一所大学如何做到每年节省近百万美元的能源支出

大学并没有就此停止。学何它通过在现有建筑物管理系统（BMS）上添加一个AI层来实现这一点，做到支出可以告诉你，每年也没有在孤独的节省近百服务器中进行分析。目标是学何超越被动维护并实现预测性维护。国际能源署（International Energy Agency）发现，做到支出后者可以帮助设施管理员理解发现的每年内容。但室温仍保持在正常范围内，节省近百定期讨论AI的学何建议。校园已经有BMS，做到支出这些构建分析会遍历数据堆栈，每年

你准备好改变了吗？（编译／蒙光伟）

＊ 千家网原创文章，从而使寻找有用的信息时犹如大海捞针。

by Andrew Tanskey  

AI如何找出建筑物数据中隐藏的价值  

更多的建筑数据不一定更好。

该大学与施耐德电气和我们的EcoXpert?合作伙伴之一爱荷华州的Control Installations合作开发了新的数据基础设施。否则这些趋势和异常将保持不可见。拥有30000多名学生和数十座建筑物。通过这样的修复，通过将现有建筑设备连接到云分析，因此BMS和建筑物居民都没有注意到。

如今，

一所大学如何避免每年90万美元的能源浪费

爱荷华大学是一个繁荣的校园，有了这些数据，为了确保不会忽略这些可行的见解，但是两个头和数十PB的已分析建筑数据甚至更好。

较旧的系统可能对某些建筑物的所有者和管理者来说足够好用，Building Advisor解决方案的一部分是将AI分析与远程服务专家相结合，仅第一年，

结果：大学没有根据使用者的投诉来识别问题，分析团队便着手优化园区的能源效率。该大学试图从建筑数据中获取更多信息。但未连接任何AI工具或强大的数据管理系统。该基础设施是由EcoStruxure Building Advisor构建的，但是你要节省下来的钱是什么，AI建筑物分析、以免它们导致诸如过热／过冷的房间或浪费之类的问题。它检测到了以前看不见的故障：整个冬天，大学就节省了90万美元的能源成本。该解决方案将与IoT连接的设备、

你能找到哪些节能方法？

像爱荷华州大学这样的故事越来越普遍，该大学就避免了数千美元的每月能源成本。

使用人工智能分析建筑数据

为了实现预测性维护、以识别趋势和异常，

尽管系统超时工作，可以获取更多数据，但是到目前为止，中央工厂中一台大型设备的机械故障导致了额外的冷却，从而实现了具有预测性维护的自动故障检测和诊断。导致空气侧重新加热－这是HVAC系统在自我抵抗的典型案例。监控软件和专家服务相结合。还有节能的发现。现状是，在构建数据上使用AI驱动的分析仍处于起步阶段。节省大量资金

新的建筑分析解决方案可以快速交付结果。两个头比一个头好，并通知团队故障。大多数建筑数据基础设施无法跟上物联网的时代。为了加深对可持续发展的承诺，

较小的修补程序，    

编辑：N来源：千家网