使用 AI 最大限度地提高基础设施的韧性

编者注：这是 Kevin Scarborough 在 Energy Beat 播客上评论的叙事版本。您可以在此收听完整的播客访谈。

在 Siemens，我们认识到全球能源转型正在发生。我们对这一观察结果充满信心，因为我们的长期战略是基于五大全球大趋势制定的：人口变化、城市化、全球化、环境变化和资源效率以及数字化。所有这些都将对能源——我们如何产生、分配和使用能量产生重大影响。众所周知，各公司优先考虑可再生能源、能源效率和资产电气化。

我们还知道，这种转变给现有的能源和建筑基础设施带来了压力。需要快速转型才能保持这些复杂系统的可靠性和可持续性。

建筑业约占全球能源需求的 40％，预计到 2060 年，全球建筑物的可用空间将翻一番。即将建造的面积很大，这给我们的资源带来了需求。这是预计到 2050 年电力需求将增加三倍的原因之一。因此，正如我们智能基础设施首席执行官 Matthias Rebellius 最近在 Routers Plus 的帖子中所说的那样，“弹性能源供应已经变得越来越重要，成为基础设施的头号优先事项。”

Siemens 认为，这是建筑和能源基础设施借助 AI 变得更加智能、创造我们渴望的面向未来的技术的重大机遇。

我们正在所谓的 Building X 生态系统中利用和研究 AI，以改善数据报告的交付，进而为客户带来更高的能效和运营成果。其中一个例子是使用生成式 AI 来帮助识别资产的工单历史记录，以帮助确定维护的优先顺序并更快地响应维护需求。我们还使用机器学习来优化机房的空气处理器和空调。

简而言之，我们让 AI 思考建筑物内部和建筑物本身的能源使用情况。但是，就像这个新格局中的所有事物一样，挑战和机遇并存，对正确数据的巨大需求正突显了这一点。

将 AI 整合到能源和公用事业行业面临的挑战

将 AI 整合到能源和公用事业行业的三个最大挑战分别是数据安全、数据治理和对 AI 的过度依赖。

与 AI 相关的数据安全在很大程度上不受监管，因此这是一个既充满机遇又存在风险的领域。美国采暖、制冷和空调工程师协会 (ASHRAE) 等行业协会共同制定在行业中使用 AI 的最佳实践，这可能会带来机会。数据安全方面的潜在风险包括不良行为者以恶性方式使用 AI，例如黑客攻击。各行业必须迅速发展其数据安全方法，以应对这些挑战。数据和决策必须是可审计的，并且必须对算法进行基于角色的访问控制，以防止不良行为者影响正在使用的 AI 引擎的大脑。

在数据治理中，为了使行业高效且有效地推动结果，AI 必须具有统一的输出，尤其是生成式 AI。优质的数据治理包括标准化的数据分类、报告机制和沟通方式，尤其是在 AI 与建筑自动化系统进行通信时。便捷的沟通有助于防止数据孤岛的产生，避免阻碍关键信息的共享。

然而，过度依赖 AI 也存在很大的风险。如果我们过度依赖 AI，就会失去创造力的火花；一切都将基于并且局限于输入到 AI 引擎中的数据。这可能导致偏见和自满，特别是在生成式 AI 中。将 AI 作为创造力工具的公司，只有在人工思维的输入和监督下才能成功。

最终，AI 引擎的智能程度只取决于输入到其中的数据。

在建筑和能源行业中利用最佳数据进行 AI 应用

在建筑和能源领域中的任何 AI 应用中，最重要的数据是准确且适用的历史数据，因为要预测未来，我们需要知道系统如何对不同刺激做出反应或运作。历史数据可以包括图像——例如，你可以将中央机房的图像输入到 AI 引擎中，帮助你在互联网上搜寻设备或电机的设计信息。

通过生成式 AI，拥有工作订单报告和特定系统的完整维护历史，可以使专家——那些在优化系统方面具有专长的人——能够更快速地解决客户可能遇到的复杂问题。使用机器学习时，确保建筑自动化系统使用正确的传感器并且格式化为正确的趋势数据和测量值至关重要。

数据的准确性和可靠性对于优化 AI 至关重要。例如，天气数据可以用于实时决策，例如，为中央操作计划或空调机组使用机器学习来计算潜在节能。这也指向了应用程序编程接口 (API) 的使用，这是两个应用程序之间的数字中介，使一个程序能够从另一个程序请求数据或功能，而无需了解对方的工作原理。系统管理者可以创建 API，集成到正在使用的 AI 中，从而实现更高的可扩展性、更强的功能和更大的灵活性，同时可以根据用户的具体需求定制输出。

确定 AI 所需的历史数据量

如何确定需要多少历史数据？这取决于过去三年发生了什么。例如，这三年的数据足够吗，还是你真的需要更多？

根据我的能源工程背景，大多数管理者会希望拥有两到三年的公用事业数据。但如果你告诉我在新冠肺炎疫情期间你需要三年的公用事业数据，我会告诉你，2020 年和 2021 年的数据实际上并不适用于预测未来的趋势，因为那些时候建筑物几乎没有人入住。

你需要多少历史数据还取决于建筑系统、建筑本身以及你希望实现的操作目标。举个例子，如果你需要数据来分析会议室空调机组的表现。假设每天只有一次会议，我可能只需要大约两周的数据。如果外部温度代表了某一温度范围内的较长时间段，那就足够了。

很多关于历史数据的考虑都依赖于具体应用，但能源管理者必须认真审视过去，并考虑全球事件如何影响他们所拥有数据的实际质量。

使用 AI 来解决负荷管理和需求灵活性问题

能源行业正在学习如何利用机器学习和 AI 来优化和合理化电网和系统的负荷。数字孪生技术在其中也起到了重要作用。数字孪生能够通过检测系统中的故障，提前防范问题，从而增加电气设备的使用寿命。AI 可以推动这一数字孪生技术，通过处理大规模数据集来创建这些设备的孪生。

另一项可以应用于能源分配的技术是 Siemens Xcelerator 平台中的一个服务：Electrification X。这款基于云服务的产品旨在对电气化基础设施进行管理、优化和自动化改造，提供对变电站和其他资产的整体视图。Electrification X 中有一个功能模块叫做 Electrification X 资产管理，利用传感器数据分析，帮助资产拥有者和运营商提高设备的正常运行时间和可靠性，减少运营成本，同时加强网络安全。

Siemens 还推出了另一款名为 Gridscale X 的产品，提供便于部署的模块化软件，支持端到端的电网管理，并利用 AI 分析大量电网数据。该产品中的 Gridscale X DER Insights 功能使用 AI 来发现后台分布式能源资源 (DER)，评估它们的行为以及它们对电网设备的影响。这有助于进行预测、分析，并提取有用的洞察，将其转化为可操作的下一步措施。这一功能非常重要，因为它帮助客户优化 DER 的运行、了解其性能和健康状况，并充分提高业务和电网的韧性。

跟踪主要的 AI 趋势

行业管理者必须关注美国及全球即将出台的 AI 法规，因为这些法规必将影响未来 AI 的发展。这意味着我们现在对 AI 的应用方式会发生变化。我们还需要密切关注新的 AI 能力和技术的出现。行业管理者需要快速学习这些新技术如何应用于建筑和能源运营，以确保其价值能够对业务和客户产生影响。

最终，我们必须对 AI 的潜力保持开放心态。让我们坦然迎接即将到来的变化，并坚持人类在 AI 中的角色。我们可以保持谨慎，但不必恐惧。每个人都可以通过学习 AI，充分利用它，促进业务发展，在它能带来价值、改善运营和造福客户的方面对它加以应用。

发布时间：2025 年 12 月 30 日