Använda AI för att maximera motståndskraften i infrastruktur

Redaktörens anmärkning: Detta är en berättande version av Kevin Scarboroughs kommentarer till Energy Beat Podcast. Du kan lyssna på de fullständiga podcastintervjuerna här.

På Siemens inser vi att det pågår en global energiomställning. Vi är övertygade om denna observation eftersom vi baserar vår långsiktiga strategi på Fem globala megatrender: demografisk förändring, urbanisering, glokalisering, miljöförändring och resurseffektivitet samt digitalisering. Var och en av dessa kommer att ha betydande inverkan på energin - hur vi genererar den, distribuerar den och använder den. Och som vi alla vet prioriterar företag förnybar energi, energieffektivitet och elektrifiering av sina tillgångar.

Vi vet också att denna övergång anstränger befintlig energi och byggnadsinfrastruktur. Det krävs snabb omvandling för att bibehålla tillförlitligheten och hållbarheten hos dessa komplexa system.

Byggsektorn står för cirka 40 procent av den globala energibehovet och mängden användbart utrymme i byggnader över hela världen förväntas fördubblas år 2060. Det är en hel del kvadratmeter som håller på att byggas, vilket sätter efterfrågan på våra resurser. Detta är en anledning till att efterfrågan på el förväntas tredubblas år 2050. Således, som vår VD för Smart Infrastructure Matthias Rebellius nyligen uttalade i sin Inlägg för Reuters Plus”En motståndskraftig energiförsörjning har blivit viktigare för att bli den främsta infrastrukturprioriteten.”

Siemens ser detta som en stor möjlighet för bygg- och energiinfrastruktur att bli mer intelligenta med AI, för att skapa den typ av framtidssäker teknik som vi strävar efter.

Vi utnyttjar och undersöker AI inom det vi kallar vårt Building X-ekosystem för att förbättra leveransen av datarapportering som i sin tur ger större energieffektivitet och operativa resultat för kunderna. Ett exempel på detta skulle vara att använda generativ AI för att identifiera historiken för arbetsorder för en tillgång för att hjälpa till att prioritera underhåll och svara snabbare på underhållsbehov. Vi använder också maskininlärning för att optimera lufthanterare och luftkonditioneringsapparater i datorrum.

Enkelt uttryckt ber vi AI att tänka på energianvändningen i byggnader och byggnaderna själva. Men som allt annat i detta nya landskap finns det utmaningar och möjligheter - understryks av ett stort behov av rätt data.

Utmaningarna med att integrera AI i energi- och energiindustrin

De tre största utmaningarna för att integrera AI i energi- och energiindustrin är datasäkerhet, datastyrning och överberoende av AI.

Datasäkerhet relaterad till AI är till stor del oreglerad, så detta är ett område med både möjlighet och risk. Möjligheter kan uppstå genom branschorganisationer som American Society of Heating, Refrigerating and Air-Conditioning Engineers (ASHRAE) som samlas för att skapa bästa praxis för att använda AI i branschen. De potentiella riskerna inom datasäkerhet inkluderar dåliga aktörer som använder AI på ett malignt sätt, till exempel hacking. Branscherna måste snabbt utveckla sin inställning till datasäkerhet för att hantera dessa utmaningar. Data och beslut måste vara granskningsbara, och det måste finnas rollbaserad åtkomstkontroll till algoritmerna för att förhindra dåliga aktörer från att påverka hjärnan i AI-motorn som används.

Inom datastyrning, för att branschen ska vara effektiv och effektiv när det gäller att driva resultat, måste AI ha en enhetlig produktion, särskilt med generativ AI. Kvalitetsdatastyrning inkluderar standardiserade datakategoriseringar, rapporteringsmekanismer och kommunikation, särskilt om AI kommunicerar med ett byggnadsautomationssystem. Enkel kommunikation hjälper till att förhindra skapandet av datasilor som hindrar delning av nyckeldata.

Det finns dock en stor risk kring överberoende av AI. Om vi förlitar oss för mycket på AI förlorar vi den viktiga gnistan av kreativitet; allt kommer att baseras på - och begränsat till - vad som matas till AI-motorn. Detta kan leda till partiskhet och självbelåtenhet, särskilt med generativ AI. Företag som använder AI som ett kreativitetsverktyg gör det framgångsrikt endast med input och övervakning av mänskliga sinnen.

I slutändan kommer en AI-motor bara att vara lika smart som de data som matas in i den.

Använda bästa data för att utnyttja AI i bygg- och energiindustrin

I alla typer av AI-applikationer i byggnader och energi är de viktigaste uppgifterna korrekta, tillämpliga historiska data, för att förutsäga framtiden måste vi veta hur saker reagerade eller fungerade tidigare på olika stimuli till det systemet. Historiska data kan innehålla bilder - du matar bilder av en central anläggning, till exempel, i en AI-motor för att hjälpa dig söka på internet efter designinformation för en enhet eller en motor.

Med generativ AI kan arbetsorderrapporter och en fullständig historik över underhåll på ett specifikt system ge en specialist - någon som är expert på att optimera ett system - förmågan att gå snabbare för att ta itu med ett komplext problem som en kund kan ha. Med maskininlärning är det absolut nödvändigt att ha ett byggnadsautomationssystem som använder rätt sensorer och formaterat med rätt trenddata och mätningar.

Både datanøyaktighet och en riktigt tillförlitlig mängd data är avgörande för att optimera AI. Till exempel kan väderdata användas för att fatta beslut i nära realtid för en central driftsplan, eller för en lufthanterare som använder maskininlärning, för att beräkna potentiella besparingar. Detta är en nick mot användningen av ett applikationsprogrammeringsgränssnitt (API), en digital mellanhand mellan två applikationer som gör det möjligt för ett program att begära data eller funktionalitet från ett annat utan att behöva veta hur det andra systemet fungerar. Systemansvariga kan skapa API:er som kan integreras i AI som används, vilket resulterar i större skalbarhet, förbättrad funktionalitet och flexibilitet med möjligheten att anpassa utdata för att möta användarnas specifika behov.

Räkna ut rätt mängd historisk data för AI

Hur bestämmer du vilken omfattning av historisk data du behöver? Det beror på vad som faktiskt hände under, säg, de senaste tre åren. Räcker det eller behöver du verkligen mer?

I min bakgrund som energiingenjör skulle de flesta chefer vilja ha två till tre års eldata. Men om du berättade för mig under COVID-pandemin att du ville ha tre års verktygsdata, skulle jag säga att 2020 och 2021 inte riktigt var relevanta för att förutsäga hur framtiden kommer att se ut eftersom byggnader var lediga vid den tiden.

Hur mycket historisk data du behöver beror också på byggnadssystemet, byggnaden själv och vad du försöker uppnå operativt. Ett exempel på detta är när du har en lufthanterare för konferensrum som behöver data. Om det är ett möte om dagen i det konferensrummet skulle jag förmodligen klara mig med ungefär två veckors data. Om temperaturen utanför var representativ för en större mängd timmar vid en viss temperatur, bör det vara tillräckliga data.

Många överväganden om historiska data beror på applikationen, men energiförvaltare måste seriöst titta på det förflutna och hur globala händelser kan ha format den faktiska kvaliteten på de data som de har.

Använda AI för att hantera belastningshantering och flexibilitet i efterfrågan

Energiindustrin lär sig att utnyttja maskininlärning och AI för de mycket viktiga frågorna om att optimera och justera storleken på belastningen på nätet och systemen. Digital tvillingteknik spelar också en viktig roll i detta. En digital tvilling kan hjälpa till att öka livslängden för elektriska tillgångar genom att upptäcka fel i dessa system innan de blir ett problem. AI kan driva denna digitala tvilling genom att bearbeta de stora datamängder som krävs för att skapa tvillingar av sådana tillgångar.

En annan teknik som kan spela in för energidistribution är ett erbjudande inom Siemens Xcelerator-plattformen: Electrification X. Detta erbjudande, byggt på molntjänster, är utformat för att hantera, optimera och automatisera elektrifieringsinfrastruktur genom att ge en helhetsbild av transformatorstationer och andra tillgångar. En funktion inom Electrification X, kallad Electrification X Asset Management, använder sensordataanalys för att göra det möjligt för tillgångsägare och operatörer att öka drifttiden och tillförlitligheten, minska driftskostnaderna och stärka cybersäkerheten.

Siemens har ett annat erbjudande som heter Gridscale X som tillhandahåller modulär programvara som är lätt att distribuera för heltäckande näthantering och utnyttjar AI för att analysera stora mängder nätdata. Inom det erbjudandet finns Gridscale X DER Insights, som använder AI för att avslöja distribuerade energiresurser bakom mätaren (DER) och bedöma deras beteende och deras inverkan på nätutrustning. Detta hjälper till att förutse, analysera och extrahera användbara insikter och förvandla dem till handlingsbara nästa steg. Detta är värdefullt eftersom det hjälper kunderna att optimera DER-verksamheten, förstå DER-prestanda och hälsa och maximera affärs- och nätets motståndskraft.

Att ligga steget före de stora AI-trenderna

Branschchefer måste hålla ett öga på AI-reglerna som kommer i USA och globalt eftersom de säkert kommer att påverka hur AI utvecklas i framtiden. Det betyder att det vi gör nu med AI kommer att förändras. Vi måste också vara på vakt efter nya AI-funktioner och tekniker när de kommer online. Branschchefer behöver snabbt lära sig hur dessa nya element kan tillämpas på bygg- och energiverksamhet så att deras värde kan göra skillnad för företag och för kunder.

I slutändan måste vi alla ha ett öppet sinne om vad AI kan göra. Låt oss omfamna de förändringar som kommer och hävda den mänskliga rollen i AI. Vi kan vara försiktiga, men vi ska inte vara rädda. Alla kan lita på AI genom att lära sig allt du kan om det och försöka växa ditt företag, använda det där det tillför värde, förbättrar verksamheten och gynnar kunderna.

Publicerad: 30 december 2025