Buzz Solutions Haalt $20 Miljoen Op in Serie A om AI-aangestuurde Grid Intelligentie uit te breiden

Buzz Solutions heeft $20 miljoen opgehaald in een overtekende Serie A financieringsronde, omdat nutsbedrijven snellere manieren zoeken om energie-infrastructuur te inspecteren, te onderhouden en te versterken.

S3 Ventures leidde de ronde, met een aanzienlijke vervolginvestering van GoPoint Ventures. Bestaande investeerders HearstLab en Blackhorn Ventures namen ook deel. Buzz Solutions zei dat het kapitaal de productontwikkeling, de uitbreiding van het go-to-marketteam en diepere inzetten bij nutsbedrijven zal ondersteunen.

Het in Palo Alto gevestigde bedrijf ontwikkelt artificiële intelligentie software die visuele inspectiegegevens analyseert die zijn verzameld van infrastructuur zoals hoogspanningslijnen, schakelstations en zonne-installaties op nutsbedrijfschaal. Klanten zijn onder andere Dominion Energy (D ), American Electric Power (AEP ) en de New York Power Authority.

Gridinspectie voorbij handmatige beeldanalyse

Nutsbedrijven hebben steeds vaker drones, helikopters, vaste-vleugelvliegtuigen, thermische cameras en andere beeldvormingssystemen gebruikt om infrastructuur te inspecteren. Deze technologieën kunnen veel meer gegevens verzamelen dan traditionele terreininspecties, maar ze creëren ook een nieuwe uitdaging: het verwerken van duizenden of zelfs miljoenen beelden snel genoeg om onderhoudsbeslissingen te beïnvloeden.

Het PowerAI-platform van Buzz Solutions is ontworpen om die bottleneck aan te pakken. Het verwerkt beelden van lucht- en grondgebaseerde inspectieprogramma’s, koppelt beelden aan specifieke structuren, identificeert potentiële defecten en helpt problemen te rangschikken op basis van hun ernst.

Het platform kan RGB- en thermische beelden analyseren op problemen zoals beschadigde palen, verouderde kruisarmen, oververhitte transformatoren, vegetatie-inbreuk, schade aan isolatoren en vogelnesten. De resultaten kunnen vervolgens worden doorgegeven aan geografische informatiesystemen, werkorderplatforms en assetsbeheersoftware via integraties en application programming interfaces.

Deze workflow is belangrijk omdat het identificeren van een defect slechts een deel is van infrastructuurbeheer. Nutsbedrijven moeten ook bepalen waar het getroffen asset zich bevindt, beoordelen hoe dringend het aandacht nodig heeft, werk toewijzen en de toestand van dat asset in de loop van de tijd volgen.

PowerAI combineert computerzicht met menselijke toezicht

Buzz Solutions zegt dat zijn modellen zijn afgestemd met meer dan een decennium aan nutsbedrijfsbeelden in plaats van alleen getraind te zijn op kleinere demonstratiedatasets. Het platform bevat momenteel meer dan 50 artificiële intelligentiemodellen en kan meer dan 5,8 beelden per seconde verwerken, op basis van cijfers die door het bedrijf zijn gepubliceerd.

PowerAI bevat ook human-in-the-loop beoordelingsmogelijkheden. Inspecteurs kunnen detecties valideren, modeluitvoer corrigeren en de nauwkeurigheid verbeteren terwijl het systeem meer infrastructuurtypes en bedrijfsomstandigheden tegenkomt.

Deze combinatie van automatisering en menselijke beoordeling is bijzonder relevant in nutsbedrijfsomgevingen, waar valse positieven onnodig terreinwerk kunnen creëren, terwijl een gemiste defect kan bijdragen aan apparatuurfalen, storingen of veiligheidsrisico’s.

Buzz biedt verschillende versies van het platform aan. Nutsbedrijven kunnen beginnen met centrale inspectiegegevensbeheer en handmatige beoordeling voordat ze overgaan op geautomatiseerde beeldanalyse, geografische informatiesystemenkaarten, geavanceerde analyses en integraties met werk- en assetsbeheersystemen.

Het platform uitbreiden over de hele grid

PowerAI was oorspronkelijk gericht op transmissie- en distributie-infrastructuur, maar Buzz Solutions heeft het platform uitgebreid naar schakelstations en zonne-installaties op nutsbedrijfschaal.

Voor distributienetwerken kan de software inspectiebeelden koppelen aan individuele palen en structuren voordat ze worden geanalyseerd op beschadigde hardware, transformatieproblemen of vegetatiegevaren. Transmissieteams kunnen het platform op dezelfde manier gebruiken om assets te inventariseren en toestandsveranderingen over grote netwerken te volgen.

Bij schakelstations gebruikt het bedrijf beelden van vaste cameras en aangemeerde drones om beveiligingsgebeurtenissen, veiligheidszorgen en apparatuurtoestanden te bewaken. Optische en thermische video kan worden geanalyseerd op gebeurtenissen zoals ongeoorloofde toegang, rook, brand of abnormale warmte-kenmerken, met waarschuwingen die worden geleverd via dashboards, e-mail of sms-berichten. Implementaties kunnen cloud-gebaseerd of on-premises worden geïnstalleerd, afhankelijk van de operationele en cybersecurity-eisen van een nutsbedrijf.

Het zonne-aanbod past computerzicht toe op door drones verzamelde RGB- en thermische beelden. Het is bedoeld om operators te helpen om hotspots, paneelbreuken en stringstoringen te identificeren voordat deze problemen de output aanzienlijk verminderen.

Nutsbedrijfimplementaties gaan verder dan kleine proefprojecten

Buzz Solutions zei dat het aantal klanten in het afgelopen jaar is verdrievoudigd, terwijl de omzet met 400% is gestegen. Het bedrijf heeft ook verschillende voorbeelden gepubliceerd van nutsbedrijven die het platform gebruiken voor grotere inspectieprogramma’s.

Dominion Energy gebruikte PowerAI om 74.000 beelden te verwerken die ongeveer 47.000 transmissietorens in drie en een half uur besloegen, volgens Buzz Solutions. AEP Texas heeft het platform gebruikt om meer dan 88.000 beelden te analyseren terwijl het probeert om inspectiecycli te verkorten over een distributiegebied dat wordt blootgesteld aan orkanen en bosbranden.

De New York Power Authority heeft inspectieresultaten geïntegreerd met Esri, IBM Maximo en zijn interne mediasystemen. Buzz Solutions meldt dat het nutsbedrijf de handmatige analyse-tijd met 70% heeft verminderd, waardoor grote volumes inspectiebeelden in uren of dagen kunnen worden geëvalueerd in plaats van maanden.

Deze implementaties illustreren de bredere verschuiving die momenteel plaatsvindt in nutsbedrijfsartificiële intelligentieprogramma’s. In plaats van geïsoleerde modellen te evalueren, beginnen sommige nutsbedrijven artificiële intelligentie-analyse rechtstreeks te verbinden met assetrecords, onderhoudsprioriteiten en bestaande operationele systemen.

Stijgende elektriciteitsvraag voegt urgentie toe

De financiering komt op een moment dat de Verenigde Staten een periode van hernieuwde elektriciteitsvraaggroei ingaan. Het Amerikaanse Energy (USEG ) Information Administration rapporteerde dat het nationale elektriciteitsverbruik gemiddeld met 2,1% per jaar is gestegen in de afgelopen vijf jaar, met servers voor datacenters als een belangrijke bijdrage.

Het agentschap verwacht dat het elektriciteitsverbruik zal blijven stijgen tot 2050, waarmee een periode van meer dan een decennium van relatief platte vraag wordt omgekeerd.

Artificiële intelligentie-datacenters zijn slechts één bron van druk. Nutsbedrijven moeten ook hernieuwbare generatie aansluiten, ondersteuning bieden voor vervoer en industriële elektrificatie, reageren op extreme weersomstandigheden en infrastructuur onderhouden die mogelijk al decennialang in bedrijf is.

Het bouwen van nieuwe generatie- en transmissiecapaciteit blijft essentieel, maar nutsbedrijven moeten ook meer betrouwbaarheid uit bestaande infrastructuur halen. Een eerder identificeren van verouderende apparatuur kan onderhoudsteams in staat stellen om problemen aan te pakken voordat ze uitvallen, veiligheidsincidenten of dure noodreparaties worden.

De toekomst van AI-ondersteund gridbeheer

De bredere betekenis van platforms zoals PowerAI ligt in de manier waarop ze het beheer van infrastructuur door nutsbedrijven in de loop van de tijd kunnen veranderen. Vandaag blijven veel inspectieprogramma’s periodiek en reactief, met assets die op vaste schema’s of na stormen, uitvallen en apparatuurfalen worden geïnspecteerd. Naarmate visuele gegevens gemakkelijker te verzamelen en te analyseren worden, kunnen nutsbedrijven mogelijk naar een meer continue, risicogebaseerde onderhoudsmethode gaan.

In dat model zal artificiële intelligentie helpen om subtiele veranderingen in de toestand van assets te identificeren, huidige beelden te vergelijken met eerdere inspecties en apparatuur te benadrukken die sneller dan verwacht lijkt te verslechteren. Onderhoudsplanningen kunnen dan minder worden gebaseerd op leeftijd of routine-inspectiecycli en meer op de werkelijke toestand en risicoprofiel van elk asset.

De technologie kan ook waardevoller worden naarmate nutsbedrijven grotere vloten van drones, vaste cameras, thermische sensoren en andere bewakingsystemen inzetten. Zonder geautomatiseerde analyse kan het volume aan gegevens dat door deze tools wordt gegenereerd, inspectieteam overspoelen. AI-systemen kunnen steeds vaker dienen als een filterlaag, waarbij menselijke experts worden gericht op de beelden, assets en afwijkingen die het meest aandacht nodig hebben.

Na verloop van tijd kunnen deze mogelijkheden meer gedetailleerde digitale voorstellingen van de grid ondersteunen, waarbij visuele inspecties worden gecombineerd met weergegevens, uitvalgeschiedenissen, vegetatieomstandigheden en onderhoudsrecords. Dit kan nutsbedrijven in staat stellen om te modelleren hoe individuele defecten de bredere netwerken kunnen beïnvloeden en prioriteit te geven aan reparaties op basis van hun potentiële impact op betrouwbaarheid en openbare veiligheid.

De verschuiving zal ook belangrijke vragen oproepen over modelnauwkeurigheid, cybersecurity, transparantie en verantwoordelijkheid. Nutsbedrijven moeten begrijpen waarom een systeem een bepaald asset heeft gemarkeerd, hoe zeker het is van die beoordeling en wanneer menselijke beoordeling vereist is. Omdat beslissingen kritieke infrastructuur betreffen, zullen AI-aanbevelingen waarschijnlijk deel blijven uitmaken van een begeleid proces in plaats van volledig autonoom te worden.

Als deze uitdagingen kunnen worden aangepakt, kan computerzicht evolueren van een hulpmiddel voor het beoordelen van inspectiebeelden naar een meer centraal onderdeel van gridplanning en -onderhoud. De langetermijneffecten zullen niet noodzakelijkerwijs minder inspecteurs zijn, maar een verandering in de manier waarop hun tijd wordt gebruikt, met meer aandacht gericht op de assets en locaties waar interventie het grootste verschil kan maken.