진정한 파트너십 찾기: 공익 기업이 인공 지능 공급업체를 평가하는 방법

에너지 세계는 더 스마트하고 깨끗한 기술의 부상을 위한 공간을 만들기 위해 XNUMX년 이상 전에 설계된 시스템을 재고하면서 엄청난 변화를 겪고 있습니다. 거의 모든 산업이 어떤 방식으로든 전기화되고 ​​있고 전기 자동차(EV)가 시장의 견인력을 얻고 있으며 분산 에너지 자원(DER), 일반적으로 사이트 근처에 위치한 "소규모 에너지 자원"을 지원하기 위한 적극적인 전환이 있습니다. 옥상 태양열 패널 및 배터리 저장 장치와 같은 전기 사용. 마지막 것은 큰 문제이며 국제에너지협회(IEA) DER의 급속한 확장은 앞으로 "전기가 생성되는 방식뿐만 아니라 거래, 전달 및 소비 방식도 변화"시킬 것이라고 지적합니다.

관찰자에게 이 모든 변화는 긍정적이고 지속 가능하며 오랫동안 기한이 지난 것입니다. 그러나 실제로 재생 에너지와 전력화의 급속한 가속화는 스트레스를 가중시키고 전력망의 한계에 부담을 주고 있습니다. 재생 에너지의 압력과 함께 세계의 전력 시스템은 유럽의 가뭄, 인도의 폭염, 미국의 극심한 겨울 폭풍과 같은 지속적인 기후 변화와 관련된 극한 기상 현상으로 인해 심각한 문제에 직면해 있습니다. , 수리 비용. 유틸리티 부문의 리더들은 이제 그리드 현대화, 안정성 및 탄력성을 높이는 데 집중하고 있습니다.

사진을 찍으십시오. 더 오래 지속됩니다

유틸리티 회사의 경우 장비는 종종 가장 중요한 자산이며 지속적이고 세심한 유지 관리가 필요합니다. 이 유지를 수행하는 것은 유틸리티가 운영 이상을 감지하기 위해 분석할 수 있는 꾸준한 데이터 스트림(일반적으로 이미지 형식)에 따라 달라집니다. 이러한 데이터 수집은 드론과 고정익 항공기에서 물리적으로 현장을 걷는 작업자에 이르기까지 다양한 방법으로 수행됩니다. 그리고 UAV/드론 및 고해상도 헬리콥터 카메라와 같은 신기술로 인해 엄청난 양의 데이터가 천문학적으로 증가했습니다. 우리는 많은 유틸리티 회사와의 대화를 통해 유틸리티가 최근 몇 년 동안 수집한 데이터 양의 5-10배를 수집하고 있음을 알고 있습니다.

이 모든 데이터는 이미 느린 검사 작업 주기를 더욱 느리게 만들고 있습니다. 평균적으로 유틸리티는 검사 데이터를 분석하는 데 연간 6-8개월의 노동 시간에 해당하는 시간을 소비합니다. (연간 10만 개의 이미지를 수집하는 유틸리티 업체의 웨스트 코스트 유틸리티 고객 인터뷰 ​​제공) 이러한 과잉의 큰 이유는 이 분석이 여전히 대부분 수동으로 수행되고 회사가 매년 수백만 개의 검사 이미지를 캡처할 때 프로세스를 확장할 수 없게 되기 때문입니다. 이상 현상을 분석하는 데는 시간이 많이 걸리기 때문에 대부분의 데이터가 실제로 검토될 때까지 오래되어 기껏해야 부정확한 정보로 이어지고 최악의 경우 반복 검사 또는 위험한 조건이 발생합니다. 이것은 위험이 큰 큰 문제입니다. 분석가 추정 전력 부문은 네트워크 오류, 강제 종료 및 대규모 재해로 인해 매년 170억 달러의 손실을 입습니다.

AI 기반 인프라 검사로 미래의 유틸리티 구축

우리의 그리드를 더욱 안정적이고 탄력적으로 만들려면 돈과 시간이라는 두 가지가 필요합니다. 다행히도 이 분야에서는 새로운 기술과 혁신이 검사 프로세스를 간소화하는 데 도움이 될 수 있습니다. 인공지능(AI)과 머신러닝(ML)이 유틸리티 부문에 미치는 영향은 아무리 강조해도 지나치지 않습니다. AI/ML은 데이터가 풍부한 환경에 적합하며, 데이터의 양이 커질수록 수많은 정보를 의미 있는 통찰력으로 변환하는 AI의 능력은 더욱 향상됩니다. 유틸리티 다이브에 따르면, "[AI/ML]이 수동 검사에 의존하는 현재 방법보다 훨씬 빠르고 안전한 방식으로 고장 위험이 있는 장비를 식별할 수 있는 잠재력을 가지고 있다는 업계에서 이미 광범위한 동의가 있습니다".

이 기술의 약속은 의심의 여지가 없지만 자체 맞춤형 AI/ML 프로그램을 사내에서 구축하는 것은 복잡하고 장애물이 많은 느리고 노동 집약적인 프로세스입니다. 이러한 문제로 인해 많은 유틸리티 회사는 외부 컨설턴트 및 벤더로부터 추가 지원을 구했습니다.

잠재적인 AI/ML 파트너를 평가할 때 고려해야 할 3가지 사항

AI/ML 파트너를 찾을 때는 말보다 행동이 중요합니다. 달을 약속할 수 있는 멋진 회사가 많이 있지만 유틸리티 리더는 영향을 정확하게 평가하기 위해 몇 가지 중요한 지표를 드릴다운해야 합니다. 가장 중요한 것은 공급업체가 다음을 설명/제공하는 방법입니다.

시간 경과에 따른 모델의 성장 – 다양한 데이터 세트(분석할 이상 현상이 많은 데이터)를 구축하는 데는 상당한 시간(종종 몇 년)이 걸리며 특정 유형의 이상 현상은 성공적인 AI 모델을 교육하기에 충분히 높은 빈도로 발생하지 않습니다. 예를 들어 썩음, 딱따구리 구멍 또는 녹슨 댐퍼와 같은 것을 발견하도록 알고리즘을 교육하는 것은 해당 지역에서 자주 발생하지 않는 경우 어려울 수 있습니다. 따라서 AI/ML 공급업체에 데이터 세트의 양뿐만 아니라 품질과 다양성에 대해서도 문의하십시오.

속도 – 시간은 돈이며, 평판이 좋은 AI/ML 벤더라면 자사 제품이 검사 프로세스의 속도를 높이는 방법을 명확하게 보여줄 수 있어야 합니다. 예를 들어, Buzz Solutions는 New York Power Authority(NYPA)와 파트너 관계를 맺었습니다. 검사 및 분석에 필요한 시간을 크게 단축하도록 설계된 AI 기반 플랫폼을 제공합니다. 그 결과 사전에 촬영한 몇 개월이 아니라 몇 시간 또는 며칠 만에 자산 이미지를 분석할 수 있는 프로그램이 탄생했습니다. 이러한 시간 절약 덕분에 NYPA 유지보수 그룹은 수리의 우선순위를 정하고 고장 가능성을 줄일 수 있었습니다.

품질/정확도 – AI/ML 프로그램에 대한 실제 데이터가 부족한 상황에서 기업은 때때로 공백을 메우기 위해 합성 데이터(예: 컴퓨터 알고리즘에 의해 인위적으로 생성된 데이터)를 보완합니다. 이는 대중적인 관행이며, 분석가들은 예측한다. 빠르면 60년까지 AI 개발에 사용되는 모든 데이터의 2024%가 (실제 대신) 합성 데이터가 될 것입니다. 그러나 합성 데이터는 이론적 시나리오에는 적합하지만 필요한 실제 환경에서는 잘 수행되지 않습니다. 실제 데이터(및 고리 안에 갇힌 사람 개입) 자체 수정. 분할이 타당한지 확인하기 위해 공급업체에 실제 데이터와 합성 데이터의 혼합을 요청하는 것을 고려하십시오.

파트너를 선택했다고 해서 작업이 끝나지 않는다는 점을 기억하세요. Gartner의 새로운 아이디어가 정기적으로 개최됩니다.AI 베이크오프” 이벤트 – 각각의 장단점을 평가하기 위해 “제어된 환경에서 스크립팅된 데모와 공통 데이터 세트를 사용하여 공급업체를 나란히 볼 수 있는 빠르게 진행되는 유익한 세션”으로 설명됩니다. 이 프로세스는 유틸리티 비즈니스 목표와 일치하는 AI/ML 알고리즘의 확장성 및 안정성과 직접적으로 관련된 명확한 메트릭을 설정합니다.

유틸리티 산업의 미래에 동력을 공급하다

보다 효율적인 워크플로 통합에서 정교한 AI 이상 탐지에 이르기까지 유틸리티 산업은 몇 년 전보다 훨씬 밝은 길을 걷고 있습니다. 그러나 이러한 혁신은 특히 T&D 검사 의무가 2030년까지 두 배로 설정되고 정부는 에너지 인프라 유지 보수 및 방어를 발표했습니다. 국가 안보의 최우선 과제로.

앞으로 해야 할 일이 더 많지만 언젠가는 이 시기를 업계 리더들이 에너지 그리드의 미래에 투자하고 유틸리티를 현대 시대로 가져오기 위해 나섰던 분수령 기간으로 되돌아볼 것입니다.