Použitie AI na maximalizáciu odolnosti infraštruktúry

Poznámka redakcie: Ide o naratívnu verziu komentárov Kevina Scarborougha v podcaste Energy Beat. Celé rozhovory podcastu si môžete vypočuť tu.

V spoločnosti Siemens si uvedomujeme, že prebieha globálna energetická transformácia. Toto presvedčenie vychádza z toho, že našu dlhodobú stratégiu staviame na piatich globálnych megatrendoch: demografické zmeny, urbanizácia, geolokalizácia, environmentálne zmeny a efektívnosť využívania zdrojov a digitalizácia. Každý z nich bude mať významný vplyv na energiu — spôsob jej výroby, distribúcie a využívania. Ako je všeobecne známe, spoločnosti čoraz viac uprednostňujú obnoviteľné zdroje energie, energetickú efektívnosť a elektrifikáciu svojich aktív.

Zároveň vieme, že táto transformácia zaťažuje existujúcu energetickú a stavebnú infraštruktúru. Vyžaduje si rýchlu transformáciu na zabezpečenie spoľahlivosti a udržateľnosti týchto komplexných systémov.

Sektor budov predstavuje približne 40 percent globálneho dopytu po energii a množstvo využiteľného priestoru v budovách na celom svete sa očakáva, že sa do roku 2060 zdvojnásobí. Ide o obrovské množstvo novej plochy, ktoré bude potrebné vybudovať, čím sa zvýši tlak na naše zdroje. Aj preto sa očakáva, že dopyt po elektrine sa do roku 2050 strojnásobí. Ako nedávno uviedol náš generálny riaditeľ divízie Smart Infrastructure Matthias Rebellius vo svojom príspevku pre Reuters Plus„odolné dodávky energie získali na význame a stali sa prioritou číslo jeden v oblasti infraštruktúry.“

Spoločnosť Siemens to vníma ako významnú príležitosť pre infraštruktúru budov a energetiky stať sa inteligentnejšou prostredníctvom AI a vytvárať technológie odolné voči budúcnosti, o ktoré sa usilujeme.

AI využívame a skúmame v rámci nášho ekosystému Building X s cieľom zlepšiť poskytovanie reportovania údajov, čo následne prináša vyššiu energetickú efektívnosť a lepšie prevádzkové výsledky pre zákazníkov. Jedným z príkladov je využitie generatívnej AI na identifikáciu histórie pracovných príkazov pre konkrétne aktívum, čo pomáha prioritizovať údržbu a rýchlejšie reagovať na servisné potreby. Zároveň využívame strojové učenie na optimalizáciu jednotiek na úpravu vzduchu v serverovniach a klimatizačných systémov.

Jednoducho povedané, žiadame AI, aby „premýšľala“ o využívaní energie v budovách a o samotných budovách. Ako pri každej novej oblasti však existujú výzvy aj príležitosti — pričom kľúčovým faktorom je dostupnosť správnych údajov.

Výzvy integrácie AI v energetike a odvetví verejných služieb

Tri najväčšie výzvy pri integrácii AI do energetiky a odvetvia verejných služieb sú bezpečnosť údajov, riadenie údajov a nadmerné spoliehanie sa na AI.

Bezpečnosť údajov v súvislosti s AI je vo veľkej miere neregulovaná, čo predstavuje zároveň príležitosť aj riziko. Príležitosť môže vzniknúť napríklad vtedy, keď sa odvetvové združenia, ako je American Society of Heating, Refrigerating and Air-Conditioning Engineers (ASHRAE), spoja s cieľom vytvoriť osvedčené postupy pre využívanie AI v tomto odvetví. Potenciálne riziká zahŕňajú napríklad zneužitie AI škodlivými aktérmi, napríklad na hackerské útoky. Odvetvie musí rýchlo prispôsobiť svoj prístup k bezpečnosti údajov, aby tieto výzvy zvládlo. Údaje a rozhodnutia musia byť auditovateľné a prístup k algoritmom musí byť riadený na základe rolí, aby sa zabránilo negatívnemu zásahu do fungovania AI systémov.

V oblasti riadenia údajov musí mať AI jednotný výstup, aby bolo odvetvie efektívne a účinné pri dosahovaní výsledkov, najmä pri generatívnej AI. Kvalitné riadenie údajov zahŕňa štandardizované kategorizácie údajov, mechanizmy reportovania a komunikáciu, najmä ak AI komunikuje so systémom automatizácie budov. Jednoduchosť komunikácie pomáha predchádzať vzniku dátových síl, ktoré bránia zdieľaniu kľúčových údajov.

Existuje však významné riziko nadmerného spoliehania sa na AI. Ak sa na AI spoliehame príliš, strácame dôležitý prvok kreativity; všetko bude založené na tom, čo je vložené do AI systému, a tým aj obmedzené. To môže viesť k zaujatosti a pasivite, najmä pri generatívnej AI. Spoločnosti, ktoré využívajú AI ako nástroj kreativity, dosahujú úspech len vtedy, ak je zabezpečený vstup a dohľad ľudského myslenia.

V konečnom dôsledku je AI systém len taký inteligentný, aké údaje sú doň vložené.

Využívanie najlepších údajov na efektívne využitie AI v oblasti budov a energetiky

Pri akomkoľvek využití AI v budovách a energetike sú najdôležitejšie presné a relevantnéhistorické údaje, pretože na predpovedanie budúcnosti je potrebné vedieť, ako systémy reagovali alebo fungovali v minulosti pri rôznych podnetoch. Historické údaje môžu zahŕňať aj obrazové dáta — napríklad zadanie snímok centrálneho zariadenia do AI systému môže pomôcť vyhľadávať informácie o návrhu zariadení alebo motorov.

Pri generatívnej AI môže dostupnosť správ o pracovných príkazoch a kompletná história údržby konkrétneho systému umožniť špecialistovi — odborníkovi na optimalizáciu systému — rýchlejšie riešiť komplexné problémy zákazníkov. Pri strojovom učení je kľúčové, aby systém automatizácie budovy využíval správne senzory a bol nastavený so správnymi trendovými údajmi a meraniami.

Presnosť údajov aj ich dostatočné množstvo sú nevyhnutné pre optimalizáciu AI. Napríklad údaje o počasí môžu byť využité na rozhodovanie v takmer reálnom čase v rámci centrálneho riadenia prevádzky alebo pri riadení vzduchotechnických jednotiek pomocou strojového učenia na výpočet potenciálnych úspor. To súvisí s využívaním aplikačných programovacích rozhraní (API), ktoré predstavujú digitálne rozhranie medzi dvoma aplikáciami a umožňujú jednej aplikácii požadovať údaje alebo funkcie od druhej bez potreby poznať jej vnútorné fungovanie. Správcovia systémov môžu vytvárať API, ktoré sa integrujú do používaných AI riešení, čím sa zvyšuje škálovateľnosť, rozširuje funkcionalita a zlepšuje flexibilita s možnosťou prispôsobiť výstupy konkrétnym potrebám užívateľov.

Určenie správneho rozsahu historických údajov pre AI

Ako určiť, aký rozsah historických údajov je potrebný? Závisí to od toho, čo sa skutočne odohralo napríklad počas posledných troch rokov. Je to postačujúce, alebo je potrebné viac údajov?

Z mojej skúsenosti energetického inžiniera väčšina manažérov požaduje dva až tri roky údajov o spotrebe energií. Ak by ste mi však počas pandémie COVID povedali, že chcete trojročné údaje, upozornil by som, že roky 2020 a 2021 nie sú veľmi relevantné pre predikciu budúceho vývoja, keďže budovy boli v tom čase neobsadené.

Rozsah potrebných historických údajov závisí aj od systému budovy, samotnej budovy a cieľa prevádzky. Príkladom môže byť vzduchotechnická jednotka v zasadacej miestnosti. Ak sa v tejto miestnosti koná jedno stretnutie denne, postačuje približne dvojtýždňový objem údajov. Ak vonkajšia teplota reprezentuje dostatočný rozsah hodín pri určitej hodnote, takéto údaje sú postačujúce.

Mnohé úvahy o historických údajoch závisia od konkrétnej aplikácie, no energetickí manažéri musia dôkladne posúdiť minulosť a zohľadniť vplyv globálnych udalostí na kvalitu dostupných údajov.

Využitie AI na riadenie záťaže a flexibilitu dopytu

Energetický sektor sa učí využívať strojové učenie a AI na optimalizáciu a správne dimenzovanie záťaže v sieti a systémoch. Významnú úlohu pritom zohráva aj technológia digitálneho dvojčaťa. Digitálne dvojča môže predĺžiť životnosť elektrických zariadení tým, že identifikuje poruchy skôr, než sa stanú problémom. AI podporuje digitálne dvojča spracovaním rozsiahlych datasetov potrebných na jeho vytvorenie.

Ďalšou relevantnou technológiou v oblasti distribúcie energie je riešenie Electrification X v rámci platformy Siemens Xcelerator. Toto riešenie, založené na cloudových službách, slúži na riadenie, optimalizáciu a automatizáciu elektrifikačnej infraštruktúry prostredníctvom komplexného prehľadu o rozvodniach a ďalších aktívach. Funkcionalita Electrification X Asset Management využíva analýzu údajov zo senzorov na zvýšenie prevádzkyschopnosti a spoľahlivosti zariadení, zníženie prevádzkových nákladov a posilnenie kybernetickej bezpečnosti.

Spoločnosť Siemens ponúka aj riešenie Gridscale X, ktoré poskytuje modulárny softvér pre komplexné riadenie elektrickej siete a využíva AI na analýzu veľkého objemu údajov. Súčasťou je aj Gridscale X DER Insights, ktoré pomocou AI identifikuje distribuované energetické zdroje (DER) za meracím miestom a hodnotí ich správanie a vplyv na sieť. To umožňuje lepšie predpovedanie, analýzu a transformáciu údajov na konkrétne opatrenia. Výsledkom je optimalizácia prevádzky DER, lepšie pochopenie ich výkonu a stavu a zvýšenie odolnosti podniku aj siete.

Udržiavanie náskoku v oblasti AI trendov

Manažéri v odvetví musia sledovať pripravované regulácie AI v USA aj globálne, keďže budú mať zásadný vplyv na jej ďalší vývoj. To znamená, že aj súčasné využitie AI sa bude meniť. Zároveň je potrebné sledovať nové schopnosti a technológie AI a rýchlo identifikovať ich využitie v oblasti budov a energetiky tak, aby prinášali hodnotu pre podniky aj zákazníkov.

V konečnom dôsledku je potrebné pristupovať k AI s otvoreným myslením. Je potrebné prijať prichádzajúce zmeny a zároveň zdôrazniť úlohu človeka v práci s AI. Opatrnosť je na mieste, no nemala by viesť k obavám. AI je možné efektívne využívať prostredníctvom jej pochopenia a aplikácie tam, kde prináša hodnotu, zlepšuje prevádzku a prospieva zákazníkom.

Publikované: 30. december 2025