Ηγέτες σκέψης

Βρίσκοντας Πραγματικές Συνεργασίες: Πώς Οι Εταιρείες Υπηρεσιών Ενέργειας Αξιολογούν τους Προμηθευτές Τεχνητής Νοημοσύνης

Vikhyat Chaudhry
Προσθέστε το Unite.AI στις προτιμώμενες πηγές σας στο Google
Βασικά σημείαΗ ανάλυση δεδομένων επιθεώρησης κοινής ωφέλειας απαιτεί 6-8 μήνες εργασίας ετησίως.
Δείτε περισσότερα
  • Η ανάλυση δεδομένων επιθεώρησης κοινής ωφέλειας απαιτεί 6-8 μήνες εργασίας ετησίως.
  • Η Buzz Solutions μείωσε τον χρόνο ανάλυσης εικόνων της NYPA από μήνες σε ώρες.
  • Τα συνθετικά δεδομένα καλύπτουν κενά αλλά αποτυγχάνουν στην απόδοση τεχνητής νοημοσύνης σε πραγματικές συνθήκες.

Ο κόσμος της ενέργειας βρίσκεται σε μια περίοδο τεράστιας αλλαγής, ανασχεδιάζοντας συστήματα που σχεδιάστηκαν πριν από περισσότερο από έναν αιώνα για να δώσουν χώρο στην άνοδο των έξυπνων, καθαρών τεχνολογιών. Είναι μια συναρπαστική εποχή – σχεδόν κάθε κλάδος εξηλεκτρίζεται με κάποιον τρόπο, τα ηλεκτρικά οχήματα (EVs) κερδίζουν έδαφος στην αγορά και υπάρχει μια ενεργή μετάβαση για την υποστήριξη των Κατανεμημένων Πηγών Ενέργειας (DERs), «ενεργειακών πόρων μικρής κλίμακας» που βρίσκονται συνήθως κοντά στους τόπους χρήσης ηλεκτρικής ενέργειας, όπως τα φωτοβολταϊκά πάνελ στις στέγες και τα συστήματα αποθήκευσης ενέργειας σε μπαταρίες. Αυτό τελευταίο είναι ένα μεγάλο ζήτημα, και όπως τονίζει ο Διεθνής Ενεργειακός Οργανισμός (IEA), η ταχεία επέκταση των DERs θα «μεταμορφώσει όχι μόνο τον τρόπο με τον οποίο παράγεται η ηλεκτρική ενέργεια, αλλά και τον τρόπο με τον οποίο γίνεται η εμπορία, η παράδοση και η κατανάλωσή της» στο μέλλον.

Για έναν παρατηρητή, όλες αυτές οι αλλαγές είναι θετικές, βιώσιμες και μακροχρόνια αναμενόμενες. Αλλά πρακτικά, η ταχεία επιτάχυνση της ανανεώσιμης ενέργειας και της ηλεκτροδότησης δημιουργεί πρόσθετη πίεση και στρεβλώνει τα όρια του δικτύου μας. Μαζί με την πίεση από τις ανανεώσιμες πηγές, τα παγκόσμια συστήματα ηλεκτρικής ενέργειας αντιμετωπίζουν κρίσιμες προκλήσεις από ακραία καιρικά φαινόμενα που σχετίζονται με την συνεχιζόμενη κλιματική αλλαγή – ξηρασίες στην Ευρώπη, κύματα καύσωνα στην Ινδία, σοβαρές χειμερινές θύελλες στις ΗΠΑ – όλα αυτά οδηγούν σε εκθετική αύξηση του κόστους επιθεώρησης, συντήρησης και επισκευής. Οι ηγέτες του τομέα των υπηρεσιών ενέργειας εστιάζουν τώρα στην ενίσχυση του εκσυγχρονισμού του δικτύου, την αξιοπιστία και την ανθεκτικότητα.

Βγάλτε Μια Φωτογραφία, Θα Διαρκέσει Περισσότερο

Για τις εταιρείες υπηρεσιών ενέργειας, ο εξοπλισμός τους είναι συχνά το πιο σημαντικό περιουσιακό στοιχείο και απαιτεί συνεχή, προσεκτική συντήρηση. Η εκτέλεση αυτής της συντήρησης εξαρτάται από μια σταθερή ροή δεδομένων (συνήθως με τη μορφή εικόνων) που οι εταιρείες ενέργειας μπορούν να αναλύσουν για να ανιχνεύσουν λειτουργικές ανωμαλίες. Η συλλογή αυτών των δεδομένων γίνεται με πολλούς τρόπους, από drones και αεροσκάφη σταθερών πτερύγων μέχρι τεχνικούς γραμμών που επιθεωρούν πεζή τον χώρο. Και με νέα τεχνολογία όπως τα UAVs/drones και κάμερες υψηλής ανάλυσης σε ελικόπτερα, η ποσότητα των δεδομένων έχει αυξηθεί αστρονομικά. Ξέρουμε από τις συνομιλίες μας με πολλές εταιρείες υπηρεσιών ενέργειας ότι οι εταιρείες συλλέγουν τώρα 5-10 φορές περισσότερα δεδομένα από ό,τι είχαν συλλέξει τα τελευταία χρόνια.

Όλα αυτά τα δεδομένα κάνουν τον ήδη αργό κύκλο εργασιών των επιθεωρήσεων ακόμη πιο αργό. Σε μέσο όρο, οι εταιρείες ενέργειας δαπανούν το ισοδύναμο των 6-8 μηνών εργατικών ωρών το χρόνο αναλύοντας δεδομένα επιθεώρησης. (Παρέχεται από συνέντευξη πελάτη εταιρείας ενέργειας της Δυτικής Ακτής που συλλέγει 10 εκατομμύρια εικόνες το χρόνο) Ένας μεγάλος λόγος για αυτήν την υπερφόρτωση είναι ότι αυτή η ανάλυση εξακολουθεί να γίνεται σε μεγάλο βαθμό χειροκίνητα, και όταν μια εταιρεία συλλέγει εκατομμύρια εικόνες επιθεώρησης κάθε χρόνο, η διαδικασία γίνεται εξαιρετικά δύσκολο να κλιμακωθεί. Η ανάλυση για ανωμαλίες είναι τόσο χρονοβόρα που τα περισσότερα από τα δεδομένα είναι ξεπερασμένα μέχρι τη στιγμή που αναλύονται πραγματικά, οδηγώντας σε ανακριβείς πληροφορίες στην καλύτερη περίπτωση και επαναλαμβανόμενες επιθεωρήσεις ή επικίνδυνες συνθήκες στην χειρότερη. Αυτό είναι ένα μεγάλο ζήτημα, με υψηλούς κινδύνους. Οι αναλυτές εκτιμούν ότι ο τομέας της ενέργειας χάνει 170 δισεκατομμύρια δολάρια κάθε χρόνο λόγω αποτυχιών του δικτύου, αναγκαστικών αποσυνδέσεων και μαζικών καταστροφών.

Χτίζοντας την ενεργειακή εταιρεία του μέλλοντος με επιθεωρήσεις υποδομών βασισμένες στην AI

Η δημιουργία ενός πιο αξιόπιστου και ανθεκτικού δικτύου θα απαιτήσει δύο πράγματα – χρήματα και χρόνο. Ευτυχώς, εδώ είναι όπου η νέα τεχνολογία και η καινοτομία μπορούν να βοηθήσουν στην επιτάχυνση της διαδικασίας επιθεώρησης. Η επίδραση της τεχνητής νοημοσύνης (AI) και της μηχανικής μάθησης (ML) στον τομέα των υπηρεσιών ενέργειας δεν μπορεί να υποτιμηθεί. Η AI/ML είναι ακριβώς στο σπίτι της σε αυτό το περιβάλλον πλούσιο σε δεδομένα, και καθώς η ποσότητα των δεδομένων αυξάνεται, η ικανότητα της AI να μεταφράζει βουνά πληροφοριών σε ουσιαστικά συμπεράσματα γίνεται καλύτερη. Σύμφωνα με το Utility Dive, υπάρχει ήδη μια ευρεία συμφωνία στη βιομηχανία ότι [η AI/ML] έχει το δυναμικό να αναγνωρίσει εξοπλισμό που κινδυνεύει να αποτύχει με έναν τρόπο που είναι πολύ ταχύτερος και ασφαλέστερος από την τρέχουσα μέθοδο» η οποία βασίζεται σε χειροκίνητες επιθεωρήσεις.

Αν και η υπόσχεση αυτής της τεχνολογίας είναι αδιαμφισβήτητη, η δημιουργία ενός δικού σας εξατομικευμένου προγράμματος AI/ML εντός της εταιρείας είναι μια αργή, εργατική διαδικασία που είναι γεμάτη με επιπλοκές και εμπόδια. Αυτές οι προκλήσεις έχουν οδηγήσει πολλές εταιρείες υπηρεσιών ενέργειας να αναζητήσουν επιπλέον υποστήριξη από εξωτερικούς συμβούλους και προμηθευτές.

3 πράγματα που πρέπει να εξετάσετε κατά την αξιολόγηση πιθανού συνεργάτη AI/ML

Όταν αναζητάτε έναν συνεργάτη AI/ML, οι ενέργειες έχουν περισσότερη σημασία από τα λόγια. Υπάρχουν πολλές εταιρείες με εντυπωσιακή παρουσία που μπορεί να υποσχεθούν τον κόσμο, αλλά οι ηγέτες των υπηρεσιών ενέργειας πρέπει να εστιάσουν σε ορισμένους σημαντικούς δείκτες για να αξιολογήσουν με ακρίβεια την επίδραση. Μεταξύ των πιο σημαντικών είναι το πώς ο προμηθευτής περιγράφει/παρέχει:

Αύξηση του Μοντέλου με τον Χρόνο – Η δημιουργία ποικιλόμορφων συνόλων δεδομένων (δεδομένων που έχουν πολλές ανωμαλίες για ανάλυση) απαιτεί σημαντικό χρόνο (συνήθως αρκετά χρόνια) και ορισμένοι τύποι ανωμαλιών δεν συμβαίνουν με αρκετά υψηλή συχνότητα για να εκπαιδεύσουν ένα επιτυχημένο μοντέλο AI. Για παράδειγμα, η εκπαίδευση ενός αλγορίθμου για να ανιχνεύσει πράγματα όπως σήψη, τρύπες από δρυοκολάπτες ή σκουριασμένους αποσβεστήρες κραδασμών των γραμμών μπορεί να είναι δύσκολο αν δεν συμβαίνουν συχνά στην περιοχή σας. Επομένως, βεβαιωθείτε να ρωτήσετε τον προμηθευτή AI/ML όχι μόνο για την ποσότητα των συνόλων δεδομένων, αλλά και για την ποιότητα και την ποικιλία τους.

Ταχύτητα – Ο χρόνος είναι χρήμα, και οποιοσδήποτε αξιοσέβαστος προμηθευτής AI/ML πρέπει να μπορεί να δείξει σαφώς πώς η προσφορά του επιταχύνει τη διαδικασία επιθεώρησης. Για παράδειγμα, η Buzz Solutions συνεργάστηκε με την Αρχή Ηλεκτρικής Ενέργειας της Νέας Υόρκης (NYPA) για να παραδώσει μια πλατφόρμα βασισμένη σε AI που σχεδιάστηκε για να μειώσει σημαντικά τον χρόνο που απαιτείται για επιθεώρηση και ανάλυση. Το αποτέλεσμα ήταν ένα πρόγραμμα που μπορούσε να αναλύσει εικόνες περιουσιακών στοιχείων σε ώρες ή ημέρες, αντί για τους μήνες που χρειαζόταν προηγουμένως. Αυτή η εξοικονόμηση χρόνου επέτρεψε στις ομάδες συντήρησης της NYPA να προτεραιοποιήσουν τις επισκευές και να μειώσουν τον κίνδυνο αποτυχίας.

Ποιότητα/Ακρίβεια – Σε περίπτωση που δεν υπάρχουν πραγματικά δεδομένα για προγράμματα AI/ML, οι εταιρείες μερικές φορές συμπληρώνουν συνθετικά δεδομένα (δηλαδή δεδομένα που έχουν δημιουργηθεί τεχνητά από αλγορίθμους υπολογιστή) για να γεμίσουν τα κενά. Đây είναι μια δημοφιλής πρακτική, και οι αναλυτές προβλέπουν ότι το 60% όλων των δεδομένων που χρησιμοποιούνται στην ανάπτυξη της AI θα είναι συνθετικά (αντί για πραγματικά) μέχρι το 2024. Αλλά ενώ τα συνθετικά δεδομένα είναι καλά για θεωρητικά σενάρια, δεν αποδίδουν καλά σε πραγματικά περιβάλλοντα όπου χρειάζονται πραγματικά δεδομένα (και ανθρώπινες παρεμβάσεις) για να αυτοδιορθωθούν. Λάβετε υπόψη να ρωτήσετε τον προμηθευτή για το μείγμα πραγματικών και συνθετικών δεδομένων για να διασφαλίσετε ότι η αναλογία έχει νόημα.

Και θυμηθείτε, η δουλειά δεν τελειώνει μια φορά που έχετε επιλέξει τον συνεργάτη σας. Μια νέα ιδέα από την Gartner είναι η διοργάνωση τακτικών «AI Bake-Off» εκδηλώσεων – περιγράφονται ως «γρήγορες, ενημερωτικές συνεδρίες που σας επιτρέπουν να δείτε τους προμηθευτές πλάι-πλάι χρησιμοποιώντας προσχεδιασμένες επιδείξεις και ένα κοινό σύνολο δεδομένων σε ένα ελεγχόμενο περιβάλλον» για να αξιολογήσετε τα δυνατά και αδύνατα σημεία του καθενός. Αυτή η διαδικασία καθορίζει σαφείς δείκτες που σχετίζονται άμεσα με την κλιμακωσιμότητα και την αξιοπιστία των αλγορίθμων AI/ML που τότε ευθυγραμμίζονται με τους στόχους της επιχείρησης.

Δίνοντας ώθηση στο μέλλον του ενεργειακού κλάδου

Από πιο αποτελεσματικές ολοκληρώσεις εργασιών μέχρι την εξελιγμένη ανίχνευση ανωμαλιών AI, ο τομέας των υπηρεσιών ενέργειας βρίσκεται σε ένα πολύ πιο φωτεινό δρόμο από ό,τι πριν από λίγα χρόνια. Αυτή η καινοτομία θα πρέπει να συνεχιστεί, ιδιαίτερα καθώς οι απαιτήσεις επιθεώρησης των συστημάτων μεταφοράς και διανομής (T&D) προβλέπεται να διπλασιαστούν μέχρι το 2030 και η κυβέρνηση ανακοίνωσε την συντήρηση και την άμυνα της ενεργειακής υποδομής ως κορυφαίες εθνικές προτεραιότητες ασφαλείας.

Υπάρχει ακόμη δουλειά μπροστά, αλλά μια μέρα θα κοιτάξουμε πίσω σε αυτήν την εποχή ως μια καθοριστική στιγμή, όταν οι ηγέτες του κλάδου ανέλαβαν δράση για να επενδύσουν στο μέλλον του δικτύου ενέργειας μας και να φέρουν τις υπηρεσίες ενέργειας στην σύγχρονη εποχή.

Ο Vikhyat Chaudhry είναι συνιδρυτής, επικεφαλής τεχνολογίας και επικεφαλής λειτουργιών στην Buzz Solutions, μια πλατφόρμα λογισμικού και προγνωστικής ανάλυσης με τεχνητή νοημοσύνη για την ανίχνευση βλαβών και ανωμαλιών στον εξοπλισμό και στα εξαρτήματα γραμμών ηλεκτρικής ενέργειας για εταιρείες ηλεκτρισμού. Πριν από την ίδρυση της Buzz, διηύθυνε ομάδες μηχανικής μάθησης και τεχνητής νοημοσύνης στη Cisco Systems.