Valódi partnerségek keresése: Hogyan értékelik a közszolgáltató cégek a mesterséges intelligencia szállítóit

Az energiavilág hatalmas változáson megy keresztül, újragondolják a több mint egy évszázaddal ezelőtt kialakított rendszereket, hogy teret adjanak az intelligensebb, tisztább technológiák térnyerésének. Izgalmas időszak ez – szinte minden iparág felvillanyozódik valamilyen módon, az elektromos járművek (EV) egyre nagyobb teret hódítanak a piacon, és aktív átállás zajlik az elosztott energiaforrások (DER) támogatására, amelyek általában a telephelyek közelében találhatók „kis méretű energiaforrások”. a tetőtéri napelemek és az akkumulátortárolók. Ez utóbbi nagy dolog, és ahogy a Nemzetközi Energia Szövetség (IEA) rámutat, hogy a DER-ek gyors terjeszkedése „nemcsak a villamosenergia-termelés módját fogja átalakítani, hanem azt is, hogyan kereskednek, szállítanak és fogyasztanak”.

Egy megfigyelő számára mindez a változás pozitív, fenntartható és régóta esedékes. Gyakorlatilag azonban a megújuló energia és a villamosítás gyors felgyorsulása további stresszt okoz, és megfeszíti hálózatunk korlátait. A megújuló energiaforrásokból eredő nyomás mellett a világ energiarendszerei a folyamatos éghajlatváltozáshoz kapcsolódó szélsőséges időjárási események – aszályok Európában, hőhullámok Indiában, heves téli viharok az Egyesült Államokban – miatti kritikus kihívásokkal is szembesülnek, amelyek az ellenőrzések és karbantartások exponenciális növekedését eredményezik. és javítási költségek. A közüzemi szektor vezetői most a hálózatok modernizálására, megbízhatóságára és rugalmasságára összpontosítanak.

Készítsen képet, tovább tart

A közüzemi társaságok számára gyakran a berendezéseik jelentik a legfontosabb eszközt, és állandó, aprólékos karbantartást igényelnek. Ennek a karbantartásnak a végrehajtása folyamatos adatfolyamtól függ (általában képek formájában), amelyet a segédprogramok elemezni tudnak a működési rendellenességek észlelése érdekében. Az adatok gyűjtése sokféleképpen történik, a drónoktól és a merevszárnyú repülőgépektől kezdve a helyszínt fizikailag járó munkásokig. Az olyan új technológiákkal, mint az UAV-k/drónok és a nagyfelbontású helikopter-kamerák, az adatok puszta mennyisége csillagászatilag megnövekedett. Számos közműcéggel folytatott beszélgetésünkből tudjuk, hogy a közszolgáltatók jelenleg 5-10-szer annyi adatot gyűjtenek, mint az elmúlt években.

Mindezek az adatok még lassítják az ellenőrzések amúgy is lassú munkaciklusát. A közüzemek évente átlagosan 6-8 hónapnyi munkaórát fordítanak az ellenőrzési adatok elemzésére. (A West Coast közüzemi ügyfélinterjúja az évi 10 millió képet gyűjtő közszolgáltatótól) Ennek a túlterheltségnek az egyik fő oka, hogy ez az elemzés még mindig nagyrészt manuálisan történik, és amikor egy vállalat évente több millió vizsgálati képet rögzít, a folyamat vadul skálázhatatlanná válik. Az anomáliák elemzése valójában olyan időigényes, hogy az adatok többsége a tényleges áttekintés idejére elavult, ami a legjobb esetben pontatlan információkhoz, rosszabb esetben pedig ismételt ellenőrzésekhez vagy veszélyes körülményekhez vezet. Ez egy nagy probléma, nagy kockázattal. Elemzők becslése szerint hogy az energiaszektor évente 170 milliárd dollárt veszít hálózati meghibásodások, kényszerleállások és tömeges katasztrófák miatt.

A jövő hasznosságának építése mesterséges intelligencia által hajtott infrastruktúra-ellenőrzésekkel

Hálózatunk megbízhatóbbá és ellenállóbbá tételéhez két dologra van szükség – pénzre és időre. Szerencsére itt az új technológia és innováció segíthet az ellenőrzési folyamat egyszerűsítésében. A mesterséges intelligencia (AI) és a gépi tanulás (ML) hatását a közüzemi szektorra nem lehet túlbecsülni. Az AI/ML otthonosan mozog ebben az adatban gazdag környezetben, és ahogy az adatok mennyisége nő, az AI egyre jobban képes az információhegyeket értelmes betekintésekké fordítani. Az Utility Dive szerint, „már széles körű egyetértés van az iparágban abban, hogy az [AI/ML] képes azonosítani a meghibásodás veszélyének kitett berendezéseket a jelenlegi módszernél sokkal gyorsabban és biztonságosabban”, amely manuális ellenőrzéseken alapul.

Bár ennek a technológiának az ígérete vitathatatlan, a saját testreszabott AI/ML program házon belüli elkészítése lassú, munkaigényes folyamat, amely komplikációkkal és akadályokkal teli. Ezek a kihívások sok közüzemi vállalatot arra késztettek, hogy további támogatást kérjenek külső tanácsadóktól és szállítóktól.

3 dolog, amit figyelembe kell venni a potenciális AI/ML partnerek értékelésekor

Amikor AI/ML partnert keresünk, a tettek többet számítanak, mint a szavak. Sok sima cég van, amely a holdat ígérheti, de a közszolgáltató vezetőknek több fontos mérőszámot is le kell ásniuk a hatás pontos értékeléséhez. A legfontosabbak közé tartozik, hogy az eladó hogyan írja le/kiszolgálja:

A modell időbeli növekedése – Változatos adatkészletek (olyan adatok, amelyek elemzése során sok anomáliát tartalmaznak) felépítése jelentős időt vesz igénybe (gyakran több évet is), és bizonyos típusú anomáliák nem fordulnak elő kellő gyakorisággal egy sikeres AI-modell betanításához. Például egy algoritmus betanítása olyan dolgok észlelésére, mint a rothadás, a harkálylyukak vagy a rozsdás csappantyúk, kihívást jelenthet, ha nem gyakran fordulnak elő az Ön régiójában. Ezért mindenképpen kérdezze meg az AI/ML szállítót nemcsak az adatkészleteik mennyiségéről, hanem azok minőségéről és változatosságáról is.

Sebesség – Az idő pénz, és minden jó hírű AI/ML-szállítónak képesnek kell lennie egyértelműen bemutatni, hogy ajánlata miként gyorsítja fel az ellenőrzési folyamatot. Például, A Buzz Solutions együttműködik a New York Power Authority-vel (NYPA) egy mesterséges intelligencia-alapú platform biztosítása, amely jelentősen csökkenti az ellenőrzéshez és elemzéshez szükséges időt. Az eredmény egy olyan program lett, amely órákban vagy napokban képes elemezni az eszközök képeit az előző hónapok helyett. Ez az időmegtakarítás lehetővé tette a NYPA karbantartó csoportjai számára, hogy előnyben részesítsék a javításokat, és csökkentsék a meghibásodások lehetőségét.

Minőség/pontosság – Az AI/ML programok valós adatainak hiányában a vállalatok néha szintetikus adatokat (vagyis számítógépes algoritmusok által mesterségesen létrehozott adatokat) egészítenek ki a hiányosságok pótlására. Ez egy népszerű gyakorlat, és az elemzők megjósolják hogy a mesterséges intelligencia fejlesztése során felhasznált adatok 60%-a szintetikus lesz (valódi helyett) 2024-re. De bár a szintetikus adatok jók elméleti forgatókönyvekhez, nem teljesítenek jól a valós környezetekben, ahol szükség van rá. valós adatok (és ember a hurokban beavatkozások) önkorrigálni. Fontolja meg, hogy megkérje a szállítót a valódi és a szintetikus adatok keverékére, hogy a felosztás értelmes legyen.

És ne feledd, a munka nem ér véget, ha kiválasztottad a partnered. A Gartner új ötlete rendszeresen tart”AI Bake-Off” események – a leírás szerint „gyors tempójú, informatív munkamenetek, amelyek lehetővé teszik a szállítók egymás melletti megtekintését script-demók és egy közös adatkészlet segítségével ellenőrzött környezetben”, hogy értékelje mindegyik erősségeit és gyengeségeit. Ez a folyamat egyértelmű mérőszámokat hoz létre, amelyek közvetlenül kapcsolódnak az AI/ML algoritmusok skálázhatóságához és megbízhatóságához, amelyek aztán igazodnak a közüzemi üzleti célokhoz.

A közüzemi ipar jövőjének előmozdítása

A hatékonyabb munkafolyamat-integrációktól a kifinomult mesterséges intelligencia-anomália-észlelésig a közüzemi ágazat sokkal fényesebb úton halad, mint akár néhány évvel ezelőtt. Ennek az innovációnak azonban folytatódnia kell, különösen mivel a T&D ellenőrzési megbízások 2030-ra megduplázódnak, és a kormány bejelentette az energetikai infrastruktúra karbantartását és védelmét mint legfőbb nemzetbiztonsági prioritást.

Még több munka áll előttünk, de egy nap úgy tekintünk vissza erre az időre, mint egy vízválasztó időszakra, amikor az iparági vezetők felléptek, hogy befektessenek energiahálózatunk jövőjébe, és bevezessék a közműveket a modern korba.