Å finne ekte samarbeid: Hvordan strømselskaper vurderer leverandører av kunstig intelligens

Verden innen energi gjennomgår en massiv forandring, og man tenker om igjen systemer som ble designet for over et århundre siden for å gi plass til oppblomstringen av smartere, renere teknologier. Dette er en spennende tid – nesten hver bransje elektrifiseres på en eller annen måte, elektriske kjøretøy (EV) vinner markedsandeler, og det pågår en aktiv overgang for å støtte distribuerte energikilder (DER), “småskalae energikilder” som vanligvis er plassert nær steder der strøm brukes, som solceller på taket og batterilagring. Det siste er en stor sak, og som Den internasjonale energiorganisasjonen (IEA) påpeker, vil den raske utvidelsen av DER “forvandle ikke bare hvordan strøm produseres, men også hvordan den handles, leveres og forbrukes” fremover.

For en observatør er all denne forandringen positiv, bærekraftig og lenge overdue. Men praktisk talt skaper den raske akselerasjonen av fornybar energi og elektrifisering ekstra stress og belaster grensene for vårt strømnett. I tillegg til presset fra fornybar energi, møter verdens kraftsystemer også kritiske utfordringer fra ekstreme værhendelser relatert til pågående klimaendringer – tørke i Europa, hetebølger i India, alvorlige vinterstormer i USA – alt dette resulterer i en eksponentiell økning i inspeksjons-, vedlikeholds- og reparasjonskostnader. Ledere i strømselskapene er nå fokusert på å øke strømnettets modernisering, pålitelighet og motstandskraft.

Take a Picture, It’ll Last Longer

For strømselskaper er deres utstyr ofte deres viktigste aktivum og krever konstant, omhyggelig vedlikehold. Utføringen av dette vedlikeholdet avhenger av en jevn strøm av data (vanligvis i form av bilder) som strømselskapene kan analysere for å oppdage operative anomali. Innsamlingen av disse dataene gjøres på mange måter, fra droner og faste fly, til linjearbeidere som fysisk går på stedet. Og med ny teknologi som UAV/droner og høyoppløselige helikopterkameraer, har mengden data økt astronomisk. Vi vet fra våre samtaler med mange strømselskaper at strømselskapene nå samler inn 5-10 ganger så mye data som de har samlet inn de siste årene.

All denne dataen gjør det allerede langsomme arbeidskretsen for inspeksjoner enda langsommere. I gjennomsnitt bruker strømselskapene det ekvivalente av 6-8 måneders arbeidstid per år på å analysere inspeksjonsdata. (Levert av en vestkyst-strømselskapkunde fra strømselskap som samler inn 10 millioner bilder per år) En stor årsak til denne overskuddet er at denne analysen fortsatt i stor grad gjøres manuelt, og når et selskap samler inn millioner av inspeksjonsbilder hvert år, blir prosessen veldig uskalerbar. Analysering for anomali er så tidkrevende at de fleste av dataene er foreldet når de faktisk blir gjennomgått, noe som fører til uriktige opplysninger i beste fall og gjentakende inspeksjoner eller farlige forhold i verste fall. Dette er et stort problem, med høye risikoer. Analytikerne estimerer at strømsektoren taper 170 milliarder dollar hvert år på grunn av nettverksfeil, tvungne nedleggninger og masseulykker.

Bygging av strømselskapets fremtid med AI-drevne infrastrukturinspeksjoner

Å gjøre vårt strømnett mer pålitelig og motstandsdyktig vil kreve to ting – penger og tid. Heldigvis er dette der ny teknologi og innovasjon kan hjelpe med å strømlinje inspeksjonsprosessen. Virkningen av kunstig intelligens (AI) og maskinlæring (ML) på strømselskapene kan ikke overdrives. AI/ML er hjemme i denne datarike miljøet, og jo større datamengden blir, jo bedre blir AI sin evne til å oversette fjell av informasjon til meningsfulle innsikter. Ifølge Utility Dive, er det “allerede en bred enighet i bransjen om at [AI/ML] har potensialet til å identifisere utstyr som er i fare for å svikte på en måte som er mye raskere og tryggere enn den nåværende metoden” som avhenger av manuelle inspeksjoner.

Selv om løftet fra denne teknologien er ubestridt, er bygging av et eget tilpasset AI/ML-program internt en langsom, arbeidskrevende prosess full av komplikasjoner og hindringer. Disse utfordringene har ført til at mange strømselskaper søker ekstra støtte fra eksterne konsulenter og leverandører.

3 ting å vurdere når du vurderer potensielle AI/ML-partnere

Når du søker etter en AI/ML-partner, teller handlinger mer enn ord. Det er mange glatte selskaper der ute som kan love månen, men strømselskapsledere bør fokusere på flere viktige målinger for å kunne vurdere effekten nøyaktig. Blant de viktigste er hvordan leverandøren beskriver/leverer:

Vekst av modellen over tid – Bygging av varierte datasett (data som har mye anomali å analysere) tar en betydelig mengde tid (ofte flere år) og visse typer anomali skjer ikke ofte nok til å trene en vellykket AI-modell. For eksempel kan trening av en algoritme for å spore ting som råte, hakkespetthull eller rustne dempere være utfordrende hvis de ikke skjer ofte i din region. Så, vær sikker på å spørre AI/ML-leverandøren ikke bare om mengden av deres datasett, men også kvaliteten og variasjonen.

Hastighet – Tid er penger, og enhver seriøs AI/ML-leverandør bør kunne vise tydelig hvordan deres tilbud akselerer inspeksjonsprosessen. For eksempel Buzz Solutions samarbeidet med New York Power Authority (NYPA) for å levere en AI-basert plattform designet for å redusere tiden det tar å inspisere og analysere. Resultatet var et program som kunne analysere bilde av aktiva på timer eller dager, i stedet for månedene det hadde tatt tidligere. Denne tidsbesparelsen tillot NYPA-vedlikeholdgrupper å prioritere reparasjoner og redusere risikoen for feil.

Kvalitet/nøyaktighet – I fravær av ekte data for AI/ML-programmer, supplerer noen selskaper syntetisk data (dvs. data som er kunstig skapt av datamaskinalgoritmer) for å fylle hull. Dette er en vanlig praksis, og analytikerne forutser at 60% av all data som brukes i utviklingen av AI vil være syntetisk (i stedet for ekte) allerede i 2024. Men mens syntetisk data er bra for teoretiske scenarier, fungerer det ikke bra i sanntidsmiljøer hvor du trenger sanntidsdata (og menneskelig intervensjon) for å korrigere selv. Vurdér å spørre leverandøren om deres blandingsforhold mellom ekte og syntetisk data for å sikre at fordelingen har mening.

Og husk, arbeidet stopper ikke en gang du har valgt din partner. En ny idé fra Gartner er å holde regelmessige “AI Bake-Off“-arrangementer – beskrevet som “hurtige, informative sesjoner som lar deg se leverandører side om side med skriptede demonstrasjoner og en felles datasett i en kontrollert setting” for å vurdere styrkene og svakhetene til hver. Denne prosessen etablerer klare målinger som er direkte relatert til skalerbarheten og påliteligheten til AI/ML-algoritmene som deretter samsvare med strømselskapsmål.

Strømforsyning til fremtiden for strømselskapene

Fra mer effektive arbeidsflyt-integrasjoner til sofistikert AI-anomali-deteksjon, er strømselskapsbransjen på en mye lysere vei enn bare noen få år siden. Denne innovasjonen må fortsette likevel, spesielt siden T&D-inspeksjonsdirektivene er satt til å dobles frem til 2030 og regjeringen kunngjorde energi-infrastruktur-vedlikehold og -forsvar som topp nasjonale sikkerhetsprioriteter.

Det er mer arbeid å gjøre, men en dag vil vi se tilbake på denne tiden som et vendepunkt, et øyeblikk da bransjeledere trådde frem for å investere i fremtiden til vårt strømnett og bringe strømselskapene inn i den moderne æraen.