Buzz Solutionsが2,000万ドルのシリーズA資金調達でAI搭載グリッドインテリジェンスを拡大

Buzz Solutionsは、2,000万ドルのシリーズA資金調達を実施し、ユーティリティ企業がエネルギーインフラストラクチャーの検査、保守、強化を迅速化する方法を模索している状況下で、事業を拡大するための資金を調達しました。

S3 Venturesがラウンドを主導し、GoPoint Venturesから重要なフォローオン投資を受けました。既存の投資家であるHearstLabとBlackhorn Venturesも参加しました。Buzz Solutionsは、この資金を製品開発、営業チームの拡大、ユーティリティ顧客とのより深い展開に充てる予定です。

パロアルトを拠点とする同社は、送電線、変電所、ユーティリティスケールの太陽光発電所などのインフラストラクチャーから収集された視覚検査データを分析する人工知能ソフトウェアを開発しています。顧客には、Dominion Energy (D )、American Electric Power (AEP )、およびNew York Power Authorityが含まれます。

手動画像レビューを超えたグリッド検査

ユーティリティ企業は、ドローン、ヘリコプター、固定翼機、熱映像カメラ、その他の画像システムを使用してインフラストラクチャーを検査することが増えています。これらのテクノロジーは、従来の現場検査よりもはるかに多くのデータを収集できますが、数千、または数百万の画像を検査決定に影響を与えるのに十分な速さで処理するという新しい課題も生じます。

Buzz SolutionsのPowerAIプラットフォームは、このボトルネックに対処するために設計されています。空中および地上ベースの検査プログラムからの画像を取り込み、画像を特定の構造物と照合し、潜在的な欠陥を特定し、問題の重大性に基づいて問題を優先順位付けします。

プラットフォームは、損傷ポール、劣化したクロスアーム、過熱した変圧器、植生の侵入、絶縁体の損傷、鳥の巣など、赤緑青（RGB）および熱画像を分析できます。結果は、地理情報システム、作業命令プラットフォーム、資産管理ソフトウェアに、統合およびアプリケーション・プログラミング・インターフェイスを介して送信できます。

このワークフローは、インフラストラクチャー管理において重要です。欠陥を特定することは、インフラストラクチャー管理の1つの側面に過ぎません。ユーティリティ企業は、影響を受ける資産がどこにあるかを判断し、どのくらい急いで対応する必要があるかを評価し、作業を割り当て、資産の状態を時間の経過とともに追跡する必要があります。

PowerAIはコンピュータビジョンと人間の監視を組み合わせる

Buzz Solutionsは、モデルが10年以上のユーティリティ画像で調整されており、小規模なデモデータセットのみで訓練されていないと述べています。プラットフォームには現在、50以上の人工知能モデルがあり、1秒あたり5.8枚の画像を処理できることが会社から発表されています。

PowerAIには、ヒューマン・イン・ザ・ループのレビュー機能も含まれています。検査員は、検出を検証し、モデル出力を修正し、システムが新しいインフラストラクチャー・タイプや動作条件に出会うにつれて精度を向上させることができます。

この自動化と人間のレビューの組み合わせは、ユーティリティ環境では特に重要です。誤検知は不必要な現場作業を生み出し、欠陥を検知しなかった場合は、機器の故障、停電、または安全上のリスクにつながる可能性があります。

Buzzは、プラットフォームの複数のバージョンを提供しています。ユーティリティ企業は、集中検査データ管理および手動レビューから開始し、自動画像分析、地理情報システムマッピング、先進的な分析、および作業および資産管理システムとの統合に進むことができます。

プラットフォームをグリッド全体に拡大する

PowerAIは当初、送電および配電インフラストラクチャーに焦点を当てていましたが、Buzz Solutionsは、プラットフォームを変電所およびユーティリティスケールの太陽光発電所に拡大しました。

配電網では、ソフトウェアは検査画像を個々のポールや構造物と関連付けて分析し、損傷したハードウェア、変圧器の問題、または植生のリスクを特定できます。送電チームは、同様にプラットフォームを使用して資産をインベントリ化し、大規模なネットワーク全体で状態の変化を監視できます。

変電所では、会社は固定カメラとドッキングドローンからの画像を使用して、セキュリティイベント、安全上の懸念、機器の状態を監視します。光学および熱ビデオは、無許可の入場、煙、火災、または異常な熱シグネチャなどのイベントに対して分析され、ダッシュボード、電子メール、またはテキストメッセージを介してアラートが送信されます。展開は、クラウドベースまたはオンプレミスにインストールされることができ、ユーティリティの運用およびサイバーセキュリティ要件に応じて選択できます。

太陽光発電所向けのソリューションは、ドローンから収集されたRGBおよび熱画像にコンピュータビジョンを適用して、ホットスポット、パネルクラック、またはストリングの停電を、問題が出力に大幅に影響を与える前に検出するのに役立ちます。

ユーティリティの展開が小規模なパイロットを超える

Buzz Solutionsは、顧客数が過去1年で3倍に増加し、収益が400%増加したと述べています。同社はまた、ユーティリティがプラットフォームをより大規模な検査プログラムに適用している数々の例を発表しています。

Dominion Energyは、PowerAIを使用して、3.5時間で約47,000の送電塔をカバーする74,000枚の画像を処理しました。AEPテキサスは、ハリケーンや山火事にさらされる配電地域の検査サイクルを短縮するために、プラットフォームを使用して88,000枚以上の画像を分析しました。

New York Power Authorityは、検査結果をEsri、IBM Maximo、および内部メディアシステムと統合し、Buzz Solutionsは、手動分析時間を70%削減し、数ヶ月ではなく数時間または数日で大量の検査画像を評価できるようにしたと報告しています。

これらの展開は、ユーティリティのAIプログラム全体で現在進行中のより広範なシフトを示しています。単独のモデルを評価するのではなく、一部のユーティリティは、AI分析を資産レコード、保守優先順位、および既存の運用システムと直接接続し始めています。

電力需要の増加が緊急性を高める

資金調達は、アメリカが電力需要の増加期に入った時期に実施されました。アメリカエネルギー情報局は、過去5年間で平均して年2.1%の割合で電力消費量が増加しており、データセンターのサーバー需要が大きな要因となっていることを報告しています。

同局は、電力需要が2050年まで増加し続け、10年以上にわたる相対的に平坦な需要の後、需要が回復することを予測しています。

人工知能データセンターは、需要の圧力の1つの要因に過ぎません。ユーティリティは、さらに、再生可能エネルギー発電を接続し、輸送および産業の電気化を支援し、極端な天候に応じ、数十年間運用されているインフラストラクチャーを維持する必要があります。

新しい発電および送電容量の建設は不可欠ですが、ユーティリティは既存のインフラストラクチャーからも信頼性を高める必要があります。劣化した機器を早期に特定することで、保守チームは、問題が停電、安全上の事故、または高額な緊急修理になる前に対処できます。

AI支援グリッド管理の未来

PowerAIのようなプラットフォームのより広い意味は、ユーティリティがインフラストラクチャーを管理する方法をどのように変える可能性があることです。今日、多くの検査プログラムは周期的で反応的であり、資産は固定スケジュールで、または嵐、停電、機器故障の後で検査されます。視覚データが収集および分析しやすくなるにつれて、ユーティリティは、より連続した、リスクベースの保守に移行する可能性があります。

このモデルでは、人工知能は、資産の状態の微妙な変化を特定し、現在の画像と以前に行った検査を比較し、予想よりも早く劣化しているように見える機器を強調するのに役立ちます。保守スケジュールは、資産の年齢や定期的な検査サイクルに基づくのではなく、実際の状態とリスクプロファイルに基づいて設定される可能性があります。

このテクノロジーは、ユーティリティがドローン、固定カメラ、熱センサー、その他の監視システムのより大きな艦隊を展開するにつれて、さらに価値が高まる可能性があります。自動分析がなければ、これらのツールによって生成されるデータの量は、検査チームを圧倒する可能性があります。AIシステムは、人間の専門家が最も注意を必要とする画像、資産、および異常を指示するフィルタリング層として機能する可能性があります。

これらの機能は、天候データ、停電履歴、植生条件、保守レコードとともに視覚検査を組み込んだ、グリッドのより詳細なデジタル表現をサポートする可能性があります。これにより、ユーティリティは、個々の欠陥がより広範なネットワークに与える影響をモデル化し、信頼性と公共の安全への潜在的な影響に基づいて修理を優先順位付けることができます。

この移行は、モデル精度、サイバーセキュリティ、透明性、説明責任に関する重要な質問も引き起こします。ユーティリティは、システムが特定の資産をフラグした理由、システムがその評価にどれほど自信を持っているか、人間のレビューが必要なときを理解する必要があります。決定は重要なインフラストラクチャーを伴うため、AIの推奨事項は、完全に自動化されるのではなく、監督付きプロセスのままになる可能性があります。

これらの課題が解決されれば、コンピュータビジョンは、検査画像のレビューのツールから、グリッド計画および保守のより中心的なコンポーネントに進化する可能性があります。長期的な影響は、検査員が減少することではなく、彼らの時間の使用方法が変化することであり、介入が最大の違いをもたらす可能性のある資産や場所に、より多くの注意が向けられることになります。