Buzz Solutions, AI 그리드 인텔리전스를 확장하기 위해 2,000만 달러의 시리즈 A 자금을 조달하다

Buzz Solutions는 유틸리티가 점점 더 복잡해지는 에너지 인프라를 검사, 유지 보수 및 강화하기 위해 더 빠른 방법을 찾고 있는 가운데 2,000만 달러의 시리즈 A 자금을 조달했다.

S3 Ventures가 이 자금을 주도했으며 GoPoint Ventures가 큰 규모로 추가 투자했다. 기존 투자자 HearstLab와 Blackhorn Ventures도 참여했다. Buzz Solutions는 이 자금을 제품 개발, 시장 진출 팀 확대 및 유틸리티 고객과의 더 깊은 배포에 사용할 것이라고 말했다.

팔로알토에 본사를 둔 이 회사는 전력선, 변전소, 유틸리티급 태양광 설치와 같은 인프라에서 수집된 시각적 검사 데이터를 분석하는 인공지능 소프트웨어를 개발한다. 고객으로는 Dominion Energy (D ), American Electric Power (AEP ), New York Power Authority가 있다.

수동 이미지 검토를 넘어서서 그리드 검사 이동

유틸리티는 점점 더 드론, 헬리콥터, 고정익 항공기, 열화상 카메라 및 기타 영상 시스템을 사용하여 인프라를 검사하기 시작했다. 이러한 기술은 전통적인 현장 검사보다 훨씬 더 많은 데이터를 수집할 수 있지만 이미지 처리를 충분히 빠르게 처리하여 유지 보수 결정에 영향을 미칠 수 있는 새로운 도전을 제기한다.

Buzz Solutions의 PowerAI 플랫폼은 이러한 병목 현상을 해결하기 위해 설계되었다. 그것은 공중 및 지상 기반 검사 프로그램에서 영상 데이터를 수신하여 이미지와 특정 구조를 일치시킵니다. 또한 잠재적인 결함을 식별하고 문제의 심각성에 따라 순위를 매긴다.

이 플랫폼은 적색-녹색-파랑(RGB) 및 열 영상에서 손상된 기둥, 열화된 가로대, 과열된 변압기, 식물 침입, 절연체 손상 및 새의巢와 같은 문제를 분석할 수 있다. 결과는 지리 정보 시스템, 작업 주문 플랫폼 및 자산 관리 소프트웨어로 전송될 수 있다.

이 워크플로는 인프라 관리에서 결함을 식별하는 것만이 아니라 영향을 받은 자산의 위치를 결정하고, 얼마나 긴급하게 작업이 필요한지 평가하며, 작업을 할당하고, 자산의 상태를 추적하는 것이 중요하기 때문에 중요하다.

PowerAI, 컴퓨터 비전과 인간 감시를 결합

Buzz Solutions는 그들의 모델이 유틸리티 영상 데이터 10년 이상의 기간 동안 조정되었으며 더 작은 데모 데이터셋으로만 훈련되지 않았음을 말했다. 현재 플랫폼에는 50개 이상의 인공지능 모델이 포함되어 있으며 회사가 발표한 수치에 따르면 1초당 5.8개의 이미지를 처리할 수 있다.

PowerAI에는 인간 감시 기능도 포함되어 있다. 검사员은 감지 결과를 확인하고 모델 출력을 수정하여 시스템이 추가적인 인프라 유형 및 운영 조건을遇遇할 때 정확도를 개선할 수 있다.

자동화와 인간 감시의 조합은 유틸리티 환경에서 특히 관련이 있다. 여기서 잘못된 결과는 불필요한 현장 작업을 유발할 수 있으며, 결함을 놓치면 장비 고장,停電 또는 안전 위험이 발생할 수 있다.

Buzz는 플랫폼의 여러 버전을 제공한다. 유틸리티는 중앙 집중식 검사 데이터 관리 및 수동 검토에서 시작하여 자동화된 이미지 분석, 지리 정보 시스템 매핑, 고급 분석 및 작업 및 자산 관리 시스템과의 통합으로 이동할 수 있다.

플랫폼을 그리드 전체로 확장

PowerAI는 처음에 전송 및 배포 인프라에 초점을 맞췄지만 Buzz Solutions는 플랫폼을 변전소 및 유틸리티급 태양광으로 확장했다.

배포 네트워크의 경우 소프트웨어는 개별 기둥 및 구조와 검사 이미지를 연결한 다음 손상된 하드웨어, 변압기 문제 또는 식물 위험에 대한 분석을 수행할 수 있다. 전송 팀은 플랫폼을 사용하여 자산을 인벤토리화하고 큰 네트워크 전체에서 상태 변경을 모니터링할 수 있다.

변전소에서 회사는 고정 카메라 및 도킹된 드론에서 영상 데이터를 사용하여 보안 이벤트, 안전 문제 및 장비 상태를 모니터링한다. 광학 및 열 영상은 비인가된 접근, 연기, 화재 또는 비정상적인 열 신호와 같은 이벤트에 대해 분석할 수 있으며, 대시보드, 이메일 또는 문자 메시지를 통해 알림이 전송된다. 배포는 유틸리티의 운영 및 사이버 보안 요구 사항에 따라 클라우드 기반 또는 온프레미스 설치가 될 수 있다.

태양광 솔루션은 드론에서 수집한 RGB 및 열 영상에 컴퓨터 비전을 적용한다. 이는 운영자가 핫스팟, 패널 균열 및 스트링 고장을 식별하여 출력을 크게 줄이기 전에 문제를 식별하는 데 도움이 될 수 있다.

유틸리티 배포, 작은 파일럿을 넘어서

Buzz Solutions는 지난 1년 동안 고객 수가 3배 증가했으며 매출은 400% 증가했다고 말했다. 회사는 또한 유틸리티가 더 큰 검사 프로그램에 플랫폼을 적용하는 몇 가지 예를 발표했다.

Dominion Energy는 PowerAI를 사용하여 약 47,000개의 전송 타워를 덮는 74,000개의 이미지를 3.5시간 만에 처리했다고 Buzz Solutions는 말했다. AEP Texas는 허리케인과 산불에 노출된 배포 영역에서 검사 주기를 단축하기 위해 플랫폼을 사용하여 88,000개 이상의 이미지를 분석했다.

New York Power Authority는 검사 결과를 Esri, IBM Maximo 및 내부 미디어 시스템과 통합했다. Buzz Solutions는 유틸리티가 수동 분석 시간을 70% 줄였으며, 이는大量의 검사 이미지를 몇 개월이 아닌 몇 시간 또는 몇 일 안에 평가할 수 있음을 의미한다.

이러한 배포는 유틸리티 인공지능 프로그램에서 현재 발생하고 있는 더广泛한 전환을 보여준다. 일부 유틸리티는 더 이상 분리된 모델을 평가하지 않고 인공지능 분석을 자산 기록, 유지 보수 우선순위 및 기존 운영 시스템과 직접 연결하기 시작했다.

전기 수요 증가, 긴급성 추가

자금 조달은 미국이 전기 수요 증가 기간에 들어섬에 따라 이루어졌다. 미국 에너지 정보 관리局(US Energy (USEG ) Information Administration)은 지난 5년 동안 전국 전기 소비가 평균 연 2.1%씩 증가했으며, 데이터 센터 서버 수요가 주요 기여 요인으로 부상했다고 보고했다.

기관은 2050년까지 전기 수요가 계속 증가할 것으로 예상하며, 이는 10년 이상 tương对적으로 평탄했던 수요를 뒤엎는 것이다.

인공지능 데이터 센터는 압력을 가하는 唯一의 원인이 아니다. 유틸리티는 또한 재생 에너지 생성, 교통 및 산업 전기화 지원, 극한 날씨에 대응하며 수십 년 동안 운영 중인 인프라를 유지해야 한다.

새로운 발전 및 전송 용량을 구축하는 것은 여전히 필수적이지만 유틸리티는 기존 인프라에서 더 많은 신뢰성을 추출해야 한다. 열화된 장비를 더 일찍 식별하면 유지 보수 팀이 고장이 발생하기 전에 문제를 해결할 수 있다.

인공지능 지원 그리드 관리의 미래

PowerAI와 같은 플랫폼의 더广泛한 의미는 유틸리티가 인프라를 관리하는 방식을 변경하는 방식에 있다. 오늘날 많은 검사 프로그램은 여전히 정기적이고 반응적이며, 자산은 고정된 일정이나 폭풍,停電 또는 장비 고장 이후에 검사된다. 시각적 데이터를 수집하고 분석하기가 더 쉬워지면 유틸리티는 더 지속적이고 위험 기반의 유지 보수로 이동할 수 있다.

이 모델에서 인공지능은 자산 상태의 미묘한 변경 사항을 식별하고, 현재 이미지를 이전 검사와 비교하며, 예상보다 더 빠르게 열화되는 것으로 나타나는 장비를 강조 표시하는 데 도움이 될 수 있다. 유지 보수 일정은 더 이상 나이 또는 정기적인 검사 주기에 기반하지 않고 각 자산의 실제 상태와 위험 프로파일에 기반할 수 있다.

기술은 또한 유틸리티가 더 큰 드론, 고정 카메라, 열 센서 및 기타 모니터링 시스템을 배치할 때 더 가치 있게 될 수 있다. 자동 분석 없이 이러한 도구가 생성하는 데이터의 양은 검사 팀을 압도할 수 있다. 인공지능 시스템은 인간 전문가를 가장주의가 필요한 이미지, 자산 및 이상에 대한 필터링 레이어로 더 자주 작동할 수 있다.

시간이 지남에 따라 이러한 기능은 더 자세한 디지털 그리드 표현을 지원할 수 있다. 시각적 검사와 날씨 데이터,停電 기록, 식물 상태 및 유지 보수 기록을 결합하여 유틸리티는 개별 결함이 신뢰성 및 공중 보건에 미치는 영향을 모델링하고 수리를 우선순위로 지정할 수 있다.

이 전환은 모델 정확성, 사이버 보안, 투명성 및 책임에 대한 중요한 질문을 제기할 것이다. 유틸리티는 시스템이 특정 자산을 식별한 이유, 그 평가에 대한 확신 수준 및 인간 감시가 필요한 시기를 이해해야 한다. 결정은 중요한 인프라를 포함하기 때문에 인공지능 추천은 완전히 자율적인 프로세스가 아닌 감시 프로세스의 일부로 남아 있을 가능성이 있다.

이러한 도전을 극복할 수 있다면 컴퓨터 비전은 검사 이미지 검토 도구에서 그리드 계획 및 유지 보수의 더중요한 구성 요소로 발전할 수 있다. 장기적인 영향은 반드시 더 적은 검사员이 아니라 그들의 시간을 사용하는 방식의 변경으로, 더 큰 차이를 만들 수 있는 자산 및 위치에 더 많은 주의를 기울일 수 있다.