AIoT สำหรับการจัดการอาคาร: Edge AI ลดค่าไฟ 15 ถึง 30 เปอร์เซ็นต์ได้อย่างไร

AIoT คืออะไร และแตกต่างจาก IoT แบบเดิมอย่างไร

ระบบ IoT แบบเดิมรวบรวมข้อมูลจากเซนเซอร์แล้วส่งไปยังเซิร์ฟเวอร์ส่วนกลางหรือแพลตฟอร์มคลาวด์เพื่อประมวลผล วิธีนี้เหมาะกับการรายงานย้อนหลัง แต่ทำให้เกิดความหน่วง กว่าคลาวด์จะวิเคราะห์การเบี่ยงเบนของประสิทธิภาพเครื่องทำน้ำเย็นและส่งคำสั่งปรับค่าควบคุมกลับมา อุปกรณ์ก็ใช้พลังงานอย่างสิ้นเปลืองจากการทำงานที่ไม่เหมาะสมไปแล้วหลายชั่วโมง

AIoT ย้ายความสามารถในการวิเคราะห์มาไว้ที่เอดจ์ แทนที่จะส่งค่าจากเซนเซอร์ทุกครั้งขึ้นคลาวด์ ตัวประมวลผล Edge AI ที่ติดตั้งในสถานที่จะเรียกใช้โมเดลแมชชีนเลิร์นนิงที่ผ่านการฝึกกับข้อมูลแบบเรียลไทม์ ระบบตรวจจับความผิดปกติ คาดการณ์อุปกรณ์ขัดข้อง และปรับพารามิเตอร์ควบคุมได้ในระดับมิลลิวินาทีโดยไม่ต้องเชื่อมต่ออินเทอร์เน็ต สำหรับผู้จัดการอาคาร นี่หมายถึงการตอบสนองที่รวดเร็วขึ้น ค่าแบนด์วิดท์ที่ลดลง และการทำงานต่อเนื่องแม้เครือข่ายขัดข้อง

ความแตกต่างนี้ส่งผลในทางปฏิบัติ การใช้งานในอาคารสำนักงานทั่วเอเชียตะวันออกเฉียงใต้แสดงให้เห็นว่า เฉพาะการเพิ่มประสิทธิภาพ HVAC ที่เอดจ์ก็ลดพลังงานทำความเย็นได้ 18 ถึง 25 เปอร์เซ็นต์ เมื่อเทียบกับการตรวจติดตาม BMS ผ่านคลาวด์เพียงอย่างเดียว เมื่อนำไปใช้กับแสงสว่าง โหลดเต้ารับ และการจัดตารางอุปกรณ์ ผลประหยัดรวมมักสูงกว่า 30 เปอร์เซ็นต์

AIoT ลดค่าใช้จ่ายพลังงานอย่างไร: สามกลไกหลัก

1. การควบคุมตามความต้องการแบบเรียลไทม์

BMS แบบเดิมใช้ตารางเวลาคงที่ เช่น เริ่มเครื่องทำน้ำเย็นเวลา 7:00 น. และปิดไฟเวลา 19:00 น. AIoT แทนที่ตารางคงที่ด้วยการควบคุมแบบปรับเปลี่ยนตามความต้องการ เซนเซอร์ตรวจจับการใช้งานพื้นที่ส่งจำนวนคนแบบเรียลไทม์ให้โมเดล Edge AI ปรับความเย็น แสงสว่าง และการระบายอากาศแยกตามโซน ห้องประชุมที่ว่างระหว่าง 10:00 ถึง 14:00 น. จะไม่รับกำลัง HVAC เต็มพิกัด ขณะที่ห้องเซิร์ฟเวอร์ซึ่งมีภาระความร้อนสูงขึ้นเวลา 15:00 น. จะได้รับความเย็นเพิ่มก่อนสัญญาณเตือนอุณหภูมิทำงาน

ทีมอาคารที่ใช้แพลตฟอร์ม PecStar® iEMS ของ EcoXplore ร่วมกับโมดูล Edge AI ใช้วิธีนี้ลดเวลาทำงานของ HVAC ได้ 20 ถึง 35 เปอร์เซ็นต์ในช่วงที่มีผู้ใช้งานน้อย โดยไม่ลดความสบาย

2. การบำรุงรักษาอุปกรณ์เชิงคาดการณ์

การบำรุงรักษาเชิงแก้ไข หรือซ่อมเมื่อเสีย มีค่าใช้จ่ายสูงกว่าการบำรุงรักษาตามแผนสามถึงห้าเท่า แต่แม้การบำรุงรักษาเชิงป้องกันซึ่งเปลี่ยนชิ้นส่วนตามปฏิทิน ก็อาจสิ้นเปลืองจากการเปลี่ยนชิ้นส่วนที่ยังใช้งานได้ AIoT ช่วยให้บำรุงรักษาเชิงคาดการณ์ได้อย่างแท้จริง โมเดลที่เอดจ์เรียนรู้ลักษณะการทำงานปกติของอุปกรณ์แต่ละตัว และตรวจพบสัญญาณเสื่อมสภาพระยะแรก เช่น กระแสมอเตอร์เพิ่มขึ้น 0.5 เปอร์เซ็นต์ รูปแบบการสั่นของตลับลูกปืนเปลี่ยนเล็กน้อย หรือแนวโน้มแรงดันสารทำความเย็นผิดไปจากค่าปกติตามฤดูกาล

เมื่อพบปัญหาเร็ว การแก้ไขมักเป็นเพียงการปรับแต่งต้นทุนต่ำระหว่างหยุดเครื่องตามแผน แทนการเรียกช่างฉุกเฉินเวลา 2:00 น. สำหรับอาคารพาณิชย์ขนาด 50,000 ตารางเมตรในสิงคโปร์ การหลีกเลี่ยงเครื่องทำน้ำเย็นหยุดโดยไม่คาดคิดเพียงครั้งเดียวอาจประหยัดค่าซ่อมฉุกเฉินและผลกระทบต่อผู้เช่าได้ SGD 15,000 ถึง 40,000 โดยยังไม่รวมพลังงานที่อุปกรณ์ซึ่งกำลังเสียใช้ไปอย่างสิ้นเปลือง

3. การย้ายโหลดและลดความต้องการไฟฟ้าสูงสุดโดยอัตโนมัติ

อัตราค่าไฟฟ้าในสิงคโปร์ มาเลเซีย และไทยมีการใช้ค่าความต้องการไฟฟ้าและอัตราตามช่วงเวลามากขึ้น ทำให้การใช้ไฟฟ้าช่วงพีกมีต้นทุนสูง โมเดล AIoT ที่ฝึกด้วยรูปแบบโหลดในอดีตสามารถคาดการณ์ช่วงที่อาคารจะมีความต้องการสูงสุด แล้วทำความเย็นล่วงหน้าให้มวลสะสมความร้อน ย้ายโหลดที่ไม่จำเป็น หรือจ่ายไฟจากแบตเตอรี่กักเก็บพลังงานโดยอัตโนมัติ เพื่อไม่ให้เกินเกณฑ์

อาคารแห่งหนึ่งในจาการ์ตาที่ใช้การพยากรณ์โหลดด้วย Edge AI ลดค่าความต้องการไฟฟ้าสูงสุดรายเดือนได้ 22 เปอร์เซ็นต์ภายในไตรมาสแรกของการติดตั้ง โดยไม่กระทบความสบาย ระบบปรับการทำงานทีละช่วง 15 นาทีจนผู้เช่าไม่รู้สึกถึงความเปลี่ยนแปลง

สถาปัตยกรรมการติดตั้ง: เซนเซอร์ โหนดเอดจ์ และการเชื่อมต่อระบบ

การติดตั้ง AIoT โดยทั่วไปประกอบด้วยสามชั้น:

ชั้นเซนเซอร์: เซนเซอร์ IoT ไร้สายสำหรับอุณหภูมิ ความชื้น มิเตอร์ไฟฟ้า การใช้งานพื้นที่ CO2 และการสั่นสะเทือน กระจายทั่วอาคาร เซนเซอร์ไร้สายตระกูล ZETA-R ของ EcoXplore ใช้โปรโตคอล ZETA LPWAN ครอบคลุมได้สูงสุด 10 km ต่อเกตเวย์ในสภาพแวดล้อมเมือง และมีอายุแบตเตอรี่ 5 ปี จึงเหมาะกับการปรับปรุงอาคารเดิมโดยไม่ต้องเดินสายใหม่

ชั้นประมวลผลเอดจ์: เกตเวย์เอดจ์หรือคอมพิวเตอร์อุตสาหกรรมในสถานที่ซึ่งรันเอนจินอนุมาน AI เป็นที่ติดตั้งโมเดลที่ผ่านการฝึก โหนดเอดจ์รับข้อมูลเซนเซอร์ ประมวลผลการคาดการณ์ และส่งคำสั่งควบคุมไปยัง BMS หรือโดยตรงไปยังตัวควบคุมอุปกรณ์ผ่าน BACnet หรือ Modbus

ชั้นเชื่อมต่อระบบ: โหนดเอดจ์เชื่อมต่อกับระบบบริหารจัดการอาคารเดิมและ PecStar iEMS เพื่อแสดงแดชบอร์ดส่วนกลาง จัดทำรายงาน และฝึกโมเดลใหม่ในระยะยาว เอดจ์ดูแลการตัดสินใจแบบเรียลไทม์ ส่วนคลาวด์ดูแลการแสดงผล รายงานการปฏิบัติตามข้อกำหนด เช่น การยื่น BCA Green Mark และการเปิดเผยข้อมูลความยั่งยืนต่อ ACRA รวมถึงการปรับปรุงโมเดล

สถาปัตยกรรมนี้ทำให้การทำงานหลักของอาคารไม่ต้องพึ่งการเชื่อมต่อคลาวด์ หากอินเทอร์เน็ตขัดข้อง Edge AI ยังเพิ่มประสิทธิภาพการใช้งานระบบตรวจติดตามพลังงานได้อย่างต่อเนื่อง

เริ่มใช้ AIoT ด้วยแนวทางแบ่งระยะ

ผู้จัดการอาคารไม่จำเป็นต้องติดตั้ง AIoT ทั่วทั้งอาคารตั้งแต่วันแรก การแบ่งระยะช่วยลดความเสี่ยงและสร้างการยอมรับภายในองค์กร:

ระยะที่ 1 (สัปดาห์ที่ 1-4): ติดตั้งเซนเซอร์ไร้สายในสามระบบที่ใช้พลังงานสูงสุด ซึ่งมักเป็นเครื่องทำน้ำเย็น AHU และแสงสว่าง เชื่อมต่อกับเกตเวย์เอดจ์ที่รันโมเดลตรวจจับความผิดปกติซึ่งฝึกไว้แล้ว เป้าหมายคือมองเห็นสิ่งที่เกิดขึ้นจริงเทียบกับสมมติฐานในตาราง BMS

ระยะที่ 2 (สัปดาห์ที่ 5-12): เปิดใช้การแจ้งเตือนและคำแนะนำอัตโนมัติ Edge AI ระบุการเบี่ยงเบนของอุปกรณ์ แนะนำการปรับค่าควบคุม และหาความไม่มีประสิทธิภาพของตารางการทำงาน ทีมอาคารตรวจสอบคำแนะนำก่อนนำไปใช้

ระยะที่ 3 (เดือนที่ 4 เป็นต้นไป): เปลี่ยนจากโหมดแนะนำเป็นการควบคุมวงปิดสำหรับกรณีใช้งานที่พิสูจน์แล้ว เช่น ควบคุม HVAC รายโซนตามความต้องการหรือลดโหลดพีก AI ปรับการทำงานอัตโนมัติภายในขอบเขตที่ทีมอาคารกำหนด และติดตามผลใน PecStar iEMS เทียบกับฐานพลังงานและตัวชี้วัดต้นทุน

แนวทางนี้ผ่านการใช้งานในโครงการของ EcoXplore รวมถึงMediacorp PMCS ซึ่งมีมิเตอร์ติดแผงมากกว่า 1,000 ตัวส่งข้อมูลเข้าแพลตฟอร์มตรวจติดตามและเพิ่มประสิทธิภาพพลังงานส่วนกลาง ครอบคลุมห้องเซิร์ฟเวอร์ 30 ห้องในหลายอาคาร

เหตุใดอาคารในอาเซียนจึงต้องการ AIoT ในตอนนี้

อาคารพาณิชย์ในเอเชียตะวันออกเฉียงใต้เผชิญทั้งต้นทุนพลังงานสูงขึ้น ข้อกำหนดความยั่งยืนเข้มงวดขึ้น และความคาดหวังของผู้เช่าที่เพิ่มขึ้น กฎหมายกำหนดราคาคาร์บอนของสิงคโปร์เก็บภาษี SGD 45 ต่อตัน CO2 เทียบเท่าในปี 2026-2027 และมีแนวทางเพิ่มเป็น SGD 50 ถึง 80 ต่อตันภายในปี 2030 ซึ่งเพิ่มต้นทุนไฟฟ้าจากโครงข่ายของผู้ใช้รายใหญ่โดยตรง กฎหมายประสิทธิภาพและการอนุรักษ์พลังงานปี 2024 ของมาเลเซียกำหนดข้อบังคับการจัดการพลังงานสำหรับอาคารขนาดใหญ่ ส่วนเกณฑ์ Building Energy Code ของไทยกำหนดประสิทธิภาพพลังงานขั้นต่ำสำหรับอาคารพาณิชย์ใหม่และอาคารที่ปรับปรุง

AIoT เป็นคำตอบที่ใช้งานได้จริงต่อแรงกดดันด้านกฎระเบียบและต้นทุนการดำเนินงานที่สูงขึ้น ไม่ใช่เพียงเทคโนโลยีอนาคตสำหรับผู้เริ่มใช้ก่อน การประหยัดพลังงาน 15 ถึง 30 เปอร์เซ็นต์จาก Edge AI ช่วยลดค่าไฟฟ้า ลดภาระภาษีคาร์บอน และเพิ่มคะแนน Green Mark หรือ Green Building Index โดยตรง

EcoXplore ให้บริการติดตั้ง AIoT ครบวงจรในสิงคโปร์ มาเลเซีย ไทย อินโดนีเซีย และเวียดนาม ตั้งแต่ติดตั้งเซนเซอร์ไร้สาย ตั้งค่า Edge AI ไปจนถึงเชื่อมต่อ PecStar iEMS หากต้องการหารือโครงการนำร่อง AIoT แบบแบ่งระยะสำหรับอาคารของคุณ โปรดติดต่อทีมวิศวกรของเราผ่านเว็บไซต์