Echte partnerschappen vinden: hoe nutsbedrijven artificial intelligence-leveranciers beoordelen

De energiewereld ondergaat een enorme verandering, waarbij systemen die meer dan een eeuw geleden zijn ontworpen, worden herzien om plaats te maken voor slimmere, schoner technologieën. Het is een spannende tijd – vrijwel elke industrie wordt op de een of andere manier geëlektrificeerd, elektrische voertuigen (EV’s) winnen marktaandeel en er is een actieve overgang naar ondersteuning van gedistribueerde energiebronnen (DER’s), “kleinschalige energiebronnen” die meestal in de buurt van verbruikslocaties zijn gelegen, zoals zonnepanelen op daken en batterijopslag. Dat laatste is een grote zaak, en zoals de Internationale Energie Associatie (IEA) opmerkt, zal de snelle uitbreiding van DER’s “niet alleen de manier waarop elektriciteit wordt opgewekt veranderen, maar ook de manier waarop het wordt verhandeld, geleverd en verbruikt” in de toekomst.

Voor een toeschouwer is alle verandering positief, duurzaam en lang overduur. Maar in praktische zin creëert de snelle versnelling van hernieuwbare energie en elektrificatie extra stress en belast de limieten van ons netwerk. Naast de druk van hernieuwbare energiebronnen, staan de wereldwijde energiesystemen ook voor kritieke uitdagingen van extreme weersomstandigheden als gevolg van de voortdurende klimaatverandering – droogtes in Europa, hittegolven in India, zware winterstormen in de VS – allemaal resulterend in een exponentiële stijging van inspectie-, onderhouds- en reparatiekosten. Leiders in de nutssector zijn nu gefocust op het verhogen van de modernisering, betrouwbaarheid en veerkracht van het netwerk.

Maak een foto, het duurt langer

Voor nutsbedrijven is hun apparatuur vaak hun belangrijkste activum en vereist constante, zorgvuldige onderhoud. Het uitvoeren van dit onderhoud is afhankelijk van een constante stroom van gegevens (meestal in de vorm van afbeeldingen) die nutsbedrijven kunnen analyseren om operationele afwijkingen te detecteren. Het verzamelen van deze gegevens gebeurt op veel manieren, van drones en vaste-vleugelvliegtuigen tot lijnwerkers die fysiek de site bezoeken. En met nieuwe technologieën zoals UAV’s/drones en hoge-resolutiehelikoptercamera’s, is de hoeveelheid gegevens astronomisch toegenomen. We weten uit onze gesprekken met veel nutsbedrijven dat nutsbedrijven nu 5-10 keer meer gegevens verzamelen dan in recente jaren.

Al deze gegevens maken de al langzame werkcyclus van inspecties nog langzamer. Gemiddeld besteden nutsbedrijven het equivalent van 6-8 maanden arbeidsuren per jaar aan het analyseren van inspectiegegevens. (Verstrekt door West Coast-nutsklantinterview van nutsbedrijf dat 10 miljoen afbeeldingen per jaar verzamelt) Een belangrijke reden voor deze overbelasting is dat deze analyse nog steeds grotendeels handmatig wordt uitgevoerd, en wanneer een bedrijf miljoenen inspectieafbeeldingen per jaar verzamelt, wordt het proces onbeheersbaar. Het analyseren van afwijkingen is zo tijdrovend dat de meeste gegevens verouderd zijn tegen de tijd dat ze daadwerkelijk worden beoordeeld, waardoor onnauwkeurige informatie ontstaat, en in het ergste geval herinspecties of gevaarlijke situaties. Dit is een groot probleem, met hoge risico’s. Analisten schatten dat de energiesector jaarlijks 170 miljard dollar verliest als gevolg van netwerkfalen, gedwongen stilleggingen en massale rampen.

De bouw van de nutssector van de toekomst met AI-gepowered infrastructuurinspecties

Het maken van ons netwerk betrouwbaarder en veerkrachtiger zal twee dingen vergen – geld en tijd. Gelukkig kan nieuwe technologie en innovatie helpen bij het stroomlijnen van het inspectieproces. De impact van kunstmatige intelligentie (AI) en machine learning (ML) op de nutssector kan niet worden overschat. AI/ML is perfect thuis in deze data-rijke omgeving, en naarmate de hoeveelheid gegevens groter wordt, wordt de mogelijkheid van AI om bergen aan informatie om te zetten in waardevolle inzichten beter. Volgens Utility Dive is er “al een brede overeenstemming in de industrie dat [AI/ML] het potentieel heeft om apparatuur te identificeren die het risico loopt te falen op een manier die veel sneller en veiliger is dan de huidige methode” die afhankelijk is van handmatige inspecties.

Hoewel de belofte van deze technologie onbetwist is, is het bouwen van uw eigen aangepaste AI/ML-programma in-house een langzaam, arbeidsintensief proces vol complicaties en obstakels. Deze uitdagingen hebben ertoe geleid dat veel nutsbedrijven externe ondersteuning zoeken van consultants en leveranciers.

3 dingen om te overwegen bij het evalueren van potentiële AI/ML-partner

Bij het zoeken naar een AI/ML-partner, tellen daden meer dan woorden. Er zijn veel gladde bedrijven die de maan kunnen beloven, maar nutsleiders moeten zich concentreren op enkele belangrijke metrics om de impact nauwkeurig te evalueren. Onder de meest belangrijke is hoe de leverancier het beschrijft/levert:

Groei van het model in de loop van de tijd – Het opbouwen van gevarieerde datasets (gegevens met veel afwijkingen om te analyseren) neemt veel tijd in beslag (vaak meerdere jaren) en bepaalde soorten afwijkingen komen niet vaak genoeg voor om een succesvol AI-model te trainen. Bijvoorbeeld, het trainen van een algoritme om dingen zoals rot, houtwormgaten of roestige dempers te detecteren, kan moeilijk zijn als ze niet vaak genoeg voorkomen in uw regio. Vraag de AI/ML-leverancier dus niet alleen naar de hoeveelheid van hun datasets, maar ook naar de kwaliteit en variatie.

Snelheid – Tijd is geld, en elke betrouwbare AI/ML-leverancier moet duidelijk kunnen aantonen hoe hun aanbod het inspectieproces versnelt. Bijvoorbeeld, Buzz Solutions werkte samen met de New York Power Authority (NYPA) om een AI-gebaseerd platform te leveren dat ontworpen is om de tijd die nodig is voor inspectie en analyse aanzienlijk te verminderen. Het resultaat was een programma dat asset-afbeeldingen in uren of dagen kon analyseren, in plaats van de maanden die het daarvoor had geduurd. Deze tijdsbesparing stelde de NYPA-onderhoudsgroepen in staat om reparaties te prioriteren en het potentieel voor falen te verminderen.

Kwaliteit/accuraatheid – In het gebrek aan echte gegevens voor AI/ML-programma’s, vullen bedrijven soms synthetische gegevens (d.w.z. gegevens die kunstmatig zijn gegenereerd door computeralgoritmes) aan om gaten te vullen. Het is een populaire praktijk, en analisten voorspellen dat 60% van alle gegevens die worden gebruikt in de ontwikkeling van AI synthetisch (in plaats van echt) zullen zijn tegen 2024. Maar terwijl synthetische gegevens goed zijn voor theoretische scenario’s, presteren ze niet goed in echte omgevingen waar echte gegevens (en menselijke interventies) nodig zijn om zichzelf te corrigeren. Vraag de leverancier naar hun mengsel van echte en synthetische gegevens om ervoor te zorgen dat de verdeling zin heeft.

En onthoud, het werk eindigt niet zodra u uw partner heeft geselecteerd. Een nieuw idee van Gartner is het houden van regelmatige “AI Bake-Off“-evenementen – beschreven als “snel, informatieve sessies die u toelaten om leveranciers naast elkaar te zien met behulp van geschreven demo’s en een gemeenschappelijke dataset in een gecontroleerde omgeving” om de sterkte en zwakte van elke leverancier te evalueren. Dit proces stelt duidelijke metrics vast die rechtstreeks gerelateerd zijn aan de schaalbaarheid en betrouwbaarheid van de AI/ML-algoritmes die vervolgens aansluiten bij de zakelijke doelen van de nutssector.

De toekomst van de nutssector

Van efficiëntere workflow-integraties tot geavanceerde AI-afwijkingdetectie, de nutssector is op een veel helderder pad dan een paar jaar geleden. Deze innovatie zal echter moeten doorgaan, vooral omdat T&D-inspectie-mandaten tegen 2030 moeten verdubbelen en de overheid energie-infrastructuuronderhoud en -verdediging als topprioriteit voor de nationale veiligheid heeft aangekondigd.

Er is nog veel werk aan de winkel, maar op een dag zullen we terugkijken op deze tijd als een keerpunt, een moment waarop industrieleiders stappen hebben ondernomen om te investeren in de toekomst van ons energienetwerk en nutsbedrijven naar de moderne tijd te brengen.