Использование ИИ для обеспечения максимальной отказоустойчивости инфраструктуры
Автор: Кевин Скарборо, руководитель отдела сервиса в области энергетики США, интеллектуальная инфраструктура Siemens — здания, и член Ассоциации по управлению энергопотреблением
Примечание редактора: это текстовая версия интервью с Кевином Скарборо на подкасте Energy Beat. Вы можете послушать полную версию интервью здесь.
В компании Siemens понимают, что происходит глобальный энергетический переход. Мы уверены в этом утверждении, потому что стрит свою долгосрочную стратегию на пяти глобальных мегатрендах: демографические изменения, урбанизация, глокализация, изменение окружающей среды, эффективность использования ресурсов и цифровизация. Каждый из них тесно связан с энергетикой — с тем, как мы ее генерируем, распределяем и используем. И, как мы все знаем, компании уделяют основное внимание возобновляемым источникам энергии, энергоэффективности и электрификации своих активов.
Мы также знаем, что этот переход создает нагрузку на существующую энергетическую и строительную инфраструктуру. Для поддержания надежности и обеспечения устойчивости этих сложных систем требуется быстрая трансформация.
Строительный сектор вызывает около 40 % мирового спроса на энергию. Предполагается, что к 2060 году количество полезной площади зданий по всему миру удвоится. Это множество квадратных метров жилья, которое скоро будет построено, и, следовательно, вызовет спрос на наши ресурсы. По этой причине спрос на электроэнергию, как ожидается, утроится к 2050 году. Так, недавно наш генеральный директор подразделения «Интеллектуальная инфраструктура» Siemens Маттиас Ребеллиус в своей публикации для Reuters Plus заявил, что «устойчивое энергоснабжение приобрело еще большее значение и стало инфраструктурным приоритетом номер один».
Siemens считает это прекрасной возможностью сделать строительную и энергетическую инфраструктуру более интеллектуальной с помощью ИИ и создать перспективные технологии, к которым мы стремимся.
Мы используем и тестируем искусственный интеллект в рамках так называемой экосистемы Building X для улучшения подготовки отчетности, что, в свою очередь, повышает энергоэффективность и операционные результаты для клиентов. Одним из примеров может служить использование генеративного искусственного интеллекта для идентификации истории заказов на работу с активом, что позволяет приоритизировать техническое обслуживание и быстрее реагировать на потребности в техническом обслуживании. Также мы используем машинное обучение для оптимизации работы вентиляторов и кондиционеров в вычислительных центрах.
Проще говоря, мы используем ИИ, чтобы проанализировать энергозатраты в зданиях и оценить сами здания. Но, как и со всем в любой новой задаче, у нас появляются проблемы и возможности, особенно ощущается огромная потребность в нужных данных.
Трудности интеграции ИИ в энергетику и коммунальное хозяйство
Три самые большие проблемы при интеграции ИИ в энергетику и коммунальное хозяйство — это безопасность данных, управление данными и чрезмерная зависимость от ИИ.
Безопасность данных, связанная с ИИ, в значительной степени не регулируется, поэтому данная область сопряжена как с возможностями, так и с риском. Возможности могут появиться в случае объединения усилий с отраслевыми ассоциациями, такими как Американское общество инженеров по отоплению, охлаждению и кондиционированию воздуха (ASHRAE), для разработки передовых практик использования искусственного интеллекта в отрасли. Потенциальные риски, связанные с безопасностью данных, — это злоумышленники, использующие искусственный интеллект, например хакерские атаки. Для решения этих проблем необходимо быстро изменить свой подход к безопасности данных. Данные и решения должны быть подлежащими проверке, а также должен быть внедрен контроль доступа на основе ролей, чтобы злоумышленники не могли управлять движком искусственного интеллекта.
Мы используем ИИ, чтобы проанализировать энергозатраты в зданиях и оценить сами здания. Но, как и со всем в любой новой задаче, у нас появляются проблемы и возможности, особенно ощущается огромная потребность в нужных данных.
Чтобы отрасль могла эффективно выдавать результаты, искусственный интеллект должен демонстрировать единообразную исходящую информацию, особенно в случае генеративного ИИ. Качественное управление данными включает стандартизованную классификацию данных, механизмы отчетности и коммуникации, особенно если искусственный интеллект взаимодействует с системой автоматизации зданий. Простота связи позволяет предотвратить создание хранилищ данных, препятствующих обмену ключевыми данными.
Однако чрезмерная зависимость от искусственного интеллекта сопряжена с большим риском. Если мы будем слишком полагаться на искусственный интеллект, то утратим основной источник творчества; все будет основано на том, что поступает в движок искусственного интеллекта, и ограничиваться им. Это может привести к предвзятости и беспечности, особенно в случае генеративного ИИ. Компании, использующие искусственный интеллект в качестве инструмента для творчества, добиваются успеха только при участии и контроле человека.
В конечном счете, движок ИИ будет настолько же умным, насколько умны поступающие к нему данные.
Использование лучших данных для искусственного интеллекта в строительстве и энергетике
В любых приложениях искусственного интеллекта для зданий и энергетики самые важными данными являются точные, применимые данные прошлых периодов, потому что для прогнозирования необходимо знать, какие реакции ранее наблюдались на различные воздействия на систему. Данные прошлых периодов могут включать изображения. Например, изображения центральной установки передаются в движок ИИ, чтобы найти в Интернете информацию о конструкции устройства или двигателя.
Благодаря генеративному искусственному интеллекту наличие отчетов о технических заданиях и полной истории обслуживания конкретной системы может дать специалисту в области оптимизации системы возможность быстрее приступить к решению сложной проблемы, с которой столкнулся клиент. При машинном обучении крайне важно иметь систему автоматизации зданий, использующую правильные датчики, отформатировать правильным образом данные и результаты измерений.
Для оптимизации ИИ важны как точность данных, так и действительно надежный объем данных. Например, данные о погоде можно использовать для принятия решений по плану оперативной деятельности в режиме, близком к реальному времени, или расчета потенциальной экономии на воздухообрабатывающей установке с использованием машинного обучения. Это отсылка к использованию интерфейса прикладного программирования (API), цифрового посредника между двумя приложениями, позволяющего одной программе запрашивать данные или функции у другой без необходимости знать, как работает другая система. Менеджеры системы могут создавать API, которые интегрируются в используемый ИИ, что обеспечит большую масштабируемость, расширенную функциональность и гибкость, а также возможность настраивать выходные данные в соответствии с конкретными потребностями пользователей.
Определение нужного объема данных прошлых периодов для ИИ
Как определить, какой объем данных за прошлые периоды вам нужен? Это зависит от того, что произошло, скажем, за последние три года. Этого достаточно или вам действительно нужно больше?
За время моей работы инженером-энергетиком большинство руководителей хотели получить данные по коммунальным услугам за два-три года. Но если во время пандемии COVID вы бы мне сказали, что вам нужны данные о коммунальных услугах за три года, я бы сказал, что 2020 и 2021 годы не очень релевантны для прогнозирования будущего, потому что в то время здания пустовали.
Необходимый объем данных прошлых периодов также зависит от системы здания, самого здания и от того, чего вы пытаетесь достичь в процессе эксплуатации. Например, если у вас есть установка обработки воздуха в конференц-зале, и для нее необходимо узнать данные. Если в этом конференц-зале будет проводиться одно собрание в день, мне, вероятно, хватит данных за две недели. Если температура на улице репрезентативна для большего временного промежутка при определенной температуре в помещении, этих данных должно быть достаточно.
Многие аспекты, касающиеся данных прошлых периодов, зависят от области применения, но руководители энергетических компаний должны серьезно анализировать прошлое и то, как глобальные события могли повлиять на качество имеющихся у них данных.
Использование искусственного интеллекта для регулирования нагрузки и обеспечения гибкости спроса
Энергетическая отрасль учится использовать машинное обучение и искусственный интеллект для решения ключевых задач оптимизации и регулирования нагрузки на сеть и системы. Технология цифрового двойника играет в этом не последнюю роль. Цифровой двойник позволяет увеличить срок службы электрооборудования, обнаруживая неисправности в системах до того, как они повлекут за собой проблемы. ИИ может обеспечить работу такого цифрового двойника, обрабатывая большие массивы данных, необходимые для создания двойников активов.
Еще одна технология, которая может использоваться для оптимизации распределения энергии, — Electrification X. Это предложение на платформе Siemens Xcelerator. Данное предложение, в основе которого лежат облачные сервисы, предназначено для управления, оптимизации и автоматизации энергетической инфраструктуры за счет формирования целостного представления о подстанциях и других активах. Набор функций Electrification X под названием Electrification X Asset Management использует аналитику данных датчиков для увеличения времени безотказной работы, повышения надежности, снижения эксплуатационных расходов и повышения кибербезопасности.
У Siemens есть еще одно предложение под названием Gridscale X, которое представляет собой простое в развертывании модульное программное обеспечение для комплексного управления сетями и использует ИИ для анализа огромных объемов данных сети. В рамках этого предложения также используется инструмент Gridscale X DER Insights, который применяет ИИ для выявления скрытых распределенных энергетических ресурсов (DER), оценки их поведения и влияния на сетевое оборудование. Он помогает прогнозировать, анализировать и получать полезные сведения и трансформировать их в практические следующие шаги. Этот инструмент позволяет заказчикам оптимизировать операции по ликвидации аварий, оценивать производительность и работоспособность систем, а также обеспечивать максимальную устойчивость сетей и предприятий.
Будьте в авангарде основных трендов искусственного интеллекта
Руководители отрасли должны следить за нормативными документами в области искусственного интеллекта, которые будут приняты в США и во всем мире, поскольку они, несомненно, повлияют на развитие ИИ в будущем. Это означает, что нынешнее положение вещей, связанных с ИИ, изменится. Нам также необходимо следить за появлением новых возможностей и технологий искусственного интеллекта по мере их появления в Интернете. Руководителям отрасли необходимо быстро узнавать о том, как эти новые элементы можно применять в строительстве и энергетике, чтобы их ценность могла принести пользу бизнесу и клиентам.
В конечном счете, мы все должны непредвзято относиться к тому, на что способен искусственный интеллект. Давайте примем грядущие изменения и подтвердим роль человека в работе искусственного интеллекта. Мы можем осторожничать, но не стоит бояться. Каждый может положиться на искусственный интеллект, получив о нем всю доступную информацию, и попытаться развивать свой бизнес, используя ИИ там, где он обеспечивает создание ценности, совершенствует операции и приносит пользу клиентам.
Опубликовано: 30 декабря 2025 г.