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.

플랫폼은 RGB 및 열화상 이미지를 분석해 손상된 전주, 노후화된 완철, 과열된 변압기, 수목 침범, 애자 손상, 새 둥지 등을 찾을 수 있다. 결과는 시스템 연동과 API를 통해 지리정보시스템, 작업 지시 플랫폼, 자산 관리 소프트웨어로 전달할 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 검토 기능도 포함돼 있다. 점검 담당자는 탐지 결과를 확인하고 모델 출력을 수정하며, 시스템이 새로운 인프라 유형과 운영 조건을 접할 때 정확도를 높이는 데 기여할 수 있다.

자동화와 사람의 검토를 결합하는 방식은 전력 설비 환경에서 특히 중요하다. 오탐은 불필요한 현장 작업을 유발할 수 있고, 결함을 놓치면 장비 고장, 정전, 안전 위험으로 이어질 수 있기 때문이다.

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 점검 결과를 Esri, IBM Maximo 및 내부 미디어 시스템과 통합했다. Buzz Solutions에 따르면 해당 전력기관의 수작업 분석 시간이 70% 줄어, 대량의 점검 이미지를 수개월 대신 수시간 또는 수일 안에 평가할 수 있게 됐다.

이러한 도입 사례는 전력업계의 AI 프로그램 전반에서 나타나는 변화를 보여 준다. 일부 전력회사는 개별 모델만 시험하는 단계를 넘어 AI 분석을 자산 기록, 유지보수 우선순위, 기존 운영 시스템과 직접 연결하기 시작했다.

전기 수요 증가, 긴급성 추가

이번 자금 조달은 미국의 전력 수요가 다시 증가하는 시기에 이뤄졌다. 미국 에너지정보청(EIA)은 지난 5년 동안 전국 전력 소비가 연평균 2.1% 증가했으며 데이터센터 서버 수요가 주요 요인으로 부상했다고 보고했다.

에너지정보청은 전력 소비가 2050년까지 계속 늘어날 것으로 예상한다. 이는 10년 넘게 비교적 정체돼 있던 수요 흐름의 반전이다.

AI 데이터센터는 부담을 가중하는 여러 요인 중 하나다. 전력회사들은 재생에너지 발전원을 연결하고, 교통과 산업의 전기화를 지원하며, 극한 기상에 대응하는 동시에 수십 년째 사용 중인 인프라도 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

PowerAI 같은 플랫폼이 갖는 더 큰 의미는 시간이 지나면서 전력회사의 인프라 관리 방식을 바꿀 수 있다는 점에 있다. 오늘날 많은 점검 프로그램은 정해진 주기에 따라 진행되거나 사후 대응에 머물러 있다. 설비는 고정된 일정 또는 폭풍, 정전, 장비 고장 이후에 점검된다. 영상 데이터를 더 쉽게 수집하고 분석할 수 있게 되면 전력회사는 더 지속적이고 위험에 기반한 유지보수로 전환할 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.

장기적으로 이런 기능은 전력망을 더 상세하게 디지털로 표현하는 데 기여할 수 있다. 영상 점검에 기상 데이터, 정전 이력, 수목 상태, 유지보수 기록을 결합하면 개별 결함이 더 넓은 전력망에 미칠 영향을 모델링할 수 있다. 전력회사는 이를 바탕으로 신뢰성과 공공 안전에 미칠 잠재적 영향에 따라 수리 우선순위를 정할 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 점검 이미지를 검토하는 도구에서 전력망 계획과 유지보수의 더 핵심적인 요소로 발전할 수 있다. 장기적인 영향은 반드시 점검 인력 감소일 필요는 없다. 개입 효과가 가장 큰 설비와 장소에 더 많은 주의를 기울이도록 담당자들의 시간 활용 방식이 바뀌는 것일 수 있다.