At finde ægte partnerskaber: Hvordan energiselskaber vurderer kunstig intelligens-leverandører

Verden er i gang med en massiv forandring, hvor systemer, der er designet for mere end et århundrede siden, skal omstruktureres for at give plads til smartere og renere teknologier. Det er en spændende tid – næsten alle brancher er i gang med at elektrificere på en eller anden måde, elbiler (EVs) får mere markedsgennemslag, og der er en aktiv overgang til at støtte distribuerede energiresurser (DERs), “lille-skala energiresurser”, der normalt er placeret nær steder, hvor der bruges elektricitet, såsom tag-solceller og batterilagring. Det sidste er en stor sag, og som International Energy Association (IEA) påpeger, vil den hurtige udvidelse af DERs “transformere ikke kun, hvordan elektricitet genereres, men også, hvordan den handles, leveres og forbruges” fremover.

For en tilhører er alle disse forandringer positive, bæredygtige og langt overduelige. Men i praksis er den hurtige acceleration af vedvarende energi og elektrificering med til at skabe ekstra stress og belaster grænserne for vores elnet. Sammen med presset fra vedvarende energikilder står verdens kraftsystemer også over for kritiske udfordringer fra ekstreme vejrforhold relateret til den fortsatte klimaforandring – tørke i Europa, hede i Indien, svære vinterstorme i USA – alt sammen resulterer i en eksponentiel stigning i inspektion-, vedligeholdelses- og reparationomkostninger. Lederne i energisektoren er nu fokuseret på at øge elnettet modernisering, pålidelighed og robusthed.

Tag et billede, det varer længere

For energiselskaber er deres udstyr ofte deres vigtigste aktiv og kræver konstant, omhyggelig vedligeholdelse. Udførelse af denne vedligeholdelse afhænger af en jævn strøm af data (normalt i form af billeder), som energiselskaber kan analysere for at opdage operationelle anomalier. Indsamling af disse data sker på mange måder, fra droner og faste fly, til linjearbejdere, der fysisk går på stedet. Og med nye teknologier som UAVs/droner og højopløsningshelikopterkameraer er mængden af data øget astronomisk. Vi ved fra vores samtaler med mange energiselskaber, at energiselskaber nu indsamler 5-10 gange mere data, end de har gjort i de seneste år.

All denne data gør det allerede langsomme arbejdscyklus for inspektioner endnu langsommere. I gennemsnit bruger energiselskaber det samme antal arbejdstimer om året på at analysere inspektiondata. ( Leveret af en vestkyst-energiselskabskundeinterview fra et energiselskab, der indsamler 10 millioner billeder om året) En stor grund til denne overskydning er, at denne analyse stadig primært udføres manuelt, og når et selskab indsamler millioner af inspektionbilleder hvert år, bliver processen utilgængelig. At analysere for anomalier er så tidskrævende, at de fleste af data er forældede, når de faktisk gennemgås, hvilket resulterer i ukorrekt information i bedste fald og gentagne inspektioner eller farlige forhold i værste fald. Dette er et stort problem med høje risici. Analytikere estimerer, at energisektoren taber 170 milliarder dollars om året på grund af netværksfejl, tvungne lukninger og masseulykker.

Opbygning af fremtidens energiselskab med kunstig intelligens-drevne infrastrukturinspektioner

At gøre vores elnet mere pålideligt og robust kræver to ting – penge og tid. Heldigvis er dette, hvor nye teknologier og innovation kan hjælpe med at strømlinje inspektionen. Kunstig intelligens (AI) og maskinlæring (ML) har en enorm impact på energisektoren. AI/ML er lige hjemme i denne data-rige omgang, og jo større datamængden bliver, jo bedre bliver AI’s evne til at oversætte bjerge af information til meningsfulde indsigt. 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 at fejle, på en måde, der er meget hurtigere og sikrere end den nuværende metode”, som afhænger af manuelle inspektioner.

Selv om løftet om denne teknologi er ubestridt, er opbygning af et brugertilpasset AI/ML-program internt en langsom og kompliceret proces. Disse udfordringer har ført til, at mange energiselskaber søger ekstra støtte fra eksterne konsulenter og leverandører.

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

Når du søger en AI/ML-partner, er handlinger vigtigere end ord. Der er mange glatte selskaber derude, der måske lover månen, men energilederne bør fokusere på flere vigtige målinger for at kunne evaluere impact. Blandt de vigtigste er, hvordan leverandøren 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 sker ikke ofte nok til at træne en succesfuld AI-model. For eksempel kan træning af en algoritme til at spotte ting som råd, hakkespil eller rustne dæmpere være udfordrende, hvis de ikke sker ofte i din region. Så sørg for at spørge AI/ML-leverandøren ikke kun om mængden af deres datasæt, men også om kvaliteten og variationen.

Hastighed – Tid er penge, og enhver respektabel AI/ML-leverandør skal kunne tydeligt vise, hvordan deres tilbud accelererer inspektionen. For eksempel Buzz Solutions samarbejdede med New York Power Authority (NYPA) for at levere en AI-baseret platform designet til at reducere den tid, der kræves for inspektion og analyse. Resultatet var et program, der kunne analysere billederne af aktiver i timer eller dage, i stedet for de måneder, det havde taget før. Denne tidssparelse tillod NYPA’s vedligeholdelsesgrupper at prioritere reparationer og reducere risikoen for fejl.

Kvalitet/nøjagtighed – I manglen på ægte data til AI/ML-programmer supplerer selskaber undertiden syntetisk data (dvs. data, der er kunstigt skabt af computeralgoritmer) for at udfylde huller. Det er en populær praksis, og analytikere forudser, at 60% af alle data, der bruges i udviklingen af AI, vil være syntetisk (i stedet for ægte) allerede i 2024. Men selv om syntetisk data er godt til teoretiske scenarier, fungerer det ikke godt i virkelige miljøer, hvor du har brug for ægte data (og menneskelig intervention) til at selvkorrigere. Overvej at spørge leverandøren om deres blanding af ægte og syntetisk data for at sikre, at fordelingen giver mening.

Og husk, arbejdet stopper ikke, når du har valgt din partner. En ny idé fra Gartner er at holde regelmæssige “AI Bake-Off“-begivenheder – beskrevet som “hurtige, informative sessioner, der lader dig se leverandører side om side ved hjælp af scriptede demos og en fælles datasæt i en kontrolleret omgang” for at evaluere styrker og svagheder hos hver. Denne proces etablerer klare målinger, der er direkte relateret til skalerbarheden og pålideligheden af AI/ML-algoritmerne, der derefter er i overensstemmelse med energiselskabets forretningsmål.

At drive fremtidens energiselskab

Fra mere effektive arbejdsgangsintegrationer til avanceret AI-anomalidetektion er energisektoren på en langt lysere vej end blot få år siden. Denne innovation skal dog fortsætte, især da T&D-inspektioner er sat til at fordobles inden 2030 og regeringen har annonceret energi-infrastruktur-vedligeholdelse og -forsvar som top-nationale sikkerhedsprioriteter.

Der er stadig arbejde foran os, men en dag vil vi se tilbage på denne tid som et vendepunkt, et øjeblik hvor branchens ledere trådte frem for at investere i fremtidens energinet og bringe energiselskaberne ind i den moderne æra.