Sử dụng AI để tối đa hóa khả năng chống chịu trong cơ sở hạ tầng

Ghi chú của biên tập viên: Đây là phiên bản tường thuật các bình luận của Kevin Scarborough về Energy Beat Podcast. Bạn có thể nghe các cuộc phỏng vấn podcast hoàn chỉnh ở đây.

Tại Siemens, chúng tôi nhận ra rằng đang có một quá trình chuyển đổi năng lượng toàn cầu đang diễn ra. Chúng tôi tự tin vào quan sát này bởi vì chúng tôi đang lập chiến lược dài hạn của mình dựa trên năm xu hướng lớn toàn cầu: thay đổi về các nhóm đối tượng nhân khẩu học, đô thị hóa, toàn cầu hóa địa phương, thay đổi môi trường và hiệu quả sử dụng tài nguyên, và số hóa. Mỗi xu hướng trong số này sẽ có tác động đáng kể đến năng lượng - cách chúng ta tạo ra, phân phối và sử dụng nó. Và như chúng ta đều biết, các công ty đang ưu tiên năng lượng tái tạo, hiệu quả năng lượng và điện khí hóa tài sản của họ.

Chúng tôi cũng biết rằng quá trình chuyển đổi này đang gây áp lực lên cơ sở hạ tầng năng lượng và xây dựng hiện có. Cần phải có sự chuyển đổi nhanh chóng để duy trì độ tin cậy và tính bền vững của các hệ thống phức tạp này.

Ngành xây dựng chiếm khoảng 40% nhu cầu năng lượng toàn cầu và dự kiến ​​diện tích sử dụng được trong các tòa nhà trên toàn thế giới sẽ tăng gấp đôi vào năm 2060. Điều đó có nghĩa là sẽ có rất nhiều diện tích được xây dựng, tạo áp lực lên các nguồn tài nguyên của chúng ta. Đây là một trong những lý do tại sao nhu cầu điện năng dự kiến ​​sẽ tăng gấp ba lần vào năm 2050. Do đó, như Giám đốc điều hành Cơ sở hạ tầng thông minh của chúng tôi, Matthias Rebellius, đã phát biểu gần đây trong bài đăng cho Reuters Plus“Việc đảm bảo nguồn cung năng lượng ổn định ngày càng trở nên quan trọng và trở thành ưu tiên hàng đầu về cơ sở hạ tầng.”

Siemens coi đây là cơ hội lớn để cơ sở hạ tầng xây dựng và năng lượng trở nên thông minh hơn với AI, nhằm mục đích xây dựng nên loại công nghệ tương lai mà chúng tôi mong muốn.

Chúng tôi đang tận dụng và nghiên cứu AI trong hệ sinh thái mà chúng tôi gọi là Building X để cải thiện việc cung cấp báo cáo dữ liệu, từ đó mang lại hiệu quả năng lượng và kết quả vận hành tốt hơn cho khách hàng. Một ví dụ điển hình là việc sử dụng AI tạo sinh để giúp xác định lịch sử các lệnh công việc cho một tài sản, từ đó ưu tiên bảo trì và phản hồi nhanh hơn đối với các nhu cầu bảo trì. Chúng tôi cũng sử dụng máy học để tối ưu hóa các thiết bị xử lý không khí và máy điều hòa không khí trong phòng máy tính.

Nói một cách đơn giản, chúng tôi đang yêu cầu AI phân tích việc sử dụng năng lượng trong các tòa nhà và chính bản thân các tòa nhà đó. Nhưng giống như mọi thứ trong lĩnh vực mới này, đều có những thách thức và cơ hội—điều này được nhấn mạnh bởi nhu cầu rất lớn về dữ liệu chính xác.

Những thách thức của việc tích hợp AI vào ngành năng lượng và tiện ích

Ba thách thức lớn nhất đối với việc tích hợp AI vào ngành năng lượng và tiện ích là bảo mật dữ liệu, quản trị dữ liệu và sự phụ thuộc quá mức vào AI.

Bảo mật dữ liệu liên quan đến AI phần lớn chưa có quy định quản lý, vì vậy đây là lĩnh vực vừa có cơ hội vừa có rủi ro. Cơ hội có thể xuất hiện khi các hiệp hội ngành như Hiệp hội Kỹ sư Nhiệt, Lạnh và Điều hòa Không khí Hoa Kỳ (ASHRAE) cùng nhau tạo ra các phương pháp tốt nhất để sử dụng AI trong ngành. Các rủi ro tiềm ẩn trong bảo mật dữ liệu bao gồm việc các đối tượng xấu sử dụng AI theo cách độc hại, chẳng hạn như tấn công mạng. Các ngành công nghiệp phải nhanh chóng phát triển cách tiếp cận của họ đối với bảo mật dữ liệu để giải quyết những thách thức này. Dữ liệu và các quyết định phải được kiểm toán và phải có kiểm soát truy cập dựa trên vai trò đối với các thuật toán để ngăn chặn các đối tượng xấu tác động đến bộ não của công cụ AI đang được sử dụng.

Trong quản trị dữ liệu, để ngành công nghiệp có hiệu quả và hiệu quả trong việc thúc đẩy kết quả, AI phải có đầu ra đồng nhất, đặc biệt là với AI tạo ra. Quản trị dữ liệu chất lượng bao gồm phân loại dữ liệu tiêu chuẩn hóa, cơ chế báo cáo và truyền thông, đặc biệt nếu AI đang giao tiếp với hệ thống tự động hóa tòa nhà. Giao tiếp dễ dàng giúp ngăn chặn việc tạo ra các silo dữ liệu cản trở việc chia sẻ dữ liệu quan trọng.

Tuy nhiên, có rủi ro lớn xung quanh việc phụ thuộc quá mức vào AI. Nếu chúng ta dựa vào AI quá nhiều, chúng ta sẽ mất đi tia sáng tạo quan trọng đó; mọi thứ sẽ dựa trên và giới hạn ở những gì được cung cấp cho công cụ AI. Điều này có thể dẫn đến sự thiên vị và tự mãn, đặc biệt là với AI tạo ra. Các công ty sử dụng AI như một công cụ sáng tạo sẽ thành công chỉ với sự đầu vào và giám sát của tâm trí con người.

Cuối cùng, một công cụ AI sẽ chỉ thông minh như dữ liệu được đưa vào nó.

Sử dụng dữ liệu tốt nhất để tận dụng AI trong ngành công nghiệp xây dựng và năng lượng

Trong bất kỳ loại ứng dụng AI nào trong các tòa nhà và năng lượng, dữ liệu quan trọng nhất là chính xác, có thể áp dụng dữ liệu lịch sử, bởi vì để dự đoán tương lai, chúng ta cần biết mọi thứ phản ứng hoặc hoạt động như thế nào trong quá khứ với các kích thích khác nhau đối với hệ thống đó. Dữ liệu lịch sử có thể bao gồm hình ảnh—ví dụ, bạn đưa hình ảnh của một nhà máy trung tâm vào công cụ AI để giúp bạn lùng sục internet để tìm thông tin thiết kế cho thiết bị hoặc động cơ.

Với AI tổng hợp, việc có báo cáo đơn đặt hàng công việc và lịch sử bảo trì đầy đủ trên một hệ thống cụ thể có thể cung cấp cho một chuyên gia - một người là chuyên gia trong việc tối ưu hóa hệ thống - khả năng di chuyển nhanh hơn để giải quyết vấn đề phức tạp mà khách hàng có thể gặp phải. Với máy học, việc có một hệ thống tự động hóa tòa nhà sử dụng các cảm biến chính xác và được định dạng với dữ liệu xu hướng và phép đo chính xác là hoàn toàn quan trọng.

Cả độ chính xác của dữ liệu và lượng dữ liệu thực sự đáng tin cậy đều cần thiết để tối ưu hóa AI. Ví dụ, dữ liệu thời tiết có thể được sử dụng để đưa ra quyết định gần thời gian thực cho kế hoạch hoạt động trung tâm hoặc cho bộ xử lý không khí sử dụng máy học, để tính toán các khoản tiết kiệm tiềm năng. Đây là một cái gật đầu đối với việc sử dụng giao diện lập trình ứng dụng (API), một trung gian kỹ thuật số giữa hai ứng dụng cho phép một chương trình yêu cầu dữ liệu hoặc chức năng từ một chương trình khác mà không cần phải biết hệ thống kia hoạt động như thế nào. Người quản lý hệ thống có thể tạo các API có thể được tích hợp vào AI đang sử dụng, dẫn đến khả năng mở rộng cao hơn, chức năng nâng cao và tính linh hoạt với khả năng tùy chỉnh đầu ra để đáp ứng nhu cầu cụ thể của người dùng.

Tìm ra lượng dữ liệu lịch sử phù hợp cho AI

Làm thế nào để bạn xác định mức độ dữ liệu lịch sử bạn cần? Điều đó phụ thuộc vào những gì thực sự đã xảy ra trong ba năm qua. Điều đó đã đủ hay bạn thực sự cần nhiều hơn?

Trong nền tảng của tôi với tư cách là một kỹ sư năng lượng, hầu hết các nhà quản lý sẽ muốn dữ liệu tiện ích trị giá hai đến ba năm. Nhưng nếu bạn nói với tôi trong đại dịch COVID rằng bạn muốn ba năm dữ liệu tiện ích, tôi sẽ nói với bạn rằng năm 2020 và 2021 không thực sự liên quan đến việc dự báo tương lai sẽ như thế nào vì các tòa nhà không có người ở vào thời điểm đó.

Số lượng dữ liệu lịch sử bạn cần cũng phụ thuộc vào hệ thống tòa nhà, bản thân tòa nhà và những gì bạn đang cố gắng đạt được trong hoạt động. Một ví dụ về điều này là khi bạn có một bộ xử lý không khí trong phòng hội nghị cần dữ liệu. Nếu có một cuộc họp mỗi ngày trong phòng hội nghị đó, tôi có thể có được dữ liệu trị giá khoảng hai tuần. Nếu nhiệt độ bên ngoài đại diện cho một lượng giờ lớn hơn ở một nhiệt độ nhất định, thì đó phải là dữ liệu đủ.

Rất nhiều cân nhắc về dữ liệu lịch sử phụ thuộc vào ứng dụng, nhưng các nhà quản lý năng lượng phải nghiêm túc xem xét quá khứ và cách các sự kiện toàn cầu có thể định hình chất lượng thực tế của dữ liệu mà họ có.

Sử dụng AI để giải quyết việc quản lý tải và tính linh hoạt của nhu cầu

Ngành công nghiệp năng lượng đang học cách tận dụng máy học và AI cho các vấn đề chính là tối ưu hóa và định kích thước tải trọng trên lưới điện và hệ thống. Công nghệ sinh đôi kỹ thuật số cũng đóng một vai trò quan trọng trong việc này. Một cặp song sinh kỹ thuật số có thể giúp tăng tuổi thọ của các tài sản điện bằng cách phát hiện các lỗi trong các hệ thống này trước khi chúng trở thành vấn đề. AI có thể cung cấp năng lượng cho cặp song sinh kỹ thuật số này bằng cách xử lý các tập dữ liệu lớn cần thiết để tạo ra cặp song sinh của các tài sản như vậy.

Một công nghệ khác có thể phát huy tác dụng trong phân phối năng lượng là một sản phẩm trong nền tảng Siemens Xcelerator: Electrification X. Sản phẩm này, được xây dựng trên các dịch vụ đám mây, được thiết kế để quản lý, tối ưu hóa và tự động hóa cơ sở hạ tầng điện khí hóa bằng cách cung cấp một cái nhìn toàn diện về các trạm biến áp và các tài sản khác. Một tính năng trong Electrification X, được gọi là Electrification X Asset Management, sử dụng phân tích dữ liệu cảm biến để cho phép chủ sở hữu và nhà khai thác tài sản tăng thời gian hoạt động và độ tin cậy, giảm chi phí vận hành và tăng cường an ninh mạng.

Siemens có một sản phẩm khác gọi là Gridscale X cung cấp phần mềm mô-đun dễ triển khai để quản lý lưới điện từ đầu đến cuối và tận dụng AI để phân tích một lượng lớn dữ liệu lưới điện. Phân lớp trong dịch vụ đó là Gridscale X DER Insights, sử dụng AI để khám phá các nguồn năng lượng phân tán phía sau mét (DER) và đánh giá hành vi cũng như tác động của chúng đối với thiết bị lưới điện. Điều này giúp dự báo, phân tích và trích xuất thông tin chi tiết hữu ích và biến chúng thành các bước tiếp theo có thể thực hiện được. Điều này rất có giá trị vì nó giúp khách hàng tối ưu hóa hoạt động DER, hiểu hiệu suất và sức khỏe DER, đồng thời tối đa hóa khả năng phục hồi kinh doanh và lưới điện.

Đứng trước các xu hướng AI chính

Các nhà quản lý trong ngành phải theo dõi các quy định về AI đang đến ở Hoa Kỳ và trên toàn cầu bởi vì chúng chắc chắn sẽ tác động đến cách AI phát triển trong tương lai. Điều này có nghĩa là những gì chúng ta đang làm bây giờ với AI sẽ thay đổi. Chúng ta cũng cần theo dõi các khả năng và công nghệ AI mới khi chúng xuất hiện trực tuyến. Các nhà quản lý ngành cần tìm hiểu nhanh cách các yếu tố mới này có thể áp dụng cho các hoạt động xây dựng và năng lượng để giá trị của chúng có thể tạo ra sự khác biệt cho doanh nghiệp và cho khách hàng.

Cuối cùng, tất cả chúng ta phải có một tâm trí cởi mở về những gì AI có thể làm. Hãy đón nhận những thay đổi sắp tới và khẳng định vai trò của con người trong AI. Chúng ta có thể thận trọng, nhưng chúng ta không nên sợ hãi. Mọi người đều có thể dựa vào AI bằng cách tìm hiểu tất cả những gì bạn có thể về nó và cố gắng phát triển doanh nghiệp của mình, sử dụng nó ở nơi nó làm tăng giá trị, cải thiện hoạt động và mang lại lợi ích cho khách hàng.

Xuất bản: Ngày 30 tháng 12 năm 2025