Etsi oikeat kumppanuudet: miten sähköyhtiöt arvioivat tekoälytoimittajia

Sähkömaailma on suurten muutosten keskellä, ja vanhat yli sata vuotta sitten suunnitellut järjestelmät on korvattava älykkäillä ja puhtailla teknologioilla. Tämä on jännittävää aikaa – melkein jokainen teollisuusala on sähköistymässä jollain tavoin, sähköautot (EV) saavat markkinoiden huomion, ja siirrytään kohti hajasijoitettujen energialähteiden (DER) tukemista, “pienimuotoisia energialähteitä”, jotka sijaitsevat usein lähellä sähkön käyttökohteita, kuten katolla olevia aurinkopaneeleita ja akkuvaihtoa. Viimeksi mainittu on suuri asia, ja kuten Kansainvälinen energiajärjestö (IEA) korostaa, hajasijoitettujen energialähteiden nopea laajentuminen “muuttaa ei vain sähkön tuotantoa, vaan myös sitä, miten se kaupataan, toimitetaan ja kulutetaan” tulevaisuudessa.

Ulkoisesti kaikki tämä muutos on positiivista, kestävää ja pitkään odotettua. Mutta käytännössä uusiutuvan energian ja sähköistymisen nopea kiihdytys luo lisää stressiä ja rasittaa verkkomme rajoja. Uusiutuvan energian paineen lisäksi maailman voimajärjestelmät kohtaavat kriittisiä haasteita ääri-ilmiöiden muodossa, jotka liittyvät jatkuvaan ilmastonmuutokseen – kuivuus Euroopassa, helteet Intiassa, vakavat talvimyrskyt Yhdysvalloissa – kaikki nämä johtavat eksponentiaaliseen nousuun tarkastus-, kunnossapito- ja korjauskustannuksissa. Sähköyhtiöiden johtajat ovat nyt tiukasti keskittyneet verkon modernisointiin, luotettavuuteen ja kestävyyteen.

Ota kuva, se kestää pidempään

Sähköyhtiöille heidän laitteistonsa on usein heidän tärkein omaisuutensa ja vaatii jatkuvaa, tarkkaa huolenpitoa. Tämän huolenpidon suorittaminen riippuu jatkuvasta tietovirtauksesta (yleensä kuvamuodossa), jonka sähköyhtiöt voivat analysoida havaitakseen toiminnalliset poikkeamat. Tiedon kerääminen tehdään monin tavoin, aina droneista ja kiinteäsiipisistä lentokoneista aina linjatyöntekijöiden fyysiseen paikan käyntiin. Ja uuden teknologian, kuten UAV-/drone- ja korkearesoluutioisia helikopterikameroita, myötä tietomäärä on kasvanut astronaalisesti. Me tiedämme useiden sähköyhtiöiden kanssa käymistämme keskustelujen perusteella, että sähköyhtiöt keräävät nyt 5-10 kertaa enemmän tietoa kuin viime vuosina.

Kaikki tämä tieto tekee jo hitaasta tarkastusprosessista entistä hitaamman. Keskimäärin sähköyhtiöt käyttävät 6-8 kuukauden työtunteja vuodessa tarkastusdatan analysointiin. (Tarjoaa West Coast -sähköyhtiöasiakas haastattelu sähköyhtiöltä, joka kerää 10 miljoonaa kuvaa vuodessa) Yksi syy tästä tulvasta on, että analyysi tehdään edelleen pääosin manuaalisesti, ja kun yhtiö kerää miljoonia tarkastuskuvia vuodessa, prosessi muuttuu täysin mittavaksi. Poikkeamien analysointi on niin aikaa vievää, että suurin osa tiedosta on vanhentunut jo silloin, kun se todella tarkastellaan, mikä johtaa epätarkkaan tietoon parhaimmillaan ja toistuviin tarkastuksiin tai vaarallisiin olosuhteisiin pahimmillaan. Tämä on suuri ongelma, jossa on korkeat riskit. Analyytikot arvioivat, että sähkösektori menettää 170 miljardia dollaria joka vuosi verkkovirheiden, pakotettujen sammutusten ja massamellakoiden vuoksi.

Rakentamassa tulevaisuuden sähköyhtiötä tekoälyvoimaisilla infrastruktuuritarkastuksilla

Verkkomme tekevän luotettavammaksi ja kestävämmäksi vaatii kahta asiaa – rahaa ja aikaa. Onneksi tässä uusi teknologia ja innovaatio voivat auttaa virtaamaan tarkastusprosessia. Tekoälyn (AI) ja koneoppimisen (ML) vaikutus sähköyhtiöihin on mittava. AI/ML on täysin kotonaan tässä data-rikkaiden ympäristössä, ja mitä suurempi data-määrä on, sitä paremmin AI pystyy kääntämään tietovuoria merkityksellisiksi oivalluksiksi. Utility Diven mukaan on “jo laaja yksimielisyys teollisuudessa siitä, että [AI/ML] pystyy tunnistamaan laitteita, jotka ovat vaarassa vikkoa, nopeammin ja turvallisemmin kuin nykyinen menetelmä” joka perustuu manuaalisiin tarkastuksiin.

Vaikka tämän teknologian lupaava potentiaali on kiistaton, oman mukautetun AI/ML-ohjelman rakentaminen sisäisesti on hidasta, työntäytä ja täyttä ongelmia ja esteitä. Nämä haasteet ovat johtaneet monia sähköyhtiöitä etsimään lisätukea ulkoisilta konsulteilta ja toimittajilta.

3 asiaa, jotka tulee ottaa huomioon arvioitaessa potentiaalista AI/ML-kumppania

Etsiessäsi AI/ML-kumppania, toimet ovat tärkeämpiä kuin sanat. On paljon hienoja yhtiöitä, jotka voivat luvata paljon, mutta sähköyhtiöiden johtajien tulisi keskittyä useisiin tärkeisiin mittareihin, jotta voidaan arvioida vaikutusta. Yksi tärkeimmistä on, miten toimittaja kuvailee/toimittaa:

Mallin kasvu ajan myötä – Rakentaa monipuolisia tietoja (tietoa, jolla on paljon poikkeamia analysoitaviksi) vie merkittävän määrän aikaa (usein useita vuosia) ja tiettyjen poikkeamien esiintymistiheys ei ole tarpeeksi suuri kouluttaa onnistunutta AI-mallia. Esimerkiksi algoritmin kouluttaminen havaitsemaan asioita, kuten mädännyksiä, punkkeja tai ruostuneita jarruja, voi olla haasteellista, jos niitä ei esiinny usein alueellasi. Ole varma, että kysyt AI/ML-toimittajalta ei vain tietojen määrää, vaan myös niiden laatua ja monipuolisuutta.

Nopeus – Aika on rahaa, ja jokainen luotettava AI/ML-toimittaja tulisi pystyä osoittamaan selvästi, miten heidän tarjontansa nopeuttaa tarkastusprosessia. Esimerkiksi Buzz Solutions kumppanuus New York Power Authorityn (NYPA) kanssa toimitti tekoälypohjaisen alustan, joka suunniteltiin merkittävästi vähentämään tarkastus- ja analyysiaikaa. Tuloksena oli ohjelma, joka pystyi analysoimaan laitekuvia muutamassa tunnissa tai päivässä, sen sijaan kuukausissa, kuten aiemmin. Tämä ajan säästö mahdollisti NYPA:n huoltohenkilöstön priorisoida korjauksia ja vähentää vikojen riskiä.

Laatu/tarkkuus – Tekoälyohjelmien puuttuessa todellista dataa, yhtiöt täyttävät toisinaan syntetistä dataa (ts. tietoa, jota on luotu tietokonealgoritmeilla) tietojen aukkojen täyttämiseksi. Tämä on suosittu käytäntö, ja analyytikot ennustavat, että 60 % kaikista tekoälykehitykseen käytetyistä tiedoista on syntetistä (ei todellista) jo vuoteen 2024 mennessä. Mutta vaikka syntetinen data on hyvä teoreettisissa skenaarioissa, se ei suoriudu hyvin todellisissa ympäristöissä, joissa tarvitaan todellista dataa (ja ihmisen toiminta) itsesäätelemiseksi. Kysy toimittajalta heidän sekoituksestaan todellisen ja syntetisen datan välillä, jotta varmistat, että se on järkevää.

Ja muista, että työ ei lopu, kun olet valinnut kumppanin. Uusi idea Gartnerilta on järjestää säännöllisiä “Tekoäly-bake-off” -tapahtumia – kuvaillaan “nopeasti eteneviksi, informatiivisiksi istuntoiksi, jotka antavat nähdä toimittajat rinnakkain käyttäen skriptattuja demoja ja yhteistä tietojoukkoa kontrolloidussa ympäristössä” arvioidakseen kunkin vahvuuksia ja heikkouksia. Tämä prosessi asettaa selkeät mittarit, jotka liittyvät suoraan tekoäly-/koneoppimisalgoritmien skaalautuvuuteen ja luotettavuuteen, jotka sitten ovat linjassa sähköyhtiöiden liiketoimintatavoitteiden kanssa.

Sähköyhtiöalan tulevaisuuden voimalla

Tehtyäsi tehokkaammista työnkulkujen integraatioista älykkäisiin tekoälypoikkeamien havaitsemiseen, sähköyhtiöala on paljon valoisammalla tiellä kuin vain muutama vuosi sitten. Tämä innovaatio tarvitsee kuitenkin jatkua, erityisesti kun T&D-tarkastusmääräykset tulevat kaksinkertaistumaan vuoteen 2030 mennessä ja hallitus ilmoitti energian infrastruktuurin ylläpidon ja puolustuksen kansallisen turvallisuuden tärkeimmiksi prioriteeteiksi.

On vielä työtä edessä, mutta jonain päivänä tulemme katsomaan tähän aikaan takaisin kuin merkittävään murrokseen, hetkeen, jolloin teollisuuden johtajat astuivat eteenpäin investoimaan tulevaisuuteen energiaverkkoomme ja tuomaan sähköyhtiöt moderniin aikaan.