使用大数据能源情报创建预测性维护计划行业资讯
通常情况下会预算紧缩会导致设备管理者推迟维护项目的进行，并认为这是不必要的。然而，据FacilitiesNet的调研报告显示，“一般而言，一项长期持续进行设备延期维护的企业管理政策可能会导致更高的成本，资产运行失败。甚至在某些情况下，会对整个企业设备运行安全、健康和环境的造成重大影响。”
降低成本的同时改善并提高设备的维修保养
然而，事实上，企业要想从设备的维护方面节省资金，并不需要以资产设备故障或以牺牲企业环境成本为代价。其实，企业可以采取一种方法来帮助他们显著地降低维护费用，同时确保设备和机械更高的工作效率。
当我们充分借助大数据分析，并将其应用到相关设施的能源消耗方面时，我们就能够是在这一在几年前是不可能的实现的目标了：
1、我们从资源密集型的预防性维护转型到了精简的预测性维护
2、我们能够更快、更好的做出决策，其能够带来运作效率和整体设备效能的提升
3、我们显著地降低了能耗(节约成本)
数据支持的预测维护
当涉及到机械和设备时，基本上有三种类型的维护计划：纠正、预防和预测。纠正性维护是“等到设备坏了”才纠正的方法，这种“计划并非计划”。不幸的是，这种结构(或缺乏结构)在许多设施中往往最为被经常性的采用。据MA CMMS的调研报告称，“依靠纠正性维护就像是盲目飞行，然而，这种纠正性维护仍然是北美大部分企业维护工作的主要方式。平均而言，大约55%的维修活动都是对设施实施纠正性维护。”
随着相关基础设施的进步，同时企业也变得更具组织和预算意识，他们通常会转变为采取预防性维护计划。这些方法是基于时间或机器的运行时间，并提供相应的设计程序来检测设备，排除或减轻一个系统(或其组件)的降解过程。一个有效的预防性维护计划有助于帮助企业实现高达12%至18%的成本节省。
而当一款设备需要提升效率，既在实现节约成本的同时仍然保持可持续的最佳实践，那么其就需要转移到采用预测性维护，其已经通过预防性维护的方法实现了约12%的成本节省。而进一步通过跟踪和监控设备的运行状况和机器的能量分布情况，我们可以使用聚合能量数据来进一步预测设备故障，进而针对只需要服务的设备实施维修。
有了预测性的维护，企业对即将发生的设备故障保持警觉。通过消除不必要的设备故障，同时对不需要服务的设备进行预防性维护，减少维修费用，减少资源密集型的停机时间。
决策和运营效率
跟踪设备能源消耗水平的系统，使得许多运营效率得以超越预测的维护。在The North Face公司的一个能源管理的研究案例中，该服装零售商在四个位置安装了一个电路级能源管理解决方案。其在每家实体店的HVAC空调和照明组件的输出电线上安装了无线自供电的传感器。
其结果是相当惊人的：
他们发现了一款不能正常工作的AC交流电风扇系统。通过早期的发现，店铺管理实现了69420千瓦时/年(约10500美元左右)的成本节约，并避免了设备故障。
在另一个位置的HVAC空调系统操作不正确，而空气处理程序超过了循环。而通过早期的检测，该实体店得以能够节省16016千瓦。
通过在旧金山进行实时监控，管理人员在母亲节繁忙的促销当日收到了店内的监控摄像头掉了的警报。
一家实体店改变了非工作时间的照明计划，并实现了每年10%的节能效果。
其他公司是以无监控的BMS重写(Overrides)的形式发现运营效率低下的，发现未知的异常，如设备闲置、企业文化中的行为变化。此外，与正在进行的调试和基准的位置的差距会使得成本浪费和其他差异很容易被注意到和纠正。
减少能源消耗，实现可持续发展
从设备和系统中进行大数据的收集，然后对其进行汇总，以揭示相应的趋势，所需配置文件，效率低下的基准和发出维护警报，有一个值得欢迎的副作用：节省能源和成本，实现可持续性发展。
当异常状况被跟踪到，并预测到需要相关的维护服务后，运营效率得以修正，企业进而可以优化能源的利用，提高产量和改善相关工作流程。从而大大节省了维修和相关项目的成本。
能源系统中的大数据
以数据驱动的方法对于许多系统而言都是革命性的。从流媒体音乐服务和卫星导航系统，计步器，卡路里计数器，乃至人体心脏速率监测器，我们都已然受益于庞大的数据集被处理。而在能源系统，大数据则能够使我们更好的理解和优化设备，从而带来能源消费成本降低，使设备、系统、设施和企业进入绿色运营的消费模式。
