Buzz Solutions erhält 20 Millionen Dollar in Series-A-Finanzierungsrunde, um künstliche Intelligenz-gestützte Grid-Intelligenz zu erweitern

Buzz Solutions hat eine überzeichnete Series-A-Finanzierungsrunde in Höhe von 20 Millionen Dollar abgeschlossen, da Versorgungsunternehmen nach schnelleren Methoden suchen, um Energieinfrastruktur zu inspizieren, zu warten und zu stärken.

S3 Ventures führte die Runde an, mit einer erheblichen Nachinvestition von GoPoint Ventures. Die bestehenden Investoren HearstLab und Blackhorn Ventures beteiligten sich ebenfalls. Buzz Solutions teilte mit, dass das Kapital die Produktentwicklung, die Erweiterung des Go-to-Market-Teams und tiefergehende Deployments mit Versorgungskunden unterstützen wird.

Das in Palo Alto ansässige Unternehmen entwickelt künstliche Intelligenz-Software, die visuelle Inspektionsdaten analysiert, die von Infrastrukturen wie Stromleitungen, Umspannstationen und solarbetriebenen Anlagen gesammelt werden. Zu seinen Kunden gehören Dominion Energy (D ), American Electric Power (AEP ) und die New York Power Authority.

Grid-Inspektion jenseits der manuellen Bildüberprüfung

Versorgungsunternehmen haben zunehmend Drohnen, Hubschrauber, Flugzeuge, Wärmebildkameras und andere Bildsysteme zur Inspektion von Infrastrukturen eingesetzt. Diese Technologien können wesentlich mehr Daten sammeln als herkömmliche Feldinspektionen, aber sie schaffen auch eine neue Herausforderung: Die Verarbeitung von Tausenden oder sogar Millionen von Bildern schnell genug, um Wartungsentscheidungen zu beeinflussen.

Die PowerAI-Plattform von Buzz Solutions ist darauf ausgelegt, diese Engstelle zu überwinden. Sie nimmt Bilder von Luft- und Bodeninspektionsprogrammen auf, ordnet Bilder bestimmten Strukturen zu, identifiziert potenzielle Defekte und hilft, Probleme nach ihrer Schwere zu priorisieren.

Die Plattform kann RGB- und Wärmebild-Imagery für Probleme wie beschädigte Masten, verfallende Querträger, überhitzte Transformatoren, Vegetationsüberwuchs, Isolatorschäden und Vogelnester analysieren. Die Ergebnisse können dann an geografische Informationssysteme, Arbeitsauftragsplattformen und Anlagenmanagement-Software über Integrations- und Anwendungsprogrammierschnittstellen gesendet werden.

Dieser Arbeitsablauf ist wichtig, weil die Identifizierung eines Defekts nur ein Teil der Infrastrukturverwaltung ist. Versorgungsunternehmen müssen auch bestimmen, wo das betroffene Asset liegt, wie dringend es Aufmerksamkeit benötigt, Arbeit zuweisen und den Zustand des Assets im Laufe der Zeit verfolgen.

PowerAI kombiniert Computer-Vision mit menschlicher Überwachung

Buzz Solutions sagt, dass seine Modelle mit über einem Jahrzehnt an Bildern von Versorgungsunternehmen und nicht nur mit kleineren Demonstrationsdatensätzen trainiert wurden. Die Plattform umfasst derzeit über 50 künstliche Intelligenz-Modelle und kann über 5,8 Bilder pro Sekunde verarbeiten, basierend auf Zahlen, die das Unternehmen veröffentlicht hat.

PowerAI umfasst auch Human-in-the-Loop-Überprüfungsfunktionen. Inspektoren können Erkennungen validieren, Modellausgaben korrigieren und die Genauigkeit verbessern, während das System auf zusätzliche Infrastrukturtypen und Betriebsbedingungen trifft.

Diese Kombination aus Automatisierung und menschlicher Überprüfung ist insbesondere in Versorgungsunternehmen relevant, wo falsch positive Ergebnisse unnötige Feldarbeit verursachen können, während ein verpasster Defekt zu Geräteausfällen, Ausfällen oder Sicherheitsrisiken beitragen kann.

Buzz bietet mehrere Versionen der Plattform an. Versorgungsunternehmen können mit zentraler Inspektionsdatenverwaltung und manueller Überprüfung beginnen, bevor sie zu automatisierter Bildanalyse, geografischer Informationssystem-Kartierung, erweiterten Analysen und Integrationen mit Wartungs- und Anlagenmanagement-Systemen übergehen.

Erweiterung der Plattform über das gesamte Grid

PowerAI war ursprünglich auf Übertragungs- und Verteilungsinfrastruktur ausgerichtet, aber Buzz Solutions hat die Plattform auf Umspannstationen und solarbetriebene Anlagen erweitert.

Bei Verteilungsnetzen kann die Software Inspektionbilder mit einzelnen Masten und Strukturen in Verbindung bringen, bevor sie auf beschädigte Hardware, Transformatorenprobleme oder Vegetationsrisiken analysiert. Übertragungsteams können die Plattform ähnlich verwenden, um Assets zu inventarisieren und Zustandsänderungen über große Netze hinweg zu überwachen.

Bei Umspannstationen verwendet das Unternehmen Bilder von festen Kameras und angedockten Drohnen, um Sicherheitsereignisse, Sicherheitsbedenken und Gerätezustände zu überwachen. Optische und thermische Videos können auf Ereignisse wie unbefugten Zutritt, Rauch, Feuer oder ungewöhnliche Hitzesignaturen analysiert werden, wobei Warnungen über Dashboards, E-Mail oder SMS bereitgestellt werden. Deployments können cloud-basiert oder vor Ort installiert werden, je nach den operativen und Sicherheitsanforderungen des Versorgungsunternehmens.

Das Solarangebot wendet Computer-Vision auf Drohnen-gesammelte RGB- und Wärmebild-Imagery an. Es soll Betreibern helfen, Hotspots, Panel-Risse und String-Ausfälle zu identifizieren, bevor diese Probleme die Ausbeute wesentlich reduzieren.

Deployments von Versorgungsunternehmen gehen über kleine Pilotprojekte hinaus

Buzz Solutions teilte mit, dass die Anzahl der Kunden im vergangenen Jahr verdreifacht wurde, während der Umsatz um 400 % stieg. Das Unternehmen hat auch mehrere Beispiele von Versorgungsunternehmen veröffentlicht, die die Plattform auf größere Inspektionsprogramme anwenden.

Dominion Energy verwendete PowerAI, um 74.000 Bilder zu verarbeiten, die etwa 47.000 Übertragungsmasten in drei Stunden und einer halben Stunde abdeckten, so Buzz Solutions. AEP Texas hat die Plattform verwendet, um über 88.000 Bilder zu analysieren, während es daran arbeitet, Inspektionsszyklen über ein Verteilungsgebiet zu verkürzen, das von Hurrikanen und Waldbränden betroffen ist.

Die New York Power Authority hat Inspektionsergebnisse mit Esri, IBM Maximo und ihren internen Mediensystemen integriert. Buzz Solutions berichtet, dass das Versorgungsunternehmen die manuelle Analysezeit um 70 % reduzierte, wodurch große Mengen an Inspektionbildern in Stunden oder Tagen anstelle von Monaten ausgewertet werden konnten.

Diese Deployments veranschaulichen den breiteren Wandel, der derzeit in Versorgungsunternehmen im Bereich künstlicher Intelligenz stattfindet. Anstatt isolierte Modelle zu bewerten, beginnen einige Versorgungsunternehmen, künstliche Intelligenz-Analyse direkt mit Asset-Aufzeichnungen, Wartungsprioritäten und bestehenden Betriebssystemen zu verbinden.

Steigende Stromnachfrage erhöht den Druck

Die Finanzierung erfolgt, während die Vereinigten Staaten in eine Periode des erneuten Wachstums der Stromnachfrage eintreten. Die US-Energieinformationen-Verwaltung (Energy Information Administration) berichtete, dass der nationale Stromverbrauch im Durchschnitt um 2,1 % pro Jahr über die letzten fünf Jahre gestiegen ist, wobei die Nachfrage nach Rechenzentrums-Servern als ein wichtiger Faktor hervorgeht.

Die Behörde geht davon aus, dass der Stromverbrauch bis 2050 weiter ansteigen wird, was eine über ein Jahrzehnt andauernde Phase relativ flachen Bedarfs umkehrt.

Künstliche Intelligenz-Rechenzentren sind nur eine Quelle des Drucks. Versorgungsunternehmen müssen auch erneuerbare Energiequellen anschließen, die Elektrifizierung von Verkehr und Industrie unterstützen, auf extreme Wetterbedingungen reagieren und Infrastruktur warten, die möglicherweise seit Jahrzehnten in Betrieb ist.

Der Bau neuer Erzeugungs- und Übertragungskapazitäten bleibt unerlässlich, aber Versorgungsunternehmen müssen auch mehr Zuverlässigkeit aus bestehender Infrastruktur herausholen. Eine frühere Identifizierung von verschlechtertem Gerät könnte es Wartungsteams ermöglichen, Probleme zu beheben, bevor sie zu Ausfällen, Sicherheitsvorfällen oder teuren Notfallreparaturen werden.

Die Zukunft der künstlichen Intelligenz-gestützten Grid-Verwaltung

Die umfassendere Bedeutung von Plattformen wie PowerAI liegt in der Art und Weise, wie sie die Verwaltung von Infrastruktur durch Versorgungsunternehmen im Laufe der Zeit verändern könnten. Heute sind viele Inspektionsprogramme noch periodisch und reaktiv, wobei Assets auf festen Zeitplänen oder nach Stürmen, Ausfällen und Geräteausfällen untersucht werden. Wenn visuelle Daten einfacher zu sammeln und zu analysieren sind, könnten Versorgungsunternehmen möglicherweise zu einer kontinuierlicheren, risikobasierten Wartung übergehen.

Dabei würde künstliche Intelligenz helfen, subtile Änderungen im Asset-Zustand zu identifizieren, aktuelle Bilder mit vorherigen Inspektionen zu vergleichen und Geräte hervorzuheben, die offensichtlich schneller verschlechtern als erwartet. Wartungspläne könnten dann weniger auf Alter oder regelmäßige Inspektionsszyklen und mehr auf den tatsächlichen Zustand und Risikoprofil jedes Assets basieren.

Die Technologie könnte auch wertvoller werden, wenn Versorgungsunternehmen größere Flotten von Drohnen, festen Kameras, Wärmebildsensoren und anderen Überwachungssystemen einsetzen. Ohne automatisierte Analyse könnte der Datenumsatz, der durch diese Werkzeuge generiert wird, Inspektionsteams überwältigen. Künstliche Intelligenz-Systeme könnten zunehmend als Filterebene dienen, die menschliche Experten auf die Bilder, Assets und Anomalien lenken, die am wahrscheinlichsten Aufmerksamkeit erfordern.

Im Laufe der Zeit könnten diese Fähigkeiten detailliertere digitale Darstellungen des Grids unterstützen, indem sie visuelle Inspektionen mit Wetterdaten, Ausfallhistorien, Vegetationszuständen und Wartungsprotokollen kombinieren. Dies könnte es Versorgungsunternehmen ermöglichen, zu modellieren, wie einzelne Defekte das breitere Netzwerk beeinflussen könnten, und Reparaturen basierend auf ihrem potenziellen Einfluss auf Zuverlässigkeit und öffentliche Sicherheit zu priorisieren.

Der Wandel wird auch wichtige Fragen zu Modellgenauigkeit, Cybersicherheit, Transparenz und Rechenschaftspflicht aufwerfen. Versorgungsunternehmen müssen verstehen, warum ein System ein bestimmtes Asset markiert hat, wie sicher es sich in dieser Beurteilung ist und wann eine menschliche Überprüfung erforderlich ist. Da Entscheidungen kritische Infrastruktur betreffen, werden künstliche Intelligenz-Empfehlungen wahrscheinlich Teil eines überwachten Prozesses bleiben und nicht vollständig autonom werden.

Wenn diese Herausforderungen angegangen werden können, könnte Computer-Vision von einem Werkzeug zur Überprüfung von Inspektionbildern zu einem zentraleren Bestandteil der Grid-Planung und -Wartung werden. Der langfristige Einfluss würde nicht unbedingt weniger Inspekteure bedeuten, sondern eine Änderung in der Art und Weise, wie ihre Zeit genutzt wird, mit größerer Aufmerksamkeit auf die Assets und Standorte, an denen Intervention den größten Unterschied machen könnte.