Find rigtige partnerskaber: Hvordan forsyningsselskaber vurderer leverandører af kunstig intelligens

Energiverdenen gennemgår massiv forandring og nytænker systemer designet for mere end et århundrede siden for at give plads til fremkomsten af ​​smartere, renere teknologier. Det er en spændende tid – stort set alle industrier elektrificerer på en eller anden måde, elektriske køretøjer (EV'er) vinder frem på markedet, og der er en aktiv overgang til at støtte distribuerede energiressourcer (DER'er), "småskala energiressourcer" normalt placeret i nærheden af ​​steder af elforbrug, såsom tagsolpaneler og batteriopbevaring. Det sidste er en stor sag, og som den International Energy Association (IEA) påpeger, at den hurtige udvidelse af DER'er vil "transformere ikke kun måden, hvorpå elektricitet genereres, men også hvordan den handles, leveres og forbruges" fremover.

For en iagttager er al denne forandring positiv, bæredygtig og længe ventet. Men praktisk talt skaber den hurtige acceleration af vedvarende energi og elektrificering ekstra stress og spænder grænserne for vores net. Sammen med presset fra vedvarende energikilder står verdens elsystemer også over for kritiske udfordringer fra ekstreme vejrhændelser relateret til igangværende klimaændringer – tørke i Europa, hedebølger i Indien, alvorlige vinterstorme i USA – alt sammen resulterer i en eksponentiel stigning i inspektion, vedligeholdelse og reparationsomkostninger. Ledere i forsyningssektoren er nu laser-fokuserede på at øge netmodernisering, pålidelighed og modstandsdygtighed.

Tag et billede, det varer længere

For forsyningsselskaber er deres udstyr ofte deres vigtigste aktiv og kræver konstant, omhyggelig vedligeholdelse. Udførelse af denne vedligeholdelse afhænger af en konstant strøm af data (normalt i form af billeder), som hjælpeprogrammer kan analysere for at opdage operationelle anomalier. Indsamling af disse data sker på mange måder, fra droner og fly med faste vinger til linjearbejdere, der fysisk går på stedet. Og med ny teknologi som UAV'er/droner og højopløselige helikopterkameraer er den store mængde data steget astronomisk. Vi ved fra vores samtaler med mange forsyningsselskaber, at forsyningsselskaber nu samler 5-10 gange mængden af ​​data, de har indsamlet i de seneste år.

Alle disse data gør den allerede langsomme arbejdscyklus med inspektioner endnu langsommere. I gennemsnit bruger forsyningsselskaber, hvad der svarer til 6-8 måneders arbejdstimer om året på at analysere inspektionsdata. (Leveret af West Coast utility-kundeinterview fra forsyning, der indsamler 10M billeder om året) En stor årsag til denne overflod er, at denne analyse stadig i vid udstrækning udføres manuelt, og når en virksomhed fanger millioner af inspektionsbilleder hvert år, bliver processen vildt uskalerbar. At analysere for uregelmæssigheder er faktisk så tidskrævende, at de fleste af dataene er forældede på det tidspunkt, hvor de faktisk er gennemgået, hvilket i bedste fald fører til unøjagtige oplysninger og i værste fald gentagne inspektioner eller farlige forhold. Dette er et stort problem med høje risici. Analytikere vurderer at elsektoren mister 170 milliarder dollars hvert år på grund af netværksfejl, tvungne nedlukninger og massekatastrofer.

Opbygning af fremtidens nytte med AI-drevne infrastrukturinspektioner

At gøre vores net mere pålideligt og modstandsdygtigt kræver to ting – penge og tid. Heldigvis er det her ny teknologi og innovation kan hjælpe med at strømline inspektionsprocessen. Effekten af ​​kunstig intelligens (AI) og maskinlæring (ML) på forsyningssektoren kan ikke overvurderes. AI/ML er lige hjemme i dette datarige miljø, og efterhånden som mængden af ​​data bliver større, bliver AI's evne til at omsætte bjerge af information til meningsfuld indsigt bedre. Ifølge Utility Dive, er der "allerede en bred enighed i branchen om, at [AI/ML] har potentialet til at identificere udstyr, der er i fare for fejl på en måde, der er meget hurtigere og mere sikker end den nuværende metode", som er afhængig af manuelle inspektioner.

Selvom løftet om denne teknologi er ubestridt, er det at bygge dit eget tilpassede AI/ML-program internt en langsom, arbejdskrævende proces fyldt med komplikationer og vejspærringer. Disse udfordringer har fået mange forsyningsselskaber til at søge yderligere støtte fra eksterne konsulenter og leverandører.

3 ting at overveje, når du vurderer en potentiel AI/ML-partner

Når du leder efter en AI/ML-partner, betyder handlinger mere end ord. Der er en masse smarte virksomheder derude, der kan love månen, men forsyningsledere bør bore ned på flere vigtige målinger for nøjagtigt at evaluere virkningen. Blandt de vigtigste er, hvordan sælgeren beskriver/leverer:

Vækst af modellen over tid – Opbygning af varierede datasæt (data, der har mange anomalier at analysere) tager en betydelig mængde tid (ofte flere år), og visse typer af anomalier forekommer ikke med en høj nok frekvens til at træne en vellykket AI-model. For eksempel kan det være en udfordring at træne en algoritme til at opdage ting som råd, spættehuller eller rustne dæmpere, hvis de ikke forekommer ofte i dit område. Så sørg for at spørge AI/ML-leverandøren ikke kun om mængden af ​​deres datasæt, men også deres kvalitet og variation.

Speed – Tid er penge, og enhver velrenommeret AI/ML-leverandør bør klart kunne vise, hvordan deres tilbud fremskynder inspektionsprocessen. For eksempel, Buzz Solutions samarbejder med New York Power Authority (NYPA) at levere en AI-baseret platform designet til at reducere den tid, der kræves til inspektion og analyse markant. Resultatet var et program, der kunne analysere aktivbilleder i timer eller dage i stedet for de måneder, det havde taget på forhånd. Denne tidsbesparelse gjorde det muligt for NYPA-vedligeholdelsesgrupperne at prioritere reparationer og reducere risikoen for fejl.

Kvalitet/Nøjagtighed – I mangel af reelle data for AI/ML-programmer supplerer virksomheder nogle gange syntetiske data (dvs. data, der er blevet kunstigt skabt af computeralgoritmer) for at udfylde huller. Det er en populær praksis, og analytikere forudsiger at 60 % af alle data, der bruges i udviklingen af ​​kunstig intelligens, vil være syntetiske (i stedet for ægte) allerede i 2024. Men selvom syntetiske data er gode til teoretiske scenarier, fungerer de ikke godt i virkelige miljøer, hvor du har brug for data fra den virkelige verden (og menneske-i-løkken interventioner) til selvkorrektion. Overvej at bede leverandøren om deres blanding af ægte vs. syntetiske data for at sikre, at opdelingen giver mening.

Og husk, arbejdet slutter ikke, når du har valgt din partner. En ny idé fra Gartner afholder regelmæssigt "AI Bake-Off”-begivenheder – beskrevet som “hurtigt tempo, informative sessioner, der lader dig se leverandører side om side ved hjælp af scriptede demoer og et fælles datasæt i en kontrolleret indstilling” for at evaluere styrkerne og svaghederne ved hver. Denne proces etablerer klare målinger, der er direkte relateret til skalerbarheden og pålideligheden af ​​AI/ML-algoritmerne, som derefter stemmer overens med forsyningsvirksomhedens mål.

Styrker fremtiden for forsyningsindustrien

Fra mere effektive workflow-integrationer til sofistikeret AI-anomalidetektion er forsyningsindustrien på en langt lysere vej end selv for få år siden. Denne innovation skal dog fortsætte, især da T&D-inspektionsmandater er sat til at fordobles inden 2030 og regeringen annoncerede vedligeholdelse af energiinfrastruktur og forsvar som topprioriteter for national sikkerhed.

Der er mere arbejde forude, men en dag vil vi se tilbage på denne tid som et vandskelperiode, et øjeblik, hvor industriledere gik op for at investere i fremtiden for vores energinet og bringe forsyningsselskaber ind i den moderne æra.