Uporaba umetne inteligence za povečanje odpornosti v infrastrukturi

Opomba urednika: To je pripovedna različica komentarjev Kevina Scarborougha o podcastu Energy Beat. Poslušate lahko celotne intervjuje s podcastom tukaj.

Pri Siemensu se zavedamo, da poteka globalni energetski prehod. V to ugotovitev smo prepričani, ker na njej temeljimo našo dolgoročno strategijo petih globalnih megatrendov: demografske spremembe, urbanizacija, glokalizacija, okoljske spremembe in učinkovitost virov ter digitalizacija. Vsak od teh bo pomembno vplival na energijo — kako jo ustvarjamo, distribuiramo in uporabljamo. In kot vsi vemo, podjetja dajejo prednost obnovljivi energiji, energetski učinkovitosti in elektrifikaciji svojih sredstev.

Vemo tudi, da ta prehod obremenjuje obstoječo energetsko in gradbeno infrastrukturo. Za ohranitev zanesljivosti in trajnosti teh kompleksnih sistemov je potrebna hitra preobrazba.

Gradbeni sektor predstavlja približno 40 odstotkov svetovnega povpraševanja po energiji, količina uporabnih prostorov v stavbah po vsem svetu pa naj bi se do leta 2060 podvojila. To je veliko kvadratnih metrov, ki bo kmalu zgrajeno, kar bo povečalo povpraševanje po naših virih. To je eden od razlogov, zakaj naj bi se povpraševanje po električni energiji do leta 2050 potrojilo. Tako je pred kratkim izjavil naš izvršni direktor Smart Infrastructure Matthias Rebellius v svoji objavi za Reuters Plus»Zanesljiva in odporna oskrba z energijo je postala najpomembnejša infrastrukturna prioriteta.«

Siemens to obravnava kot pomembno priložnost, da gradbena in energetska infrastruktura postane bolj inteligentna z umetno inteligenco in ustvari takšno tehnologijo, ki je odporna na prihodnost, za katero si prizadevamo.

Izkoriščamo in raziskujemo umetno inteligenco znotraj našega ekosistema Building X, da izboljšamo zagotavljanje poročanja o podatkih, kar posledično prinaša večjo energetsko učinkovitost in operativne rezultate za stranke. Eden od primerov tega bi bila uporaba generativne umetne inteligence za pomoč pri prepoznavanju zgodovine delovnih naročil za sredstvo, da bi pomagali prednostno določiti vzdrževanje in se hitreje odzivati na potrebe po vzdrževanju. Strojno učenje uporabljamo tudi za optimizacijo upravljalnikov zraka v računalniških prostorih in klimatskih naprav.

Preprosto povedano, umetno inteligenco prosimo, naj razmisli o rabi energije v stavbah in samih stavbah. Toda tako kot vse v tej novi pokrajini obstajajo izzivi in priložnosti, ki jih poudarja velika potreba po pravih podatkih.

Izzivi vključevanja umetne inteligence v energetsko in komunalno industrijo

Trije največji izzivi za vključevanje umetne inteligence v energetsko in komunalno industrijo so varnost podatkov, upravljanje podatkov in prekomerna odvisnost od umetne inteligence.

Varnost podatkov, povezana z umetno inteligenco, je v veliki meri neregulirana, zato to področje predstavlja tako priložnost kot tudi tveganje. Priložnosti se lahko pojavijo, če se industrijska združenja, kot je American Society of Heating, Refrigerating and Air-Conditioning Engineers (ASHRAE), povežejo in oblikujejo najboljše prakse za uporabo umetne inteligence v industriji.
Potencialna tveganja na področju varnosti podatkov vključujejo zlonamerne akterje, ki bi lahko umetno inteligenco uporabljali na škodljiv način, na primer za vdore v sisteme. Industrije morajo zato hitro razviti svoj pristop k varnosti podatkov, da bi se soočile s temi izzivi. Podatki in odločitve morajo biti sledljivi in preverljivi, hkrati pa mora obstajati nadzor dostopa do algoritmov na podlagi vlog, da se prepreči, da bi zlonamerni akterji vplivali na »možgane« uporabljanega sistema umetne inteligence.

Da bi bila industrija učinkovita in učinkovita pri doseganju rezultatov, mora imeti umetna inteligenca enoten rezultat, zlasti pri generativni umetni inteligenci. Upravljanje kakovostnih podatkov vključuje standardizirane kategorizacije podatkov, mehanizme poročanja in komunikacije, zlasti če AI komunicira s sistemom za avtomatizacijo stavb. Enostavnost komunikacije pomaga preprečiti ustvarjanje podatkovnih silosov, ki ovirajo izmenjavo ključnih podatkov.

Vendar obstaja veliko tveganje zaradi prekomernega zanašanja na AI. Če se preveč zanašamo na umetno inteligenco, izgubimo to ključno iskro ustvarjalnosti; vse bo temeljilo na - in omejeno na - tisto, kar se napaja motorju umetne inteligence. To lahko privede do pristranskosti in samozadovoljstva, zlasti pri generativni AI. Podjetja, ki uporabljajo AI kot orodje za ustvarjalnost, to uspešno počnejo le s prispevkom in nadzorom človeških umov.

Navsezadnje bo motor umetne inteligence le tako pameten kot podatki, ki so vanj vneseni.

Uporaba najboljših podatkov za izkoriščanje umetne inteligence v gradbeni in energetski industriji

Pri vseh vrstah uporabe umetne inteligence v stavbah in energiji so najpomembnejši točni in uporabni zgodovinski podatki, ker moramo za napovedovanje prihodnosti vedeti, kako so se stvari v preteklosti odzvale ali delovale na različne dražljaje tega sistema. Zgodovinski podatki lahko vključujejo slike — slike osrednjega obrata, na primer, vnašate v motor umetne inteligence, ki vam pomaga brskati po internetu za informacije o oblikovanju naprave ali motorja.

Z generativno umetno inteligenco lahko poročila o delovnih nalogih in celotna zgodovina vzdrževanja določenega sistema strokovnjaku – nekomu, ki je specialist za optimizacijo sistemov – omogočijo, da hitreje pristopi k reševanju kompleksne težave, s katero se lahko sooča stranka. Pri strojnem učenju pa je ključnega pomena, da ima sistem za avtomatizacijo stavbe ustrezne senzorje ter pravilno strukturirane in oblikovane podatke o trendih in meritvah.

Tako natančnost podatkov kot resnično zanesljiva količina podatkov sta bistvenega pomena za optimizacijo umetne inteligence. Vremenske podatke lahko na primer uporabimo za sprejemanje odločitev skoraj v realnem času za centralni operativni načrt ali za upravljavca zraka, ki uporablja strojno učenje, za izračun potencialnih prihrankov. To je namig na uporabo programskega vmesnika za aplikacije (API), digitalnega posrednika med dvema aplikacijama, ki enemu programu omogoča, da od drugega zahteva podatke ali funkcionalnosti, ne da bi moral poznati način delovanja drugega sistema. Upravljavci sistemov lahko ustvarijo API-je, ki jih je mogoče integrirati v uporabljeno umetno inteligenco, kar omogoča večjo razširljivost, izboljšano funkcionalnost in večjo prilagodljivost, saj je mogoče izhode prilagoditi specifičnim potrebam uporabnikov.

Ugotovljanje prave količine zgodovinskih podatkov za AI

Kako ugotovite, kakšen obseg zgodovinskih podatkov potrebujete? To je odvisno od tega, kaj se je dejansko zgodilo v, recimo, zadnjih treh letih. Je to dovolj ali res potrebuješ več?

Glede na moje izkušnje kot energetskega inženirja večina upravljavcev želi imeti na voljo podatke o porabi energentov za zadnji dve do tri leta. Če pa bi mi med pandemijo COVID-19 rekli, da potrebujete tri leta takih podatkov, bi vam povedal, da leti 2020 in 2021 za napovedovanje prihodnosti nista zares relevantni, saj so bile stavbe v tistem času večinoma neuporabljene.

Koliko zgodovinskih podatkov potrebujete, je odvisno tudi od sistema stavbe, same stavbe in tega, kaj poskušate doseči operativno. Primer tega je, ko imate upravljalnik zraka v konferenčni sobi, ki potrebuje podatke. Če je v tisti konferenčni dvorani en sestanek na dan, bi se verjetno lahko spopadel s podatki vrednimi približno dva tedna. Če je bila zunanja temperatura reprezentativna za večjo količino ur pri določeni temperaturi, bi to morali biti zadostni podatki.

Veliko premislekov o zgodovinskih podatkih je odvisno od aplikacije, vendar morajo upravljavci energije resno pogledati preteklost in kako bi globalni dogodki lahko oblikovali dejansko kakovost podatkov, ki jih imajo.

Uporaba umetne inteligence za upravljanje obremenitve in prilagodljivost povpraševanja

Energetska industrija se uči, kako izkoristiti strojno učenje in umetno inteligenco za zelo ključne zadeve optimizacije in prilagajanja obremenitve omrežja in sistemov. Pri tem igra pomembno vlogo tudi tehnologija digitalnih dvojčkov. Digitalni dvojček lahko pomaga podaljšati življenjsko dobo električnih sredstev z zaznavanjem napak v teh sistemih, preden postanejo težava. AI lahko napaja tega digitalnega dvojčka z obdelavo velikih nizov podatkov, potrebnih za ustvarjanje dvojčkov takšnih sredstev.

Druga tehnologija, ki lahko pride v poštev za distribucijo energije, je ponudba znotraj platforme Siemens Xcelerator: Electrification X. Ta ponudba, ki temelji na storitvah v oblaku, je zasnovana za upravljanje, optimizacijo in avtomatizacijo infrastrukture za elektrifikacijo z zagotavljanjem celostnega pogleda na podpostaje in druga sredstva. Nabor funkcij znotraj Electrification X, imenovan Electrification X Asset Management, uporablja analitiko senzorskih podatkov, ki lastnikom sredstev in operaterjem omogoča povečanje delovanja in zanesljivosti, zmanjšanje operativnih stroškov in krepitev kibernetske varnosti.

Siemens ima še eno ponudbo, imenovano Gridscale X, ki ponuja enostavno namestitev modularne programske opreme za upravljanje omrežja od konca do konca in uporablja AI za analizo ogromnih količin omrežnih podatkov. V tej ponudbi je na voljo Gridscale X DER Insights, ki uporablja AI za odkrivanje porazdeljenih energetskih virov (DER) za merilnikom in oceno njihovega vedenja in njihovega vpliva na omrežno opremo. To pomaga pri napovedovanju, analizi in pridobivanju koristnih vpogledov ter njihovem spreminjanju v naslednje korake, ki jih je mogoče uporabiti. To je dragoceno, ker pomaga strankam optimizirati operacije DER, razumeti uspešnost in zdravje DER ter povečati odpornost poslovanja in omrežja.

Ostanite pred glavnimi trendi umetne inteligence

Vodje industrije morajo spremljati predpise o umetni inteligenci, ki prihajajo v ZDA in po vsem svetu, saj bodo zagotovo vplivali na razvoj umetne inteligence v prihodnosti. To pomeni, da se bo to, kar počnemo zdaj z AI, spremenilo. Prav tako moramo biti pozorni na nove zmogljivosti in tehnologije umetne inteligence, ko pridejo na splet. Vodje industrije se morajo hitro naučiti, kako se lahko ti novi elementi uporabljajo za gradbene in energetske operacije, tako da lahko njihova vrednost vpliva na podjetja in stranke.

Navsezadnje moramo imeti vsi odprt um, kaj lahko AI naredi. Sprejmimo spremembe, ki prihajajo, in uveljavimo človeško vlogo v AI. Lahko smo previdni, vendar se ne smemo bati. Vsakdo se lahko nasloni na umetno inteligenco tako, da se nauči vsega, kar lahko o tem, in poskuša razvijati svoje podjetje, pri čemer ga uporablja tam, kjer dodaja vrednost, izboljšuje poslovanje in koristi strankam.

Objavljeno: 30. december 2025