Buzz Solutions indsamler 20 millioner dollars i serie A for at udvide AI-drevet grid-intelligens

Buzz Solutions har indsamlet 20 millioner dollars i en oversubskriberet serie A-runde, da utilities søger efter hurtigere måder at inspicere, vedligeholde og styrke energi-infrastrukturen, der bliver mere kompleks.

S3 Ventures ledde runden, med betydelig følgeinvestering fra GoPoint Ventures. Eksisterende investorer HearstLab og Blackhorn Ventures deltog også. Buzz Solutions sagde, at kapitalen vil støtte produktudvikling, udvidelse af deres go-to-market-hold og dybere udrulninger med utility-kunder.

Det Palo Alto-baserede selskab udvikler kunstig intelligens-software, der analyserer visuel inspektiondata indsamlet fra infrastruktur som kraftledninger, transformatorstationer og solceller. Deres kunder inkluderer Dominion Energy (D ), American Electric Power (AEP ) og New York Power Authority.

Flytning af grid-inspektion ud over manuel billedgennemgang

Utilities har i stigende grad antaget droner, helikoptere, faste fly, termiske kameraer og andre billedsystemer til at inspicere infrastruktur. Disse teknologier kan indsamle langt mere data end traditionelle feltinspektioner, men de skaber også en ny udfordring: at bearbejde tusinder eller endda millioner af billeder hurtigt nok til at påvirke vedligeholdelsesbeslutninger.

Buzz Solutions’ PowerAI-platform er designet til at løse denne flaskehals. Den indtager billeder fra luft- og jordbaserede inspektioner, matcher billeder med specifikke strukturer, identificerer potentielle fejl og hjælper med at rangere problemer efter deres alvorlighed.

Platformen kan analysere RGB- og termiske billeder for problemer som beskadigede pæle, forringede krydsarme, overophedede transformatorer, vegetationstræng, isolatorbeskadigelse og fuglereder. Resultaterne kan derefter sendes til geografiske informationsystemer, arbejdsordre-platforme og ejendomsstyringssoftware gennem integrationer og programmeringsgrænseflader.

Denne arbejdsgang er vigtig, fordi identificering af en fejl kun er en del af infrastruktur-styring. Utilities må også bestemme, hvor den berørte ejendom er placeret, vurderer, hvor hurtigt den kræver opmærksomhed, tildeler arbejde og sporer ejendommens tilstand over tid.

PowerAI kombinerer computer-vision med menneskelig oversigt

Buzz Solutions siger, at deres modeller er afstemt ved hjælp af mere end et årti af utility-billeder i stedet for at være trænet kun på mindre demonstrationsdata. Platformen inkluderer i øjeblikket mere end 50 kunstig intelligens-modeller og kan bearbejde over 5,8 billeder per sekund, baseret på tal offentliggjort af virksomheden.

PowerAI inkluderer også menneske-i-løkken-gennemgangskapaciteter. Inspektører kan validere opdagelser, korrigere model-udgang og forbedre nøjagtigheden, mens systemet møder yderligere infrastruktur-typer og driftsforhold.

Dette kombination af automatisering og menneskelig gennemgang er særligt relevant i utility-miljøer, hvor falske positiver kan skabe unødvendigt feltarbejde, mens en overset fejl kan bidrage til udstyrsfejl, afbrydelser eller sikkerhedsrisici.

Buzz tilbyder flere versioner af platformen. Utilities kan starte med centraliseret inspektiondata-styring og manuel gennemgang, før de går over til automatiseret billedanalyse, geografisk informations-system-kortlægning, avanceret analyse og integrationer med arbejds- og ejendomsstyrings-systemer.

Udvidelse af platformen på tværs af grid

PowerAI var oprindeligt fokuseret på transmission- og distributions-infrastruktur, men Buzz Solutions har udvidet platformen til transformatorstationer og solceller.

For distributionsnetværk kan softwaren associerer inspektionbilleder med enkelte pæle og strukturer, før de analyseres for beskadiget hårdware, transformator-problemer eller vegetation-risici. Transmission-hold kan på samme måde bruge platformen til at inventarisere ejendomme og overvåge tilstandsændringer på tværs af store netværk.

Ved transformatorstationer bruger virksomheden billeder fra faste kameraer og dokkede droner til at overvåge sikkerhedsbegivenheder, sikkerhedsproblemer og udstyrsforhold. Optiske og termiske videoer kan analyseres for begivenheder som uautoriseret adgang, røg, brand eller usædvanlige varmesignaturer, med alarmbeskeder leveret gennem dashboards, e-mail eller tekstbeskeder. Udrulninger kan være cloud-baserede eller installeret på stedet, afhængigt af en utilities drifts- og cybersikkerheds-krav.

Sol-tilbuddet anvender computer-vision til drone-indsamlede RGB- og termiske billeder. Det er designet til at hjælpe operatører med at identificere varme punkter, panel-revner og streng-afbrud, før disse problemer reducerer outputtet væsentligt.

Utility-udrulninger flytter sig ud over små pilotprojekter

Buzz Solutions sagde, at deres kundeantal er tredoblet i løbet af det sidste år, mens omsætningen er steget med 400%. Virksomheden har også offentliggjort flere eksempler på utilities, der anvender platformen til større inspektioner.

Dominion Energy brugte PowerAI til at bearbejde 74.000 billeder, der dækkede ca. 47.000 transmissionstårne i tre og en halv time, ifølge Buzz Solutions. AEP Texas har brugt platformen til at analysere over 88.000 billeder, mens de arbejder på at forkorte inspektionscykler på tværs af et distributionsområde, der er udsat for orkaner og skovbrande.

New York Power Authority har integreret inspektionresultater med Esri, IBM Maximo og deres interne mediesystemer. Buzz Solutions rapporterer, at utility’en reducerede manuel analyse-tid med 70%, hvilket gjorde det muligt at evaluere store mængder af inspektion-billeder på få timer eller dage i stedet for måneder.

Disse udrulninger illustrerer den bredere skift, der nu sker på tværs af utility-kunstig intelligens-programmer. I stedet for at evaluere isolerede modeller begynder nogle utilities at tilslutte AI-analyse direkte til ejendoms-optegnelser, vedligeholdelsesprioriteter og eksisterende driftssystemer.

Stigende elforbrug tilføjer hast

Finansieringen ankommer, da USA indtræder en periode med fornyet elforbrugstilvækst. U.S. Energy (USEG ) Information Administration rapporterede, at national elforbrug er steget med en gennemsnit på 2,1% årligt i de sidste fem år, med datacenter-server-efterspørgsel som en stor bidragsyder.

Agenturet forventer, at elforbrug vil fortsætte med at stige frem til 2050, og omvender dermed mere end et årti med relativt flad efterspørgsel.

Kunstig intelligens-datacentre er kun en af trykkene. Utilities må også tilslutte fornybar generation, støtte transport- og industrielle elektrificering, reagere på ekstreme vejrforhold og vedligeholde infrastruktur, der måske har været i drift i årtier.

Opførelse af ny generation- og transmission-kapacitet er stadig essentiel, men utilities må også udtrække mere pålidelighed fra eksisterende infrastruktur. Tidlig identificering af forringende udstyr kunne tillade vedligeholdelseshold at løse problemer, før de bliver afbrydelser, sikkerhedsulykker eller dyre nød-reparationer.

Fremtiden for AI-assisteret grid-styring

Den bredere betydning af platforme som PowerAI ligger i, hvordan de kan ændre måden, utilities styrer infrastruktur over tid. I dag er mange inspektioner stadig periodiske og reaktive, med ejendomme, der undersøges på faste skemaer eller efter storme, afbrydelser og udstyrsfejl. Da visuel data bliver lettere at indsamle og analysere, kan utilities måske flytte sig mod mere kontinuerlig, risiko-baseret vedligeholdelse.

I denne model ville kunstig intelligens hjælpe med at identificere subtile ændringer i ejendomstilstand, sammenligne nuværende billeder med tidligere inspektioner og fremhæve udstyr, der synes at forringe hurtigere end forventet. Vedligeholdelsesskemaer kunne derefter baseres mindre på alder eller faste inspektionscykler og mere på den faktiske tilstand og risikoprofil for hver ejendom.

Teknologien kunne også blive mere værdifuld, da utilities udruller større flåder af droner, faste kameraer, termiske sensorer og andre overvågnings-systemer. Uden automatiseret analyse kunne datavolumenet genereret af disse værktøjer overbelaste inspektionshold. AI-systemer kan stadig mere fungere som en filterlag, der retter menneskelige eksperter mod de billeder, ejendomme og anomalier, der sandsynligvis kræver opmærksomhed.

Over tid kunne disse funktioner støtte mere detaljerede digitale repræsentationer af grid, der kombinerer visuelle inspektioner med vejrbidrag, afbrydelseshistorik, vegetationstilstand og vedligeholdelsesoptegnelser. Dette kunne tillade utilities at modelere, hvordan enkeltfejl kan påvirke bredere netværk og prioritere reparationer baseret på deres potentielle indvirkning på pålidelighed og offentlig sikkerhed.

Skiftet vil også introducere vigtige spørgsmål omkring model-nøjagtighed, cybersikkerhed, gennemsigtighed og ansvarlighed. Utilities må forstå, hvorfor et system markerede en bestemt ejendom, hvor sikker de er på den vurdering og hvornår menneskelig gennemgang er nødvendig. Fordi beslutninger indebærer kritisk infrastruktur, er AI-anbefalinger sandsynligvis en del af en overvåget proces i stedet for at blive fuldstændigt autonom.

Hvis disse udfordringer kan løses, kunne computer-vision udvikle sig fra et værktøj til gennemgang af inspektion-billeder til en mere central del af grid-planlægning og -vedligeholdelse. Den langsigtede virkning ville ikke nødvendigvis være færre inspektører, men en ændring i, hvordan deres tid bruges, med større opmærksomhed rettet mod de ejendomme og lokaliteter, hvor intervention kan have den største forskel.