Etsitään oikeita kumppanuuksia: Miten sähköyhtiöt arvioivat tekoälytoimittajia

Energiamaalima on käymässä läpi massiivisia muutoksia, uudelleenarvioiden yli sadan vuoden takaisia järjestelmiä, jotta voidaan tehdä tilaa älykkäimmille ja puhtaammille teknologioille. Tämä on jännittävä aika – käytännössä jokainen teollisuus on sähköistymässä jollain tavoin, sähköajoneuvot (EV) saavat markkinavoiton, ja on aktiivinen siirtymä tukemaan hajasijoitettuja energiavaroja (DER), “pienmittakaavaisia energiavaroja”, jotka sijaitsevat yleensä lähellä sähkön käyttöpaikkoja, kuten katolla olevia aurinkopaneeleja ja akkuvaihtoa. Viimeksi mainittu on suuri juttu, ja kuten Kansainvälinen energiajärjestö (IEA) korostaa, hajasijoitettujen energiavarojen nopea laajentuminen “muuttaa ei vain sitä, miten sähköä tuotetaan, vaan myös sitä, miten sitä kaupataan, toimitetaan ja kulutetaan” tulevaisuudessa.

Havainnoitsijalle kaikki tämä muutos on positiivista, kestävää ja pitkään odotettua. Mutta käytännössä uusiutuvan energian ja sähköistymisen nopea kiihdytys luo lisäkuormitusta ja jännittää verkon rajoja. Uusiutuvan energian paineen lisäksi maailman voimajärjestelmät kohtaavat kriittisiä haasteita jatkuvan ilmastonmuutoksen aiheuttamista ääri-ilmiöistä – kuivuudesta Euroopassa, helteistä Intiassa, vakavista talvimyrskyistä Yhdysvalloissa – kaikki johtavat eksponentiaaliseen kasvuun tarkastus-, kunnossapito- ja korjauskustannuksissa. Sähköyhtiöiden johtajat ovat nyt täysin keskittyneitä 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 tasaisesta tietovirrasta (yleensä kuvamuodossa), jota sähköyhtiöt voivat analysoida havaitakseen toiminnallisia poikkeamia. Tiedon kerääminen tehdään monin tavoin, droneista ja kiinteäsiipisistä lentokoneista lineaarisesti työntekijöiden fyysiseen kävelyyn paikalla. Ja uusien teknologioiden, kuten UAV / drone ja korkearesoluutioisia helikopterikameroita, avulla tietomäärä on kasvanut astronaalisesti. Tiemme keskusteluista monien sähköyhtiöiden kanssa tiedämme, että sähköyhtiöt keräävät nyt 5-10 kertaa enemmän tietoa kuin viime vuosina.

Kaikki tämä tieto tekee jo hitaasta tarkastustyökierrosta hitaamman. Keskimäärin sähköyhtiöt käyttävät 6-8 kuukauden työtunteja vuodessa tarkastusdatan analysointiin. (Lähdettä West Coast -sähköyhtiöasiakkaan haastattelusta, joka kerää 10 miljoonaa kuvaa vuodessa) Suuri syy tästä ylituotannosta on, että tämä analyysi tehdään edelleen pääosin manuaalisesti, ja kun yhtiö kerää miljoonia tarkastuskuvia joka vuosi, prosessi muuttuu villinomaiseksi. Anomalioiden analysointi on niin aikaa vievää, että suurin osa tiedosta on vanhentunut, kun se todella tarkastellaan, mikä johtaa virheellisiin tietoihin parhaimmillaan ja toistuviin tarkastuksiin tai vaarallisiin olosuhteisiin pahimmillaan. Tämä on suuri ongelma, jossa on suuret riskit. Analyytikot arvioivat, että sähkösektori menettää 170 miljardia dollaria joka vuosi verkkohäviöiden, pakotettujen sammutusten ja massamyrskyjen vuoksi.

Rakentaminen tulevaisuuden sähköyhtiötä varten tekoälypohjaisilla infrastruktuuritarkastuksilla

Verkon tekeminen luotettavammaksi ja kestävämmäksi vaatii kaksi asiaa – rahaa ja aikaa. Onneksi tässä on, missä uusi teknologia ja innovaatio voivat auttaa suorittamaan tarkastusprosessia. Tekoälyn (AI) ja koneoppimisen (ML) vaikutus sähköyhtiöihin ei voida liioitella. AI / ML on täysin kotonaan tässä data-rikkaiden ympäristössä, ja kun datan määrä kasvaa, AI:n kyky kääntää tietovuoria merkityksellisiksi oivalluksiksi paranee. Utility Diven mukaan on “jo laaja sopimus teollisuudessa, että [AI / ML] on potentiaalinen tunnistamaan laitteita, jotka ovat vaarassa epäonnistua nopeammin ja turvallisemmin kuin nykyinen menetelmä”, joka perustuu manuaalisiin tarkastuksiin.

Vaikka tämän teknologian lupaavaa potentiaalia ei voida kiistää, oman mukautetun AI / ML -ohjelman rakentaminen sisäisesti on hidasta, työntäytävää prosessia, joka on täynnä ongelmia ja esteitä. Nämä haasteet ovat aiheuttaneet monille sähköyhtiöille hakemaan lisätukea ulkopuolisilta konsulteilta ja toimittajilta.

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

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

Mallin kasvu ajan myötä – Rakentaa monipuolisia tietoja (tietoja, joissa on paljon poikkeamia analyysiin) kestää paljon aikaa (usein useita vuosia) ja tiettyjen poikkeamien tyypit eivät esiinny tarpeeksi usein kouluttaa onnistunutta AI-mallia. Esimerkiksi algoritmin kouluttaminen havaitsemaan asioita, kuten mätänemistä, punkkien reikiä tai ruostuneita tasapainotuslaitteita, voi olla haasteellista, jos niitä ei esiinny usein alueellasi. Ole siis varma, että kysyt AI / ML -toimittajalta ei vain heidän tietojoukkonsa määrää, vaan myös heidän laadun ja monipuolisuuden.

Nopeus – Aika on rahaa, ja mikä tahansa luotettava AI / ML -toimittaja tulisi pystyä näyttämään selkeästi, miten heidän tarjontansa nopeuttaa tarkastusprosessia. Esimerkiksi Buzz Solutions kumppanuksessa New York Power Authorityn (NYPA) kanssa toimitettiin AI-pohjainen alusta, joka suunniteltiin merkittävästi vähentämään tarkastus- ja analyysiaikaa. Tuloksena oli ohjelma, joka voisi analysoida laitekuvia muutamassa tunnissa tai päivässä, sen sijaan, että se olisi kestänyt kuukausia aikaisemmin. Tämä ajan säästö mahdollisti NYPA:n huoltoyksiköiden priorisoida korjauksia ja vähentää epäonnistumisen mahdollisuutta.

Laatu / Tarkkuus – Synnyttämisen puutteen aiheuttamassa tilanteessa AI / ML -ohjelmista yhtiöt täydentävät usein syntetistä tietoa (ts. tietoa, jota on luonut tietokonealgoritmi) täyttämään aukot. Se on suosittu käytäntö, ja analyytikot ennustavat, että 60 % kaikista AI:n kehittämiseen käytetyistä tiedoista on syntetistä (ei aitoa) vuoteen 2024 mennessä. Mutta vaikka syntetinen tieto on hyvä teoreettisissa skenaarioissa, se ei suoriudu hyvin todellisissa ympäristöissä, joissa tarvitaan todellista tietoa (ja ihmisen osallistuminen itsekorjaavasti). Kysy toimittajalta heidän aitojen ja syntetisten tietojen sekoituksesta, jotta voit varmistaa, että sekoitus on järkevä.

Ja muista, että työ ei lopu, kun olet valinnut kumppanin. Uusi idea Gartnerilta on pitää säännöllisiä “AI Bake-Off” -tapahtumia – kuvattu nopeana, informatiivisina istuntoina, joissa voidaan nähdä toimittajat rinnakkain käyttäen skriptattuja demoja ja yhteistä tietojoukkoa säädetyssä ympäristössä arvioidaksesi kunkin vahvuuksia ja heikkouksia. Tämä prosessi luo selkeät mittarit, jotka liittyvät suoraan AI / ML -algoritmien skaalautuvuuteen ja luotettavuuteen, jotka ovat sähköyhtiöiden liiketoimintatavoitteiden mukaisia.

Sähköyhtiöalan tulevaisuuden voimakas

Tehokkaammista työnkulkujen integraatioista älykkäisiin tekoälypoikkeamien havaitsemiseen, sähköyhtiöala on paljon valoisammalla polulla kuin vain muutama vuosi sitten. Tämä innovaatio tarvitsee kuitenkin jatkua, etenkin kun T & D -tarkastusvaatimukset tulevat kaksinkertaistumaan vuoteen 2030 mennessä ja hallitus on ilmoittanut energiainfrastruktuurin ylläpitoa ja puolustusta korkeimpana kansallisen turvallisuuden prioriteettina.

On enemmän työtä edessä, mutta yksi päivä tulemme muistamaan tämän ajan käänteentekevänä aikana, jolloin teollisuuden johtajat ryhtyivät panostamaan sähköverkon tulevaisuuteen ja toivat sähköyhtiöt moderniin aikaan.