Echte partnerschappen vinden: hoe nutsbedrijven leveranciers van kunstmatige intelligentie evalueren

De energiewereld ondergaat enorme veranderingen, waarbij systemen die meer dan een eeuw geleden zijn ontworpen, opnieuw worden bekeken om ruimte te maken voor de opkomst van slimmere, schonere technologieën. Het is een opwindende tijd – vrijwel elke branche elektrificeert op de een of andere manier, elektrische voertuigen (EV's) winnen aan populariteit op de markt en er is een actieve transitie om Distributed Energy Resources (DER's), "kleinschalige energiebronnen" die zich meestal in de buurt van locaties bevinden, te ondersteunen elektriciteitsverbruik, zoals zonnepanelen op het dak en batterijopslag. Dat laatste is een groot probleem, en als de Internationale Energie Associatie (IEA) merkt op, zal de snelle uitbreiding van DER's "niet alleen de manier veranderen waarop elektriciteit wordt opgewekt, maar ook hoe het wordt verhandeld, geleverd en verbruikt".

Voor een waarnemer is al deze verandering positief, duurzaam en al lang geleden. Maar in de praktijk zorgt de snelle versnelling van hernieuwbare energie en elektrificatie voor extra stress en overbelasting van ons net. Naast de druk van hernieuwbare energiebronnen, worden de energiesystemen van de wereld ook geconfronteerd met kritieke uitdagingen als gevolg van extreme weersomstandigheden die verband houden met de aanhoudende klimaatverandering – droogtes in Europa, hittegolven in India, zware winterstormen in de VS – allemaal resulterend in een exponentiële toename van inspectie, onderhoud en reparatiekosten. Leiders in de nutssector zijn nu lasergericht op het vergroten van de modernisering, betrouwbaarheid en veerkracht van het net.

Maak een foto, het gaat langer mee

Voor nutsbedrijven is hun apparatuur vaak hun belangrijkste bezit en vereist constant, nauwgezet onderhoud. Het uitvoeren van dit onderhoud is afhankelijk van een gestage stroom gegevens (meestal in de vorm van afbeeldingen) die hulpprogramma's kunnen analyseren om operationele afwijkingen op te sporen. Het verzamelen van die gegevens gebeurt op veel manieren, van drones en vliegtuigen met vaste vleugels tot lijnwerkers die fysiek over de locatie lopen. En met nieuwe technologie zoals UAV's/drones en helikoptercamera's met hoge resolutie is de enorme hoeveelheid gegevens astronomisch toegenomen. We weten uit onze gesprekken met veel nutsbedrijven dat nutsbedrijven nu 5 tot 10 keer zoveel gegevens verzamelen als de afgelopen jaren.

Al deze gegevens maken de toch al trage werkcyclus van inspecties nog trager. Gemiddeld besteden nutsbedrijven het equivalent van 6-8 maanden arbeidsuren per jaar aan het analyseren van inspectiegegevens. (Geleverd door klantinterview van West Coast Utility van nutsbedrijf dat 10 miljoen beelden per jaar verzamelt) Een belangrijke reden voor deze overvloed is dat deze analyse nog steeds grotendeels handmatig wordt uitgevoerd, en wanneer een bedrijf elk jaar miljoenen inspectiebeelden vastlegt, wordt het proces enorm onschaalbaar. Analyseren op afwijkingen is zelfs zo tijdrovend dat de meeste gegevens verouderd zijn tegen de tijd dat ze daadwerkelijk worden beoordeeld, wat op zijn best leidt tot onnauwkeurige informatie en in het slechtste geval tot herhaalde inspecties of gevaarlijke omstandigheden. Dit is een groot probleem, met grote risico's. Analisten schatten dat de energiesector elk jaar 170 miljard dollar verliest door netwerkstoringen, gedwongen sluitingen en massale rampen.

Bouwen aan het hulpprogramma van de toekomst met AI-aangedreven infrastructuurinspecties

Om ons netwerk betrouwbaarder en veerkrachtiger te maken zijn twee dingen nodig: geld en tijd. Gelukkig kunnen nieuwe technologie en innovatie hier helpen het inspectieproces te stroomlijnen. De impact van kunstmatige intelligentie (AI) en machine learning (ML) op de nutssector kan niet genoeg worden benadrukt. AI/ML voelt zich helemaal thuis in deze datarijke omgeving, en naarmate de hoeveelheid data groter wordt, wordt het vermogen van AI om bergen informatie te vertalen in betekenisvolle inzichten steeds beter. Volgens Utility Dive, is er "al een brede overeenstemming in de branche dat [AI/ML] het potentieel heeft om apparatuur te identificeren die het risico loopt defect te raken op een manier die veel sneller en veiliger is dan de huidige methode", die berust op handmatige inspecties.

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

3 Dingen om te overwegen bij het evalueren van potentiële AI/ML-partners

Bij het zoeken naar een AI/ML-partner zijn daden belangrijker dan woorden. Er zijn veel gelikte bedrijven die misschien de maan beloven, maar leiders van nutsbedrijven zouden verschillende belangrijke statistieken moeten doornemen om de impact nauwkeurig te evalueren. Een van de belangrijkste is hoe de leverancier beschrijft/levert:

Groei van het model in de tijd – Het bouwen van gevarieerde datasets (gegevens met veel afwijkingen om te analyseren) kost veel tijd (vaak meerdere jaren) en bepaalde soorten afwijkingen komen niet vaak genoeg voor om een ​​succesvol AI-model te trainen. Het trainen van een algoritme om zaken als rot, spechtgaten of verroeste dempers te herkennen, kan bijvoorbeeld een uitdaging zijn als ze niet vaak voorkomen in uw regio. Vraag de AI/ML-leverancier dus niet alleen naar de kwantiteit van hun datasets, maar ook naar de kwaliteit en variëteit ervan.

Speed – Tijd is geld, en elke gerenommeerde AI/ML-leverancier zou duidelijk moeten kunnen aantonen hoe hun aanbod het inspectieproces versnelt. Bijvoorbeeld, Buzz Solutions werkt samen met de New York Power Authority (NYPA) om een ​​op AI gebaseerd platform te leveren dat is ontworpen om de tijd die nodig is voor inspectie en analyse aanzienlijk te verkorten. Het resultaat was een programma dat afbeeldingen van activa in uren of dagen kon analyseren, in plaats van maanden daarvoor. Dankzij deze tijdsbesparing konden NYPA-onderhoudsgroepen prioriteit geven aan reparaties en de kans op storingen verkleinen.

Kwaliteit/nauwkeurigheid – Bij gebrek aan echte gegevens voor AI/ML-programma's vullen bedrijven soms synthetische gegevens aan (dat wil zeggen gegevens die kunstmatig zijn gecreëerd door computeralgoritmen) om lacunes op te vullen. Het is een populaire praktijk, en analisten voorspellen dat 60% van alle gegevens die worden gebruikt bij de ontwikkeling van AI tegen 2024 synthetisch (in plaats van echt) zal zijn. Maar hoewel synthetische gegevens goed zijn voor theoretische scenario's, presteren ze niet goed in echte omgevingen waar je nodig hebt gegevens uit de echte wereld (en mens-in-the-loop interventies) om zichzelf te corrigeren. Overweeg om de leverancier te vragen naar hun mix van echte versus synthetische data om er zeker van te zijn dat de splitsing logisch is.

En vergeet niet dat het werk niet stopt als je eenmaal je partner hebt gekozen. Een nieuw idee van Gartner houdt regelmatig “AI Bake Off”-evenementen - beschreven als "snelle, informatieve sessies waarin u leveranciers naast elkaar kunt zien met behulp van gescripte demo's en een gemeenschappelijke dataset in een gecontroleerde omgeving" om de sterke en zwakke punten van elk te evalueren. Dit proces stelt duidelijke statistieken vast die rechtstreeks verband houden met de schaalbaarheid en betrouwbaarheid van de AI/ML-algoritmen die vervolgens worden afgestemd op de zakelijke doelstellingen van nutsbedrijven.

De toekomst van de utiliteitsindustrie aandrijven

Van efficiëntere workflow-integraties tot geavanceerde AI-afwijkingsdetectie, de nutssector is op een veel betere weg dan een paar jaar geleden. Deze innovatie zal echter moeten worden voortgezet, vooral omdat de T&D-inspectiemandaten tegen 2030 zullen verdubbelen de regering kondigde het onderhoud en de defensie van de energie-infrastructuur aan als hoogste nationale veiligheidsprioriteiten.

Er is meer werk in het verschiet, maar op een dag zullen we op deze tijd terugkijken als een keerpunt, een moment waarop marktleiders naar voren kwamen om te investeren in de toekomst van ons energienetwerk en nutsvoorzieningen naar het moderne tijdperk te brengen.