzez zapewnienie całościowego spojrzenia na podstacje i inne zasoby. Zestaw funkcji w Electrification X, zwany Electrification X Asset Management, wykorzystuje analizę danych z czujników, aby umożliwić właścicielom aktywów i operatorom wydłużenie czasu pracy i niezawodności, zmniejszenie kosztów operacyjnych i wzmocnienie cyberbezpieczeństwa.

Siemens ma też inną usługę o nazwie Gridscale X, która zapewnia łatwe do wdrożenia modułowe oprogramowanie do kompleksowego zarządzania siecią i wykorzystuje sztuczną inteligencję do analizy ogromnych ilości danych sieciowych. W ramach tego rozwiązania Siemens oferuje Gridscale X DER Insights, który wykorzystuje sztuczną inteligencję do wykrywania rozproszonych zasobów energii (DER) znajdujących się poza licznikiem i oceny ich zachowania oraz wpływu na urządzenia sieciowe. Pomaga to w prognozowaniu, analizowaniu i wydobywaniu przydatnych spostrzeżeń i przekształcaniu ich w możliwe do wykonania kolejne kroki. Jest to cenne, ponieważ pomaga klientom zoptymalizować operacje DER, zrozumieć wydajność i kondycję DER oraz maksymalizować odporność działalności i sieci.

Wyprzedzanie głównych trendów AI

Menedżerowie branżowi muszą mieć oko na przepisy dotyczące sztucznej inteligencji, które pojawiają się w kraju i na całym świecie, ponieważ z pewnością wpłyną one na rozwój AI w przyszłości. Zatem to, co teraz robimy z AI, zmieni się. Musimy również znajdować nowe możliwości i technologie sztucznej inteligencji, gdy staną się one dostępne. Menedżerowie branżowi muszą szybko dowiadywać się, jak zastosować te nowe elementy do operacji budowlanych i energetycznych, aby ich wartość mogła mieć wpływ na biznes i klientów.

Ostatecznie wszyscy musimy mieć otwarty umysł w kwestii tego, co potrafi sztuczna inteligencja. Przyjmijmy nadchodzące zmiany i podkreślmy ludzką rolę w sztucznej inteligencji. Możemy być ostrożni, ale nie powinniśmy się bać. Każdy może polegać na sztucznej inteligencji, ucząc się o niej wszystkiego, co się da, i próbując rozwijać swoją firmę przez wykorzystanie jej tam, gdzie dodaje wartości, poprawia operacje i przynosi korzyści klientom.

Opublikowano: 30 grudnia 2025