使用 AI 最大化基礎架構的韌性

編按：本文是 Kevin Scarborough 在Energy Beat Podcast 節目中發言的敘述版本。您可以在此處收聽完整的播客訪談。

在 Siemens，我們意識到全球能源轉型正在發生。我們對此充滿信心，因為我們的長期策略是基於五個全球趨勢：人口變化、城市化、全球本土化、環境變化和資源效率以及數位化。每一項趨勢都將對能源產生重大影響—包括能源的生產、分配和使用方式。眾所周知，企業正在優先考慮再生能源、能源效率和資產電氣化。

我們也知道，這種轉型正在給現有的能源和建築基礎設施帶來壓力。為了維持這些複雜系統的可靠性和永續性，需要快速轉型。

建築業約佔全球能源需求的 40%，預計到 2060 年，全球建築的可用空間將翻倍。這意味著大量的建築面積即將建成，這將對我們的資源造成更大的壓力。這正是預計到 2050 年電力需求將增加三倍的原因之一。因此，正如我們智慧基礎設施執行長 Matthias Rebellius 最近在路透社 Plus 上發表的文章中所述，「彈性能源供應的重要性日益凸顯，已成為基礎設施建設的首要任務。」

Siemens 認為，這是一個利用 AI 提升建築和能源基礎設施智慧化水準的絕佳機會，從而打造我們所追求的未來的技術。

我們正在我們稱之為 Building X 生態系統的架構內，利用和研究 AI 技術，以改善數據報告的交付，進而為客戶帶來更高的能源效率和更佳的營運成果。例如，我們可以利用生成式 AI 來辨別資產的工單歷史記錄，從而幫助確定維護優先順序並更快地回應維護需求。我們也利用機器學習來最佳化機房的空氣處理機組和空調系統。

簡而言之，我們正在讓 AI 思考建築物內部以及建築物本身的能源使用情況。但就像新格局中的所有事物一樣，挑戰與機會並存——而對正確數據的巨大需求更是凸顯了這一點。

將 AI 融入能源和公用事業行業的挑戰

將 AI 融入能源和公用事業行業的三大挑戰是數據安全、數據治理以及對 AI 的過度依賴。

與 AI 相關的數據安全在很大程度上缺乏監管，因此這既是機會也是風險。機會可能來自美國暖氣、冷氣與空調工程師協會 (ASHRAE) 等產業協會的合作，共同制定 AI 在產業中的最佳實踐。數據安全的潛在風險包括惡意行為者以惡意方式利用 AI，例如駭客攻擊。各產業必須迅速改進其數據安全方法以應對這些挑戰。數據和決策必須可審計，並且必須對演算法進行基於角色的存取控制，以防止惡意行為者影響正在使用的 AI 引擎的核心。

在數據治理中，為了使產業高效且有效地推動成果，AI 必須輸出統一的數據，尤其是在生成式 AI 領域。高品質的數據治理包括標準化的數據分類、報告機制和溝通，尤其是在 AI 與建築物自動化系統通訊的情況下。便捷的溝通有助於防止數據孤島的形成，從而避免阻礙關鍵數據的共享。

然而，過度依賴 AI 也存在巨大的風險。如果我們過度依賴 AI，就會失去創造力的關鍵火花；一切都將基於並局限於輸入 AI 引擎的數據。這可能導致偏見和自滿，尤其是在生成式 AI 領域。將 AI 作為創意工具的公司只有在人類思維的參與和監督下才能取得成功。

歸根究底，AI 引擎的智慧程度取決於輸入的數據品質。

在建築和能源產業中，利用最佳數據發揮 AI 的作用十分重要。

在建築和能源領域的任何 AI 應用中，最重要的數據是準確且適用的歷史數據，因為要預測未來，我們需要了解事物過去如何對各種刺激做出反應或運作。歷史數據可以包括圖像——例如，您可以將中央工廠的圖像輸入 AI 引擎，以幫助您在網路上搜尋裝置或馬達的設計資訊。

借助生成式 AI，擁有特定系統的工單報告和完整的維護歷史記錄，可以讓系統最佳化專家——也就是系統最佳化方面的專家——更快地解決客戶可能遇到的複雜問題。對於機器學習而言，擁有一個使用正確感測器並以正確的趨勢數據和測量結果格式儲存的建築自動化系統十分重要。

數據的準確性和可靠的數據量對於最佳化 AI 皆不可或缺。例如，天氣數據可用於為中央運作計畫做出近乎即時的決策，或用於空氣處理機，利用機器學習來運算潛在的節能效果。這體現了應用程式介面 (API) 的應用，API 是兩個應用程式之間的數位中介，它使一個程式能夠從另一個程式請求數據或功能，而無需了解另一個系統的工作原理。系統管理員可以建立可整合到現有 AI 系統中的API，從而提高可擴充性、增強功能並提高靈活性，並能夠自訂輸出以滿足使用者的特定需求。

如何確定 AI 所需的歷史數據量？

這取決於過去三年（例如）的實際情況。這些數據是否足夠，還是需要更多？

以我作為能源工程師的背景來看，大多數管理人員需要兩到三年的公用事業數據。但如果在新冠疫情期間，你告訴我需要三年的公用事業數據，我會告訴你，2020 年和 2021 年的數據對於預測未來趨勢並不相關，因為當時建築物都閒置著。

所需的歷史資料量還取決於建築系統、建築本身以及你想要實現的營運目標。例如，當你需要會議室空氣處理機的資料時，就需要考慮歷史數據量。如果那間會議室每天只開一次會，我大概只需要兩週的數據就夠了。如果室外溫度能夠代表更長時間內的氣溫，那麼數據就足夠了。

關於歷史數據的許多考量取決於具體應用，但能源管理者必須認真審視過去，以及全球事件如何影響現有數據的實際品質。

利用 AI 解決負載管理和需求彈性問題

能源產業正在學習如何利用機器學習和 AI 來解決最佳化電網和系統負載並使其達到合理規模的關鍵問題。數位孿生科技在這方面也發揮著重要作用。數位孿生可以透過在故障發生之前檢測系統故障來幫助延長電氣資產的使用壽命。AI 可以透過處理建立此類資產孿生所需的大量數據集來驅動數位孿生。

另一項可用於能源分配的技術是 Siemens Xcelerator 平台中的產品：Electrification X。該產品基於雲端服務建構，旨在透過提供變電站和其他資產的整體視圖，來管理、最佳化和自動化電氣化基礎設施。Electrification X 中的一項名為 Electrification X Asset Management 的功能集利用感測器數據分析，幫助資產所有者和營運商提高正常運作時間和可靠性，降低營運成本，並增強網路安全。

Siemens 還提供另一個名為 Gridscale X 的產品，該產品提供易於部署的模組化軟體，用於端到端電網管理，並利用 AI 分析大量電網數據。Gridscale X 還包含 Gridscale X DER Insights，它利用 AI 發現用戶端分散式能源 (DER)，並評估其運作狀況及其對電網設備的影響。這有助於預測、分析和擷取有用的數據，並將其轉化為可執行的後續步驟。這非常有價值，因為它可以幫助客戶最佳化 DER 運作，了解 DER 的效能和健康狀況，並最大限度地提高業務和電網的韌性。

跟上 AI 發展趨勢

產業管理者必須密切關注美國和全球即將頒布的 AI 法規，因為這些法規必將影響 AI 未來的發展方向。這意味著我們現在使用 AI 的方式將會改變。我們還需要密切關注 AI 的新功能和技術的出現。產業管理者需要迅速學習如何將這些新元素應用於建築和能源運營，使其價值能夠真正惠及企業和客戶。

歸根究底，我們都必須對 AI 的潛力保持開放的心態。讓我們擁抱即將到來的變革，並強調人類在 AI 中的作用。我們可以保持謹慎，但不必害怕。每個人都可以透過學習盡可能多的 AI 知識來利用，並嘗試在能夠創造價值、改進營運和造福客戶的地方運用 AI 來發展業務。

發行日期：2025 年 12 月 30 日