Znajdując prawdziwe partnerstwa: Jak firmy energetyczne oceniają dostawców sztucznej inteligencji

Świat energetyki przechodzi ogromne zmiany, przebudowując systemy stworzone ponad wiek temu, aby zrobić miejsce dla rozwoju inteligentniejszych i czystszych technologii. To ekscytujący czas – praktycznie każda branża elektryfikuje się w jakiś sposób, pojazdy elektryczne (EV) zyskują na popularności, a przejście na wsparcie rozproszonych źródeł energii (DER) jest aktywne. Ostatnie z nich jest bardzo ważne, a jak podkreśla Międzynarodowe Stowarzyszenie Energetyki (IEA), szybki rozwój DER „zmieni nie tylko sposób wytwarzania energii elektrycznej, ale także sposób jej handlu, dostarczania i konsumpcji” w przyszłości.

Dla obserwatora, wszystkie te zmiany są pozytywne, zrównoważone i długo oczekiwane. Ale praktycznie rzecz biorąc, szybka ekspansja energii odnawialnej i elektryfikacji powoduje dodatkowy stres i naprężenie granic naszej sieci. Wraz z presją ze strony odnawialnych źródeł energii, światowy system energetyczny stoi również przed krytycznymi wyzwaniami ze strony ekstremalnych zjawisk pogodowych związanych z trwającymi zmianami klimatycznymi – susze w Europie, fale upałów w Indiach, ciężkie zimowe burze w USA – wszystko to skutkuje wykładniczym wzrostem kosztów inspekcji, konserwacji i napraw. Liderzy sektora energetycznego są teraz skupieni na zwiększaniu modernizacji, niezawodności i odporności sieci.

Zrób zdjęcie, będzie trwało dłużej

Dla firm energetycznych, ich sprzęt jest często najważniejszym aktywem i wymaga stałej, starannej konserwacji. Wykonywanie tej konserwacji zależy od stałego strumienia danych (zwykle w postaci zdjęć), które firmy energetyczne mogą analizować, aby wykryć anomalie operacyjne. Gromadzenie tych danych odbywa się na wiele sposobów, od dronów i samolotów, po pracowników fizycznie przechadzających się po terenie. A z nowymi technologiami, takimi jak UAV/drony i kamery helikopterowe o wysokiej rozdzielczości, ilość danych wzrosła astronomicznie. Wiemy z naszych rozmów z wieloma firmami energetycznymi, że firmy te gromadzą obecnie 5-10 razy więcej danych niż w ostatnich latach.

Wszystkie te dane sprawiają, że już wolny cykl pracy inspekcji staje się jeszcze wolniejszy. Średnio, firmy energetyczne spędzają równowartość 6-8 miesięcy godzin pracy rocznie na analizę danych inspekcji. (Dane pochodzą z wywiadu z klientem firmy energetycznej z Zachodniego Wybrzeża, który zbiera 10 milionów zdjęć rocznie) Dużym powodem tego zatoru jest to, że analiza ta jest nadal wykonywana ręcznie, a gdy firma zbiera miliony zdjęć inspekcji każdego roku, proces staje się niezwykle nie skalowalny. Analiza anomalii jest tak czasochłonna, że większość danych jest przestarzała, zanim jest rzeczywiście przeanalizowana, co prowadzi do nieprecyzyjnych informacji, a nawet do powtarzających się inspekcji lub niebezpiecznych warunków. To jest duży problem, z wysokimi ryzykami. Analitycy szacują, że sektor energetyczny traci 170 miliardów dolarów rocznie z powodu awarii sieci, przymusowych wyłączeń i katastrof.

Budowanie przyszłości sektora energetycznego z wykorzystaniem sztucznej inteligencji w inspekcjach infrastruktury

Zwiększanie niezawodności i odporności naszej sieci wymaga dwóch rzeczy – pieniędzy i czasu. Na szczęście to właśnie tutaj nowe technologie i innowacje mogą pomóc w usprawnieniu procesu inspekcji. Wpływ sztucznej inteligencji (AI) i uczenia maszynowego (ML) na sektor energetyczny nie może być przeceniony. AI/ML jest idealnie dopasowane do tego środowiska bogatego w dane, a im większa ilość danych, tym lepiej AI potrafi przekształcić góry informacji w znaczące spostrzeżenia. Według Utility Dive, „już jest powszechna zgoda w branży, że [AI/ML] ma potencjał identyfikowania sprzętu, który jest narażony na awarie w sposób znacznie szybszy i bezpieczniejszy niż obecna metoda” oparta na inspekcjach ręcznych.

Chociaż obietnica tej technologii jest niepodważalna, budowanie własnego, dostosowanego programu AI/ML wewnętrznie jest powolnym, pracochłonnym procesem pełnym komplikacji i przeszkód. Te wyzwania spowodowały, że wiele firm energetycznych szuka dodatkowego wsparcia od zewnętrznych konsultantów i dostawców.

3 rzeczy do rozważenia przy ocenianiu potencjalnego partnera AI/ML

Podczas poszukiwania partnera AI/ML, działania są ważniejsze niż słowa. Są tam wiele firm, które mogą obiecać wiele, ale liderzy sektora energetycznego powinni się skoncentrować na kilku ważnych wskaźnikach, aby dokładnie ocenić wpływ. Wśród najważniejszych jest to, jak dostawca opisuje/dostarcza:

Wzrost modelu w czasie – Budowanie zróżnicowanych zbiorów danych (danych, które mają wiele anomalii do analizy) wymaga znacznej ilości czasu (często kilku lat) i pewnych typów anomalii nie występują z wystarczającą częstotliwością, aby utworzyć udany model AI. Na przykład, szkolenie algorytmu do wykrywania rzeczy takich jak gnicie, dziuple w drewnie lub rdzewiecie może być trudne, jeśli nie występują one często w Twoim regionie. Więc upewnij się, że zapytasz dostawcę AI/ML nie tylko o ilość ich zbiorów danych, ale także o ich jakość i różnorodność.

Szybkość – Czas to pieniądz, a każdy renomowany dostawca AI/ML powinien być w stanie wyraźnie pokazać, jak jego oferta przyspiesza proces inspekcji. Na przykład, Buzz Solutions współpracowało z New York Power Authority (NYPA), aby dostarczyć platformę opartą na AI, zaprojektowaną w celu znacznego skrócenia czasu wymaganego do inspekcji i analizy. Wynikiem było program, który mógł analizować zdjęcia aktywów w ciągu godzin lub dni, zamiast miesięcy, które upłynęły wcześniej. Ten oszczędność czasu pozwolił grupom konserwacyjnym NYPA na priorytetowe naprawy i zmniejszenie potencjału awarii.

Jakość/Dokładność – W przypadku braku rzeczywistych danych dla programów AI/ML, firmy czasami uzupełniają dane syntetyczne (tj. dane, które zostały sztucznie stworzone przez algorytmy komputerowe), aby wypełnić luki. To popularna praktyka, a analitycy przewidują, że 60% wszystkich danych używanych w rozwoju AI będzie syntetyczne (zamiast rzeczywistych) już w 2024 roku. Ale chociaż dane syntetyczne są dobre dla teoretycznych scenariuszy, nie radzą sobie dobrze w środowiskach rzeczywistych, gdzie potrzebne są rzeczywiste dane (i interwencje człowieka w pętli) do samokorekty. Zastanów się, czy poprosić dostawcę o ich mieszankę danych rzeczywistych i syntetycznych, aby upewnić się, że podział ma sens.

I pamiętaj, praca nie kończy się, gdy tylko wybierzesz partnera. Nowy pomysł od Gartnera to regularne „AI Bake-Off” – opisane jako „szybkie, informacyjne sesje, które pozwalają zobaczyć dostawców obok siebie, używając skryptowanych demonstracji i wspólnego zestawu danych w kontrolowanym środowisku”, aby ocenić mocne i słabe strony każdego. Ten proces ustanawia wyraźne wskaźniki, które są bezpośrednio związane ze skalowalnością i niezawodnością algorytmów AI/ML, które następnie są zgodne z celami biznesowymi sektora energetycznego.

Napędzanie przyszłości sektora energetycznego

Od bardziej wydajnych integracji workflow po zaawansowaną detekcję anomalii AI, sektor energetyczny jest na znacznie jaśniejszej ścieżce niż kilka lat temu. Ta innowacja będzie musiała jednak kontynuować, zwłaszcza, że inspekcje T&D mają się podwoić do 2030 roku, a rząd ogłosił konserwację i obronę infrastruktury energetycznej jako najwyższe priorytety bezpieczeństwa narodowego.

Przed nami jest jeszcze wiele pracy, ale kiedyś spojrzymy na ten czas jako na przełomowy okres, moment, w którym liderzy branży zainwestowali w przyszłość naszej sieci energetycznej i wprowadzili firmy energetyczne w nowoczesną erę.