AIoT สำหรับการบริหารจัดการอาคาร: Edge AI ช่วยลดค่าไฟได้ 15 ถึง 30 เปอร์เซ็นต์ อย่างไร

ผู้บริหารจัดการอาคารถูกคาดหวังให้ลดค่าพลังงาน บรรลุเป้าหมายด้านความยั่งยืน และดูแลให้ระบบที่เริ่มเสื่อมสภาพยังคงทำงานได้ โดยมักมีจำนวนบุคลากรเท่าเดิม การเพิ่มแดชบอร์ดเข้าไปอีกมักไม่ช่วยอะไร เพราะโดยทั่วไปข้อมูลมีอยู่แล้ว สิ่งที่ไม่สามารถทำได้ด้วยมือเมื่อขยายขนาดคือการลงมือจัดการข้อมูลนั้นได้ทันเวลา นี่คือช่องว่างที่ AIoT เข้ามาเติมเต็ม ด้วยการจับคู่เซ็นเซอร์ IoT เข้ากับปัญญาประดิษฐ์ที่ทำงานบน edge อาคารหนึ่งจะสามารถตรวจจับการสูญเสียพลังงาน คาดการณ์ความขัดข้อง และปรับจูนระบบของตัวเองได้โดยอัตโนมัติ งานวิจัยที่ผ่านการตรวจสอบโดยผู้เชี่ยวชาญเกี่ยวกับการบริหารจัดการพลังงานอาคารที่ขับเคลื่อนด้วย AI รายงานว่าการประหยัดพลังงานโดยทั่วไปอยู่ในช่วง 15 ถึง 30 เปอร์เซ็นต์ และคู่มือฉบับนี้จะอธิบายว่าการประหยัดเหล่านั้นมาจากที่ใด

AIoT และ Edge AI หมายความว่าอย่างไรกันแน่

AIoT คือการบรรจบกันของ Internet of Things (IoT) และปัญญาประดิษฐ์ เซ็นเซอร์ที่เชื่อมต่อกันจะรวบรวมข้อมูล และโมเดล AI จะเปลี่ยนข้อมูลนั้นให้กลายเป็นการตัดสินใจ หากใช้ IoT เพียงลำพัง มันจะบอกคุณได้เพียงว่ากำลังเกิดอะไรขึ้น ส่วน AI คือสิ่งที่ตัดสินใจแบบเรียลไทม์ว่าจะทำอย่างไรกับสิ่งนั้น

Edge AI คือส่วนที่สำคัญที่สุดสำหรับอาคาร แทนที่จะส่งทุกค่าการอ่านขึ้นคลาวด์แล้วรอผลตัดสิน การวิเคราะห์จะทำงานบนอุปกรณ์ที่อยู่ตรงหรือใกล้กับตัวอุปกรณ์เอง ไม่ว่าจะเป็นมิเตอร์ เกตเวย์ หรือคอนโทรลเลอร์ที่มีความสามารถในการประมวลผลในตัว อาคารจะตอบสนองได้ในระดับมิลลิวินาทีแทนที่จะเป็นหลายนาที และยังคงตอบสนองต่อไปได้แม้ในขณะที่การเชื่อมต่ออินเทอร์เน็ตขัดข้อง

ตัวอย่างที่เป็นรูปธรรมทำให้เห็นความแตกต่างชัดเจน คอนโทรลเลอร์แบบ edge ที่เฝ้าดูระบบน้ำเย็นสามารถเรียนรู้ได้ว่าความต้องการในการทำความเย็นกำลังจะลดลง และทยอยลดการทำงานของเครื่องทำความเย็นก่อนที่โหลดจะลดลงจริง แทนที่จะตอบสนองหลังจากค่าใช้จ่ายเพิ่มสูงขึ้นไปแล้ว โมเดลเดียวกันนี้จะเปรียบเทียบทุกค่าการอ่านกับรูปแบบที่มันได้เรียนรู้มา ดังนั้นค่าที่ผิดปกติจะแจ้งเตือนทันทีที่ปรากฏ แทนที่จะถูกพบในการตรวจสอบประจำเดือน

ทำไมต้องใช้ Edge ไม่ใช่แค่คลาวด์

การวิเคราะห์บนคลาวด์ยังคงมีบทบาทสำหรับแนวโน้มระยะยาวและการรายงานข้ามไซต์ แต่การผลักทุกการตัดสินใจขึ้นไปบนคลาวด์มีต้นทุนที่แท้จริง การประมวลผลด้วยปัญญาที่ edge จัดการกับปัญหาทั้งสี่ข้อนี้ได้ในคราวเดียว

• ความหน่วง (Latency) การปิดวงจรการตัดสินใจของเครื่องทำความเย็นหรือการตัดโหลดไม่สามารถรอการรับส่งข้อมูลไปกลับยังเซิร์ฟเวอร์ระยะไกลได้
• แบนด์วิดท์และต้นทุน การส่งข้อมูลดิบที่มีความถี่สูงจากจุดเก็บข้อมูลหลายร้อยจุดนั้นมีค่าใช้จ่ายสูง ส่วน edge จะส่งเฉพาะข้อสรุป ไม่ใช่สัญญาณรบกวน
• ความทนทานของระบบ ตรรกะแบบ edge ยังคงปรับให้เหมาะสมและแจ้งเตือนต่อไปได้ในระหว่างที่เครือข่ายล่ม ซึ่งเป็นช่วงเวลาที่อาคารมีความเสี่ยงมากที่สุดพอดี
• การควบคุมข้อมูล ข้อมูลการปฏิบัติงานที่ละเอียดอ่อนสามารถคงอยู่ภายในไซต์ได้ ซึ่งสำคัญสำหรับสภาพแวดล้อมที่มีภารกิจสำคัญและอยู่ภายใต้การกำกับดูแล

15 ถึง 30 เปอร์เซ็นต์ มาจากที่ใด

อาคารคิดเป็นสัดส่วนเกือบ 40 percent ของการใช้พลังงานทั่วโลก ดังนั้นแม้เพียงการปรับปรุงเล็กน้อยในเชิงเปอร์เซ็นต์ก็แปลงเป็นการประหยัดในมูลค่าสัมบูรณ์ที่มากได้ ตัวเลขหลักนี้ไม่ใช่เวทมนตร์ และไม่ได้มาจากปัจจัยเดียว งานวิจัยอิสระเกี่ยวกับการบริหารจัดการพลังงานอาคารที่ขับเคลื่อนด้วย AI ระบุว่าการประหยัดมาจากหลายแหล่งที่ส่งเสริมซึ่งกันและกัน โดยรายงานว่าอาคารสำนักงานอยู่ในช่วงปลายที่สูงกว่าของช่วงที่เผยแพร่

• การปรับ HVAC ให้เหมาะสม ระบบทำความร้อน ระบายอากาศ และทำความเย็นมักเป็นโหลดที่ควบคุมได้มากที่สุด AI ที่เรียนรู้รูปแบบการเข้าใช้พื้นที่และพฤติกรรมเชิงความร้อนจะช่วยลดเวลาการทำงานลงโดยไม่ลดทอนความสบาย
• การตรวจจับความผิดปกติ โมเดลแบบ edge จะแจ้งเตือนมอเตอร์ที่ค่าเริ่มเบี่ยงเบน คอยล์ที่อุดตัน หรือแดมเปอร์ที่ติดขัดได้ตั้งแต่เนิ่นๆ ก่อนที่มันจะค่อยๆ ทำให้ค่าใช้จ่ายสูงขึ้นเป็นเวลาหลายเดือน
• การจัดการความต้องการและช่วงพีค การคาดการณ์ช่วงพีคของความต้องการช่วยให้ไซต์สามารถเลื่อนหรือตัดโหลดที่ไม่สำคัญออก และหลีกเลี่ยงบทลงโทษค่าไฟตามอัตราที่มีราคาแพงได้
• การปรับตั้งระบบอย่างต่อเนื่อง แทนที่จะเป็นการปรับจูนเพียงครั้งเดียว ระบบจะคงให้อุปกรณ์ทำงานที่จุดประสิทธิภาพสูงสุดเมื่อสภาพแวดล้อมเปลี่ยนแปลงไป

ผลลัพธ์ที่แน่นอนขึ้นอยู่กับประเภทของอาคาร ค่าฐาน และสัดส่วนของระบบที่ถูกนำเข้ามาอยู่ภายใต้การควบคุม การนำเสนออย่างตรงไปตรงมาคือการบอกเป็นช่วง ไม่ใช่การให้สัญญา แต่ทิศทางนั้นสอดคล้องกันตลอดในงานวิจัยต่างๆ

การสร้างสแตก AIoT สำหรับการบริหารจัดการอาคาร

การติดตั้ง AIoT ที่มีประสิทธิภาพประกอบด้วยหลายชั้น มิเตอร์ดิจิทัลและเซ็นเซอร์ IoT จะเก็บข้อมูลดิบทางไฟฟ้า ความร้อน และสิ่งแวดล้อม เกตเวย์แบบ edge จะรันการประมวลผลใกล้กับตัวอุปกรณ์ แพลตฟอร์มจะรวบรวม จัดเก็บ และแสดงผลข้อมูลเหล่านั้น พร้อมป้อนการตัดสินใจกลับไปยังระบบควบคุม แพลตฟอร์ม PecStar® iEMS และมิเตอร์ในซีรีส์ PMC ของเราทำหน้าที่เป็นชั้นการวัดและชั้น edge และข้อมูลชุดเดียวกันนี้ก็ขับเคลื่อนการวิเคราะห์ AIoT สำหรับการบริหารจัดการอาคาร ของเรา

ที่สำคัญคือสิ่งนี้ทำงานอยู่บนระบบที่อาคารใช้งานอยู่แล้ว ไม่ใช่มาแทนที่ AIoT ผสานรวมเข้ากับ ระบบบริหารจัดการพลังงาน สำหรับต้นทุนและการใช้พลังงาน ระบบบริหารจัดการอาคาร สำหรับ HVAC และระบบควบคุม และ การตรวจติดตามสภาพ สำหรับสุขภาพของสินทรัพย์ ดังนั้นชั้นปัญญาเดียวจึงรองรับผลลัพธ์ได้หลายด้าน แทนที่จะสร้างไซโลขึ้นมาอีกอันหนึ่ง

การวัดผลคือสิ่งที่ทำให้การประหยัดเป็นความจริง เนื่องจากแพลตฟอร์มบันทึกค่าฐานอย่างต่อเนื่อง การปรับให้เหมาะสมทุกครั้งจึงสามารถตรวจสอบได้เทียบกับสิ่งที่อาคารทำจริงก่อนหน้านี้ แทนที่จะใช้การประมาณการ ฐานหลักฐานเดียวกันนี้ยังสนับสนุนการรายงานด้านความยั่งยืน และให้ตัวเลขระยะเวลาคืนทุนที่ทีมการเงินสามารถปกป้องได้ ซึ่งโดยทั่วไปคือสิ่งที่ปลดล็อกงบประมาณสำหรับการขยายผลในระยะถัดไป

เริ่มต้นได้โดยไม่ต้องรื้อของเดิมทิ้ง

เส้นทางที่เร็วที่สุดสู่คุณค่ามักไม่ใช่การสร้างใหม่ทั้งหมด โปรโตคอลแบบเปิดหมายความว่าอุปกรณ์ edge สามารถเพิ่มเข้าไปในตู้สวิตช์บอร์ดและคอนโทรลเลอร์ที่มีอยู่เดิมได้ ดังนั้นอาคารหนึ่งจึงสามารถเริ่มจากโหลดที่มีต้นทุนสูงสุดหรือความเสี่ยงสูงสุดก่อน และพิสูจน์การประหยัดบนค่าฐานที่บันทึกไว้ ก่อนจะขยายขอบเขตการครอบคลุม โครงการนำร่องที่กำหนดขอบเขตชัดเจนบนระบบน้ำเย็นเพียงชุดเดียวหรือฟีดเดอร์ที่สำคัญ มักจะเผยให้เห็นต้นทุนที่หลีกเลี่ยงได้มากที่สุดภายในไม่กี่สัปดาห์ และให้กรณีทางธุรกิจสำหรับการขยายผลแบบเป็นเฟสทั่วทั้งไซต์หรือพอร์ตโฟลิโอ

มีประเด็นเชิงปฏิบัติสองข้อที่ตัดสินว่าการติดตั้งจะคงอยู่ได้นานหรือไม่ ข้อแรกคือการผสานรวม อุปกรณ์ edge ต้องสื่อสารด้วยโปรโตคอลแบบเปิดเดียวกันกับระบบที่มีอยู่ มิฉะนั้นโครงการจะติดอยู่กับกำแพงของเกตเวย์เฉพาะแบรนด์ ข้อที่สองคือความปลอดภัย เพราะทุกอุปกรณ์ที่เชื่อมต่อกันจะขยายพื้นผิวการโจมตี ดังนั้นการยืนยันตัวตนของอุปกรณ์ การแบ่งส่วนเครือข่าย และการสื่อสารที่เข้ารหัส จึงควรเป็นส่วนหนึ่งของการออกแบบตั้งแต่วันแรก ไม่ใช่นำมาติดเพิ่มภายหลัง การทำทั้งสองข้อนี้ให้ถูกต้องคือความแตกต่างระหว่างโครงการนำร่องที่ขยายผลได้กับโครงการที่ค่อยๆ เลิกใช้ไปอย่างเงียบๆ

นำ Edge AI มาใช้งานในอาคารของคุณ

EcoXplore มีสำนักงานใหญ่อยู่ในสิงคโปร์ พร้อมทีมวิศวกรรมในตลาดอาเซียนห้าประเทศ เราออกแบบ ติดตั้ง และผสานระบบ AIoT ตั้งแต่เซ็นเซอร์ที่ตู้ควบคุมไปจนถึงการวิเคราะห์ข้อมูลบนหน้าจอ หากต้องการประเมินว่า Edge AI จะช่วยลดค่าพลังงานของคุณได้ที่จุดใด และวางแผนขยายผลเป็นระยะ ติดต่อทีมงานของเรา เพื่อขอรับการประเมินหน้างาน