Sì. L'intelligenza artificiale può aiutare a identificare gli edifici con le peggiori prestazioni in un portafoglio prima di lanciare programmi di retrofit. Ecco come funziona:
- Analisi dei dati su scala: L'intelligenza artificiale esamina le bollette energetiche, i modelli di occupazione, le caratteristiche dell'edificio e i dati climatici per individuare le proprietà con prestazioni insufficienti.
- Miglioramento del puntamento: Individuando gli edifici ad alto rischio, l'intelligenza artificiale consente di evitare lo spreco di risorse per gli asset a bassa priorità.
- Modelli avanzati: Tecniche come il rilevamento delle anomalie, il clustering e la modellazione predittiva classificano gli edifici in base alle prestazioni e al rischio.
- Integrazione dei dati: L'intelligenza artificiale combina diverse fonti di dati, come le bollette, i dati dei sensori IoT e i registri di manutenzione, per ottenere informazioni più precise.
- Supporta gli esperti: L'intelligenza artificiale restringe l'attenzione, assicurando che gli ingegneri dedichino il loro tempo alle attività di maggiore impatto.
Vantaggi principali:
- Potenziale risparmio energetico: 10-40%.
- Previsioni più accurate: I modelli AI raggiungono tassi di errore di 5%, rispetto ai 18-25% dei metodi tradizionali.
- Pianificazione finanziaria a lungo termine: L'intelligenza artificiale supporta strategie di investimento pluriennali, riducendo i costi e aumentando il ROI.
L'intelligenza artificiale non sostituisce le verifiche degli esperti, ma agisce come strumento di pre-screening per guidare decisioni più intelligenti e basate sui dati.
Webinar OAA: L'uso dell'intelligenza artificiale e dell'imaging IR negli interventi di riqualificazione energetica
sbb-itb-5be7949
Perché i programmi di retrofit non riescono a individuare gli edifici con le prestazioni peggiori
AI vs. metodi tradizionali: Prestazioni e precisione del retrofit degli edifici
I programmi di retrofit spesso falliscono perché si concentrano sugli obiettivi sbagliati. Questo accade principalmente a causa di tre problemi: dati incompleti, concentrazione sui costi piuttosto che sulle prestazioni e impatto finanziario di un cattivo orientamento.
Lacune nella visibilità dei dati e del portafoglio
La qualità dei dati nei portafogli di edifici è spesso incoerente. Una proprietà può avere audit energetici dettagliati e registri di misurazione, mentre un'altra ha solo la metratura e l'indirizzo in archivio. Questa disparità rende difficile un confronto equo tra gli edifici.
"Le decisioni di retrofit diventano più difficili, non perché le soluzioni non siano disponibili, ma perché gli edifici variano per preparazione, qualità dei dati e vincoli". - Schneider Electric [3]
Gli audit energetici tradizionali possono aiutare a colmare queste lacune, ma sono costosi e richiedono molto tempo. Di conseguenza, le decisioni finiscono spesso per essere guidate da dati incompleti, allontanando gli sforzi da veri miglioramenti basati sulle prestazioni.
Privilegiare i costi rispetto alle prestazioni
Quando i budget sono limitati, i proprietari degli edifici tendono a privilegiare gli interventi più economici rispetto a quelli che potrebbero garantire i migliori risparmi energetici. Questo approccio orientato ai costi porta spesso a previsioni di risparmio inaffidabili. I modelli di pianificazione basati sulla regressione, ad esempio, presentano tassi di errore che vanno da 18% a 25%, il che evidenzia i rischi finanziari derivanti dall'ignorare i dati sulle prestazioni. [4]. A lungo andare, questa mentalità può far deragliare gli sforzi per raggiungere un'efficienza energetica significativa.
Il costo di puntare sugli edifici sbagliati
Concentrarsi sugli edifici sbagliati comporta uno spreco di denaro e rallenta i progressi verso gli obiettivi di decarbonizzazione. Puntare sugli edifici con le peggiori prestazioni - i "grandi risparmiatori" - può ridurre il consumo energetico totale del portafoglio di 12-32% [2]. Mancare queste opportunità diventa sempre più rischioso con l'inasprimento delle normative energetiche e la richiesta di spazi più ecologici da parte dei locatari. Gli edifici che non soddisfano i parametri di rendimento possono incorrere in problemi di conformità, riduzione del potenziale di locazione e diminuzione del valore.
L'intelligenza artificiale offre una via d'uscita da questo ciclo. Fornendo informazioni precise e basate sui dati, è in grado di identificare le vere sottoperformance all'interno di un portafoglio, aiutando i proprietari a prendere decisioni più intelligenti.
"Affrontare l'efficienza energetica è il percorso più tangibile per la decarbonizzazione del settore immobiliare, ma a molti proprietari di edifici manca una chiara tabella di marcia". - Ramya Ravichandar, Vicepresidente della Gestione prodotti, Edifici intelligenti e IOT, JLL [1]
Come l'intelligenza artificiale individua gli edifici ad alto rischio e impatto
Per i grandi portafogli immobiliari, capire da dove iniziare può sembrare di cercare un ago in un pagliaio. L'intelligenza artificiale interviene analizzando sistematicamente i dati per evidenziare gli asset che richiedono un'attenzione immediata.
Metodi di intelligenza artificiale per lo screening di grandi portafogli
L'intelligenza artificiale utilizza tecniche avanzate come il rilevamento delle anomalie per segnalare un uso insolito dell'energia, il clustering per raggruppare edifici simili e la modellazione predittiva per stimare la domanda futura di energia e le emissioni. Questi strumenti aiutano a classificare gli asset in base al rischio, rendendo più facile stabilire le priorità di intervento.
Un approccio particolare è quello del risk scoring. Questo metodo valuta gli edifici in base a fattori quali l'esposizione ai cambiamenti normativi e il potenziale di diventare beni incagliati con l'inasprimento degli standard energetici. Combinando modelli come LSTM (reti di memoria a breve termine) e XGBoost, L'intelligenza artificiale cattura sia i modelli basati sul tempo sia le interazioni complesse tra le caratteristiche dell'edificio. Questi modelli ibridi sono altamente accurati, raggiungendo un errore quadratico medio (RMSE) inferiore a 5%, rispetto ai 18-25% dei modelli di regressione tradizionali. [4].
Quando si integrano più flussi di dati, la valutazione del rischio diventa ancora più precisa.
Combinare più fonti di dati per ottenere un quadro completo
Nessun singolo set di dati può fornire una prospettiva completa. L'intelligenza artificiale mette insieme diversi input, tra cui i dettagli fondamentali dell'edificio (come la superficie, l'età, l'isolamento e i sistemi HVAC), i dati operativi provenienti dai contatori intelligenti e dai sistemi di gestione degli edifici, i registri di manutenzione dei CMMS e i fattori contestuali come i modelli meteorologici e gli orari di occupazione. Per arricchire l'analisi sono stati inseriti anche i dati sulle emissioni di carbonio e le metriche sull'intensità di utilizzo dell'energia (EUI).
L'intelligenza artificiale eccelle nella gestione di dati incoerenti. Ad esempio, i modelli di ensemble ibridi combinano i dati dei sensori ad alta frequenza provenienti da edifici moderni con quelli più scarsi provenienti da edifici più vecchi. [6]. Questo aspetto è fondamentale perché gli edifici più vecchi sono circa 1,65 volte più sensibili alle variazioni della domanda di energia indotte dal clima rispetto agli edifici più recenti, a energia quasi zero. Entro il 2050, si prevede un aumento della domanda di energia di 199,1% negli edifici tradizionali contro 120,7% in quelli più efficienti. [6]. L'intelligenza artificiale aiuta a quantificare questo "gap di resilienza climatica", fornendo ai gestori patrimoniali un allarme precoce sui potenziali rischi finanziari.
Questo screening preciso pone le basi per valutazioni specialistiche mirate.
L'intelligenza artificiale come strumento di screening, non come fattore decisionale finale
L'intelligenza artificiale non sostituisce gli audit dettagliati, ma restringe l'attenzione agli asset che necessitano di un'indagine più approfondita. Questo approccio consente di tenere sotto controllo i costi, garantendo al contempo che le competenze ingegneristiche vengano indirizzate dove sono più importanti.
"Il valore dell'IA risiede nella sua capacità di apprendere i modelli di domanda energetica degli asset edilizi e di ottimizzare la distribuzione dell'energia". - Ramya Ravichandar, vicepresidente della gestione prodotti, edifici intelligenti e IOT, JLL [1]
L'intelligenza artificiale rileva anche problemi sottili come il "degrado invisibile". Ad esempio, è in grado di identificare un aumento 2% settimanale graduale del consumo energetico che potrebbe passare inosservato durante le ispezioni di routine. [7]. Sebbene l'intelligenza artificiale non sostituisca gli ingegneri, garantisce che i loro sforzi si concentrino sulle aree in cui gli interventi e gli investimenti avranno il massimo impatto.
Di cosa hanno bisogno i modelli di IA dei dati per funzionare bene
La qualità dei dati è la spina dorsale di qualsiasi modello di intelligenza artificiale volto a identificare gli edifici ad alto rischio e a dare priorità agli investimenti di retrofit. L'accuratezza e la struttura dei dati di input determinano direttamente l'affidabilità dei risultati del modello.
Dati fondamentali per l'analisi dell'intelligenza artificiale
I modelli di intelligenza artificiale si basano su dati fondamentali che la maggior parte dei proprietari di edifici già possiede, come ad esempio:
- Registri delle attività
- Bollette
- Disegni architettonici
- Orari di occupazione
- Registri di manutenzione
Questi dati stabiliscono una linea di base per comprendere l'utilizzo energetico, i modelli operativi e la storia della manutenzione di un edificio.
Tuttavia, l'accesso a registrazioni dettagliate varia. Gli edifici con dati limitati possono supportare solo misure di base, come raccomandazioni generali basate su tipo, dimensioni e ubicazione (azioni di livello 3). Al contrario, dati completi consentono analisi più precise e approfondite, che migliorano significativamente l'accuratezza delle previsioni dell'IA. [3].
Una volta che questi dati fondamentali sono pronti, gli input avanzati possono portare l'analisi al livello successivo.
Input avanzati che migliorano la precisione del modello
L'aggiunta di dati più dettagliati e specifici affina le previsioni dell'IA. Ad esempio:
- Dati energetici normalizzati in base alle condizioni atmosferiche: Elimina le fluttuazioni stagionali, rivelando i veri divari di efficienza.
- Registrazioni delle condizioni a livello di componente: Include metriche come la trasmittanza termica (valori U) per pareti e finestre, scansioni termografiche, materiale ed età dei tubi e dati dei sensori IoT in tempo reale (ad esempio, vibrazioni, pressione e assorbimento di corrente).
Quando l'intelligenza artificiale analizza i segnali IoT multivariati, ad esempio confrontando l'assorbimento di corrente del compressore con la temperatura ambiente, può rilevare i guasti settimane prima che causino un'interruzione. In effetti, alcuni sistemi sono in grado di identificare i problemi con 3-6 settimane di anticipo. [5][7][9]. Questo tipo di manutenzione proattiva è possibile solo con dati continui, granulari e ben etichettati.
Tuttavia, disporre dei dati giusti è solo una parte dell'equazione. La gestione corretta dei dati è fondamentale.
Perché la governance dei dati è importante
Raccogliere dati è una cosa, ma assicurarsi che siano utilizzabili è un'altra sfida. Problemi come l'incoerenza dei nomi, le voci duplicate e i sistemi siloed in più proprietà possono ostacolare la capacità dell'AI di generare informazioni affidabili. Come afferma il blog di Schneider Electric:
"La coerenza conta tanto quanto la sofisticazione tecnica. I responsabili delle decisioni di portafoglio raramente hanno bisogno di previsioni precise, anno per anno... Ciò di cui hanno bisogno è un modo affidabile per confrontare le opzioni"." [3]
Per rendere i risultati dell'IA utilizzabili, soprattutto quando si tratta di decisioni di retrofit da milioni di dollari, i dati devono essere centralizzati, convalidati e formattati in modo coerente. Senza una chiara governance dei dati, anche i modelli più avanzati possono produrre risultati di cui è difficile fidarsi o da implementare. [8].
Stabilire standard di dati a livello di portafoglio non è solo una formalità tecnica, ma è essenziale per liberare il pieno potenziale dell'IA. I dati governati costituiscono la base per le intuizioni guidate dall'IA che portano a investimenti di retrofit efficaci e mirati.
Trasformare le intuizioni dell'intelligenza artificiale in un piano di investimento per il retrofit
Una volta che l'intelligenza artificiale individua gli edifici ad alto rischio, il passo successivo consiste nel trasformare queste intuizioni in strategie di investimento pratiche.
Dallo screening del portafoglio al confronto degli scenari
Lo screening dettagliato di AI fornisce un elenco di edifici in base al rischio, alle prestazioni energetiche e ai costi previsti. Ma una lista classificata da sola non spinge all'azione. Per renderla fattibile, segmentate l'elenco in fasce: gli edifici che necessitano di attenzione immediata, quelli che possono aspettare 2-3 anni e le proprietà per le quali sono sufficienti piccole modifiche operative per il momento.
Da qui, utilizzare i confronti di scenario per soppesare le diverse priorità e tempistiche di retrofit. Gli strumenti di intelligenza artificiale eccellono nel testare questi scenari rispetto ai vincoli del mondo reale, come i limiti di budget, gli obiettivi di riduzione delle emissioni di carbonio e i livelli di rischio accettabili. Questo processo aiuta a perfezionare le decisioni prima dell'inizio delle spese effettive, creando un percorso chiaro verso un modello CAPEX e OPEX pluriennale.
Creazione di piani pluriennali CAPEX e OPEX
I confronti tra gli scenari gettano le basi per una dettagliata tabella di marcia degli investimenti. Questa roadmap valuta le opzioni di retrofit attraverso molteplici dimensioni, tra cui l'intensità di utilizzo dell'energia, il ritorno sull'investimento (ROI), il tasso di rendimento interno (IRR), il valore attuale netto (NPV) e i risparmi di CO₂ previsti. Queste metriche sono spesso modellate su un arco temporale di 25 anni o più. [5].
Questa prospettiva a lungo termine è fondamentale. Senza un'analisi dei costi del ciclo di vita, le decisioni di retrofit potrebbero sembrare più economiche all'inizio ma portare a spese più elevate nel tempo. Passare da riparazioni reattive e di emergenza a una modello di investimento predittivo non solo stabilizza i bilanci, ma riduce anche al minimo le spiacevoli sorprese finanziarie. I sistemi costruiti con questo approccio spesso garantiscono un ROI entro 6-12 mesi. [10].
Utilizzo di piattaforme di gestione delle risorse come Oxand Simeo™
Piattaforme come Oxand Simeo™ colma il divario tra le intuizioni dell'intelligenza artificiale e i piani di investimento attuabili. Con una vasta libreria di 10.000 modelli di invecchiamento e prestazioni energetiche e 30.000 azioni di manutenzione, Oxand Simeo™ simula il degrado degli asset e i costi di intervento, senza bisogno di hardware o sensori aggiuntivi. [10].
Ecco due esempi della sua efficacia:
- In'li, Un gruppo francese di gestione di immobili residenziali ha integrato gli obiettivi di rendimento energetico nella pianificazione degli investimenti utilizzando Oxand Simeo™. Il responsabile del bilancio e della valutazione degli asset ha spiegato:
"Ci siamo rivolti a Oxand perché avevamo bisogno di uno strumento che ci fornisse una visione predittiva, non solo correttiva, e ci aiutasse a gestire i nostri investimenti in modo più efficace. Oxand si è distinto per le sue capacità di gestione del rischio"." [10]
- Il Dipartimento della Mosa in Francia ha dovuto affrontare problemi di dati frammentati e sparsi in più sistemi. Consolidando questi dati attraverso Oxand Simeo™, hanno creato proiezioni di investimento chiare e lungimiranti. Il loro Direttore Generale dei Servizi ha condiviso:
"Avevamo bisogno di uno strumento che ci permettesse di consolidare i dati frammentati che avevamo e di proiettarli in modo da poterli presentare chiaramente ai nostri funzionari eletti, che sono i responsabili delle decisioni"." [10]
Entrambi gli esempi evidenziano come gli strumenti basati sui dati possano allineare le azioni a breve termine con le strategie di investimento a lungo termine, creando piani generali pratici e lungimiranti.
Conclusione: Rendere l'IA una parte standard della pianificazione del retrofit
Quando lo screening del portafoglio non è affidabile, i proprietari degli edifici finiscono spesso per spendere soldi per beni che non necessitano di attenzione immediata, mentre i beni critici e ad alto rischio continuano a deteriorarsi. L'intelligenza artificiale ribalta questo copione, fornendo un metodo coerente e scalabile per individuare i punti in cui gli interventi faranno la differenza.
I numeri lo confermano. Le ricerche dimostrano che i quadri decisionali guidati dall'intelligenza artificiale possono incrementare le prestazioni fino a 53% rispetto ai tradizionali approcci di pianificazione del retrofit [12]. Su scala più ampia, le organizzazioni che passano da una manutenzione reattiva a strategie predittive e basate sull'intelligenza artificiale possono ridurre il costo totale di proprietà fino a 30% nel tempo [11].
L'intelligenza artificiale eccelle anche nella gestione della complessità degli scenari reali. Sia che si tratti di asset dotati di dati di misurazione dettagliati, sia che si tratti di asset con solo informazioni di base, come il tipo, le dimensioni o l'ubicazione dell'edificio, l'AI fornisce risultati accurati in un'ampia gamma di condizioni. La sua forza sta nel gestire in modo coerente profili di asset diversi e complessi su scala.
Alla luce di queste intuizioni e degli evidenti vantaggi dell'IA, è chiaro che questa tecnologia dovrebbe diventare una parte fondamentale della pianificazione degli interventi di retrofit. Piuttosto che essere una soluzione una tantum, l'IA dovrebbe servire come un livello di intelligenza continuo, fondando le decisioni di investimento su solide intuizioni basate sui dati. Abbinata a strumenti integrati di gestione degli asset, l'IA consente ai proprietari di edifici di agire prima, di allocare le risorse in modo più intelligente e di creare programmi di retrofit che rimangano efficaci per gli anni a venire.
Domande frequenti
Di quanti dati dell'edificio ho bisogno perché lo screening AI funzioni?
La quantità di dati necessari varia a seconda dell'applicazione, ma in genere gli insiemi di dati di grandi dimensioni sono la norma. Questi set di dati spesso includono dati di utilità, caratteristiche dell'edificio, utilizzo dell'energia, informazioni meteo, e immagini di telerilevamento. Ad esempio, gli strumenti di intelligenza artificiale sono stati utilizzati per analizzare strutture che coprono ben 40 milioni di metri quadrati. Sfruttando metriche come intensità di consumo energetico, emissioni di carbonio, e performance storica, Questi strumenti sono in grado di fornire informazioni precise e attuabili.
Come posso convalidare i risultati dell'IA prima di spendere per i retrofit?
Per assicurarsi che i risultati dell'IA siano affidabili prima di impegnarsi in un intervento di retrofit, è necessario adottare alcune misure fondamentali. Innanzitutto, cercare validazione indipendente delle capacità dell'IA. Verificate se ha un'esperienza di successo con portafogli simili al vostro. La trasparenza è fondamentale, quindi verificate che il processo di misurazione e verifica (M&V) sia chiaro e facile da controllare.
Chiedete referenze di edifici comparabili in dimensioni, tipo e ubicazione al vostro. È inoltre importante valutare le prestazioni dell'IA su più siti, non solo su un singolo progetto pilota. Questo vi permetterà di capire meglio la sua coerenza e affidabilità. Soprattutto, assicuratevi che i risparmi siano sostenuti da un processo che possa essere misurato e verificato con sicurezza.
Come possono le classifiche dell'AI trasformarsi in un piano di bilancio di 3-5 anni per l'adeguamento?
Le classifiche dell'intelligenza artificiale offrono un modo intelligente per definire un piano di bilancio di retrofit a 3-5 anni, esaminando fattori critici come l'efficienza energetica, i requisiti di manutenzione e l'impronta di carbonio. Questa analisi aiuta a individuare gli edifici che necessitano di maggiori aggiornamenti, consentendo agli asset manager di concentrare gli investimenti dove avranno il massimo impatto. Utilizzando una strategia a livelli, le azioni possono essere organizzate in una sequenza logica, bilanciando i miglioramenti immediati con gli obiettivi a lungo termine. Questo approccio garantisce un uso efficace delle risorse, allineando i budget agli obiettivi di sostenibilità.
Post del blog correlati
- Vittorie rapide per la sostenibilità: Azioni a basso costo che preparano il vostro portafoglio a mosse più importanti
- Piani di ristrutturazione degli edifici nazionali: Come trasformare la politica in una strategia di investimento di portafoglio
- Edifici con le peggiori performance: Come identificare, classificare e suddividere in fasi gli investimenti in tutto il portafoglio
- Come l'intelligenza artificiale può supportare la pianificazione degli investimenti per la decarbonizzazione nei portafogli di edifici