Korišćenje AI za maksimiziranje otpornosti u infrastrukturi

Napomena urednika: Ovo je narativna verzija komentara Kevina Skarboroa na podkastu „Energy Beat". Možete poslušati kompletne intervjue za podkast ovde.

U kompaniji Siemens prepoznajemo da se dešava globalna energetska tranzicija. Uvereni smo u ovo zapažanje jer svoju dugoročnu strategiju zasnivamo na pet globalnih megatrendova: demografske promene, urbanizacija, glokalizacija, promene životne sredine i efikasnost resursa i digitalizacija. Svaki od njih će imati značajan uticaj na energiju - kako je generišemo, distribuiramo i koristimo. I kao što svi znamo, kompanije daju prioritet obnovljivoj energiji, energetskoj efikasnosti i elektrifikaciji svoje imovine.

Takođe znamo da ova tranzicija opterećuje postojeću energetsku i građevinsku infrastrukturu. Potrebna je brza transformacija da bi se održala pouzdanost i održivost ovih složenih sistema.

Građevinski sektor predstavlja oko 40 odsto globalne potražnje za energijom, a očekuje se da će se količina upotrebljivog prostora u zgradama širom sveta udvostručiti do 2060. To je mnogo kvadratnih površina koje će uskoro biti izgrađeno, tražeći naše resurse. To je jedan od razloga zašto se očekuje da će potražnja za električnom energijom utrostručiti do 2050. Tako je, kako je naš izvršni direktor pametne infrastrukture Matijas Rebelius nedavno izjavio u svojoj objavi za Reuters Plus, „otporno snabdevanje energijom dobilo je na značaju da bi postalo infrastrukturni prioritet broj jedan“.

Siemens ovo gleda kao na veliku priliku da građevinska i energetska infrastruktura postanu inteligentnije sa veštačkom inteligencijom, kako bi stvorile tu vrstu tehnologije otporne na budućnost kojoj težimo.

Koristimo i istražujemo AI u okviru onoga što nazivamo našim Building X ekosistemom kako bismo poboljšali isporuku izveštavanja o podacima koji zauzvrat donosi veću energetsku efikasnost i operativne ishode za kupce. Jedan primer za to bi bilo korišćenje generativne AI za identifikaciju istorije radnih naloga za imovinu kako bi se pomoglo u određivanju prioriteta održavanja i bržem odgovoru na potrebe održavanja. Takođe koristimo mašinsko učenje za optimizaciju uređaja za upravljanje vazduhom i klima uređaja u računarskim prostorijama.

Jednostavno rečeno, tražimo od AI da razmisli o upotrebi energije u zgradama i u samim zgradama. Ali kao i u svemu u ovom novom pejzažu, postoje izazovi i mogućnosti - naglašene ogromnom potrebom za pravim podacima.

Izazovi integracije AI u energetsku i komunalnu industriju

Tri najveća izazova za integraciju AI u energetsku i komunalnu industriju su bezbednost podataka, upravljanje podacima i prekomerno oslanjanje na AI.

Bezbednost podataka vezana za AI je uglavnom neregulisana, tako da je ovo područje mogućnosti i rizika. Prilika bi mogla nastati ako se industrijska udruženja poput Američkog društva inženjera za grejanje, hlađenje i klimatizaciju (ASHRAE) okupe kako bi stvorili najbolje prakse za korišćenje AI u industriji. Potencijalni rizici unutar bezbednosti podataka uključuju loše aktere koji koriste AI na maligni način, poput hakovanja. Industrije moraju brzo da razviju svoj pristup bezbednosti podataka kako bi se pozabavile ovim izazovima. Podaci i odluke moraju da budu revidirani, a mora postojati kontrola pristupa algoritmima zasnovana na ulogama kako bi se sprečilo da loši akteri utiču na mozak AI endžina koji se koristi.

U upravljanju podacima, da bi industrija bila efikasna i efikasna u postizanju rezultata, AI mora da ima ujednačen izlaz, posebno sa generativnom AI. Upravljanje kvalitetnim podacima uključuje standardizovane kategorizacije podataka, mehanizme izveštavanja i komunikacije, posebno ako AI komunicira sa sistemom automatizacije zgrada. Jednostavnost komunikacije pomaže u sprečavanju stvaranja silosa podataka koji ometaju deljenje ključnih podataka.

Međutim, postoji veliki rizik oko prekomernog oslanjanja na AI. Ako se previše oslanjamo na AI, gubimo tu ključnu iskru kreativnosti; sve će se zasnivati i ograničiti na ono što se da AI endžinu. Ovo može da dovede do pristrasnosti i samozadovoljstva, posebno kod generativne AI. Kompanije koje koriste AI kao alat za kreativnost to uspešno rade samo uz doprinos i nadzor ljudskih umova.

Na kraju, AI endžin će biti pametan samo koliko i podaci koji se u njega unose.

Korišćenje najboljih podataka za iskorištavanje AI u građevinskoj i energetskoj industriji

U bilo kojoj vrsti primene AI u zgradama i energiji, najvažniji podaci su tačni, primenljivi istorijski podaci, jer da bismo predvideli budućnost, moramo da znamo kako su stvari reagovale ili delovale u prošlosti na različite stimulanse tog sistema. Istorijski podaci mogu da uključuju slike - unosite slike centralnog postrojenja, na primer, u AI endžin kako biste pomogli da pretražujete internet u potrazi za informacijama o dizajnu uređaja ili motora.

Uz generativnu AI, posedovanje izveštaja o radnom nalogu i puna istorija održavanja na određenom sistemu mogli bi dati stručnjaku - nekome ko je stručnjak za optimizaciju sistema - mogućnost bržeg kretanja radi rešavanja složenog problema koji kupac može da ima. Sa mašinskim učenjem, posedovanje sistema automatizacije zgrada koji koristi ispravne senzore i formatira sa tačnim podacima o trendovima i merenjima je od apsolutno kritične važnosti.

I tačnost podataka i zaista pouzdana količina podataka su neophodni za optimizaciju AI. Na primer, vremenski podaci mogu da se koriste za donošenje odluka skoro u stvarnom vremenu za centralni operativni plan ili za upravljač vazduhom koji koristi mašinsko učenje, za izračunavanje potencijalnih ušteda. Ovo je potvrda za upotrebu interfejsa za programiranje aplikacija (API), digitalnog posrednika između dve aplikacije koji omogućava jednom programu da traži podatke ili funkcionalnost od drugog bez potrebe da zna kako drugi sistem funkcioniše. Menadžeri sistema mogu da kreiraju API-je koji se mogu integrisati u AI u upotrebi, što rezultira većom skalabilnošću, poboljšanom funkcionalnošću i fleksibilnošću uz mogućnost prilagođavanja izlaza kako bi zadovoljili specifične potrebe korisnika.

Pronalaženje prave količine istorijskih podataka za AI

Kako odrediti koliki obim istorijskih podataka vam je potreban? To zavisi od toga šta se zapravo dogodilo, recimo, u protekle tri godine. Da li je to dovoljno ili vam zaista treba više?

U mom iskustvu energetskog inženjera, većina menadžera bi želela korisne podatke u vrednosti od dve do tri godine. Ali ako biste mi tokom pandemije COVID-a rekli da želite tri godine korisnih podataka, rekao bih vam da 2020. i 2021. nisu baš relevantne za predviđanje kako će izgledati budućnost jer zgrade u to vreme nisu bile zauzete.

Koliko istorijskih podataka vam je potrebno zavisi i od sistema zgrade, same zgrade i onoga što pokušavate da postignete operativno. Primer za to je kada imate uređaj za rukovanje vazduhom u konferencijskoj sali kome su potrebni podaci. Ako postoji jedan sastanak dnevno u toj konferencijskoj sali, verovatno bih mogao da se snalazim sa podacima vrednim oko dve nedelje. Ako je temperatura napolju bila reprezentativna za veću količinu časova na određenoj temperaturi, to bi trebalo da bude dovoljan podatak.

Mnoga razmatranja o istorijskim podacima zavise od aplikacije, ali energetski menadžeri moraju ozbiljno da sagledaju prošlost i kako su globalni događaji mogli da oblikuju stvarni kvalitet podataka koje imaju.

Korišćenje AI za rešavanje upravljanja opterećenjem i fleksibilnosti potražnje

Energetska industrija uči kako da iskoristi mašinsko učenje i veštačku inteligenciju za vrlo ključna pitanja optimizacije i prilagođavanja veličine opterećenja mreže i sistema. Tehnologija digitalnih blizanaca takođe igra glavnu ulogu u tome. Digitalni blizanac može da pomogne u produženju životnog veka električnih sredstava otkrivanjem kvarova u ovim sistemima pre nego što oni postanu problem. AI može da hrani ovog digitalnog blizanca obradom velikih skupova podataka potrebnih za stvaranje blizanaca takvih sredstava.

Druga tehnologija koja može da stupi na snagu za distribuciju energije je ponuda unutar platforme Siemens Xcelerator: Electrification X. Ova ponuda, izgrađena na uslugama u oblaku, dizajnirana je za upravljanje, optimizaciju i automatizaciju infrastrukture za elektrifikaciju pružajući holistički pogled na trafostanice i druga sredstva. Funkcija skupa unutar Electrification X, nazvana Electrification X Asset Management, koristi analitiku podataka senzora kako bi omogućila vlasnicima imovine i operaterima da povećaju vreme rada i pouzdanost, smanje operativne troškove i ojačaju sajber bezbednost.

Siemens ima još jednu ponudu pod nazivom Gridscale X koja pruža modularni softver koji se lako primenjuje za upravljanje mrežom od kraja do kraja i koristi AI za analizu ogromnih količina mrežnih podataka. Unutar te ponude nalazi se Gridscale X DER Insights, koji koristi AI za otkrivanje distribuiranih energetskih resursa iza brojila (DER) i procenu njihovog ponašanja i njihovog uticaja na mrežnu opremu. Ovo pomaže u predviđanju, analizi i izvlačenju korisnih uvida i pretvaranju u sledeće korake koji se mogu primeniti. Ovo je dragoceno jer pomaže kupcima da optimizuju DER operacije, razumeju performanse i zdravlje DER-a i maksimiziraju otpornost poslovanja i mreže.

Ostajanje ispred glavnih AI trendova

Industrijski menadžeri moraju da paze na propise o veštačkoj inteligenciji koji dolaze na snagu u SAD i širom sveta, jer će sigurno uticati na to kako se AI razvija u budućnosti. To znači da će se ono što sada radimo sa AI promeniti. Takođe moramo da budemo u potrazi za novim AI mogućnostima i tehnologijama dok dolaze na mrežu. Menadžeri industrije moraju brzo da nauče kako ovi novi elementi mogu da se primene na građevinske i energetske operacije kako bi njihova vrednost mogla da napravi razliku za poslovanje i za kupce.

Na kraju, svi moramo da ima,p otvoren um o tome šta AI može da uradi. Prihvatimo promene koje dolaze i potvrdimo ljudsku ulogu u AI. Možemo da budemo oprezni, ali ne trebamo da se bojimo. Svako može da se osloniti na AI tako što će naučiti sve što može o tome i pokušati da razvije svoje poslovanje, koristeći ga tamo gde dodaje vrednost, poboljšava poslovanje i koristi kupcima.

Objavljeno: 30. decembra 2025.