Buzz Solutions Samlar In 20 Miljoner Dollar I Serie A För Att Utöka AI-drivna Grid Intelligence

Buzz Solutions har samlat in 20 miljoner dollar i en överskriven Serie A finansieringsrunda, då elbolag letar efter snabbare sätt att inspektera, underhålla och stärka alltmer komplex elinfrastruktur.

S3 Ventures ledde rundan, med betydande uppföljningsinvestering från GoPoint Ventures. Befintliga investerare HearstLab och Blackhorn Ventures deltog också. Buzz Solutions sa att kapitalet kommer att stödja produktutveckling, utvidgning av företagets marknadsföringsteam och djupare distributioner med elbolagskunder.

Det Palo Alto-baserade företaget utvecklar artificiell intelligensprogramvara som analyserar visuell inspektionsdata som samlats in från infrastruktur som elledningar, transformatorstationer och elbolagsstor skala solcellsanläggningar. Deras kunder inkluderar Dominion Energy (D ), American Electric Power (AEP ), och New York Power Authority.

Att Flytta Grid Inspektion Bortom Manuell Bildgranskning

Elbolag har alltmer antagit drönare, helikoptrar, fastvingade flygplan, termiska kameror och andra avbildningssystem för att inspektera infrastruktur. Dessa tekniker kan samla in mycket mer data än traditionella fältinspektioner, men de skapar också en ny utmaning: att bearbeta tusentals eller till och med miljontals bilder tillräckligt snabbt för att påverka underhållsbeslut.

Buzz Solutions PowerAI-plattform är utformad för att hantera den flaskhalsen. Den tar in bilder från luft- och markbaserade inspektionsprogram, matchar bilder med specifika strukturer, identifierar potentiella defekter och hjälper till att rangordna problem baserat på deras allvar.

Plattformen kan analysera RGB- och termiska bilder för problem som skadade stolpar, försämrade korsarmar, överhettade transformatorer, vegetationsträng, isolatorskador och fågelbon. Resultaten kan sedan skickas till geografiska informationssystem, arbetsorderplattformar och tillgångshanteringssystem genom integreringar och programvarugränssnitt.

Detta arbetsflöde är viktigt eftersom att identifiera en defekt endast är en del av infrastrukturförvaltning. Elbolag måste också bestämma var den påverkade tillgången är belägen, bedöma hur brådskande den behöver uppmärksamhet, tilldela arbete och spåra tillgångens tillstånd över tid.

PowerAI Kombinerar Datorseende Med Mänsklig Översyn

Buzz Solutions säger att deras modeller har justerats med hjälp av mer än ett decennium av elbolagsbilder snarare än att tränas enbart på mindre demonstrationsdataset. Plattformen innehåller för närvarande mer än 50 artificiella intelligensmodeller och kan bearbeta över 5,8 bilder per sekund, baserat på siffror publicerade av företaget.

PowerAI innehåller också mänsklig översyn -funktioner. Inspektörer kan validera upptäckter, korrigera modellutdata och förbättra noggrannheten allteftersom systemet möter ytterligare infrastrukturtyper och driftsförhållanden.

Denna kombination av automatisering och mänsklig granskning är särskilt relevant i elbolagsmiljöer, där falska positiva kan skapa onödigt fältarbete, medan en missad defekt kan bidra till utrustningsfel, avbrott eller säkerhetsrisker.

Buzz erbjuder flera versioner av plattformen. Elbolag kan börja med centraliserad inspektionsdatahantering och manuell granskning innan de flyttar mot automatiserad bildanalys, geografisk informationsmappning, avancerad analys och integrering med arbets- och tillgångshanteringssystem.

Att Utöka Plattformen Över Hela Nätet

PowerAI var initialt fokuserad på överförings- och distributionsinfrastruktur, men Buzz Solutions har utökat plattformen till transformatorstationer och elbolagsstor skala solcellsanläggningar.

För distributionsnät kan programvaran associera inspektionsbilder med enskilda stolpar och strukturer innan de analyseras för skadad hårdvara, transformatorproblem eller vegetationrisker. Överföringsteam kan likaså använda plattformen för att inventera tillgångar och övervaka tillståndsändringar över stora nätverk.

Vid transformatorstationer använder företaget bilder från fasta kameror och förtöjda drönare för att övervaka säkerhetsincidenter, säkerhetsproblem och utrustningstillstånd. Optiska och termiska videor kan analyseras för händelser som obehörig tillgång, rök, brand eller onormala värmeunderskrifter, med aviseringar levererade via instrumentpaneler, e-post eller textmeddelanden. Distributioner kan vara molnbaserade eller installerade på plats, beroende på elbolagets operativa och cybersäkerhetskrav.

Solcellserbjudandet tillämpar datorseende på drönarinsamlade RGB- och termiska bilder. Det är avsett att hjälpa operatörer att identifiera varma fläckar, panel sprickor och strängavbrott innan dessa problem påverkar utmatningen avsevärt.

Elbolagsdistributioner Går Utanför Små Piloter

Buzz Solutions sa att deras kundantal tredubblades under det senaste året, medan intäkterna ökade med 400 %. Företaget har också publicerat flera exempel på elbolag som använder plattformen för större inspektionsprogram.

Dominion Energy använde PowerAI för att bearbeta 74 000 bilder som täckte cirka 47 000 överföringstorn på tre och en halv timme, enligt Buzz Solutions. AEP Texas har använt plattformen för att analysera över 88 000 bilder i sitt arbete för att förkorta inspektionscykler över ett distributionsområde som utsätts för orkaner och skogsbränder.

New York Power Authority har integrerat inspektionsresultat med Esri, IBM Maximo och sina interna mediesystem. Buzz Solutions rapporterar att elbolaget minskade den manuella analysen med 70 %, vilket möjliggjorde att stora volymer av inspektionsbilder kunde utvärderas på timmar eller dagar snarare än månader.

Dessa distributioner illustrerar den bredare förändring som nu sker inom elbolagens artificiella intelligensprogram. Istället för att utvärdera isolerade modeller börjar vissa elbolag ansluta AI-analys direkt till tillgångsposter, underhållsprioriteringar och befintliga operativa system.

Ökande Elförbrukning Lägger Till Brådska

Finansieringen kommer när USA går in i en period av förnyad elförbrukningstillväxt. USA:s energiinformation (USEG ) administration rapporterade att den nationella elförbrukningen har ökat med i genomsnitt 2,1 % per år under de senaste fem åren, med datacenter-servrar som en stor bidragande faktor.

Myndigheten förväntar sig att elförbrukningen kommer att fortsätta öka fram till 2050, vilket vänder på mer än ett decennium av relativt platt efterfrågan.

Artificiell intelligensdatacenter är bara en av tryckkällorna. Elbolag måste också ansluta förnybar generering, stödja transport- och industriell elektrifiering, svara på extremt väder och underhålla infrastruktur som kan ha varit i drift i decennier.

Att bygga ny genererings- och överföringskapacitet förblir avgörande, men elbolag måste också få ut mer tillförlitlighet från befintlig infrastruktur. Tidig identifiering av försämrade utrustningar kunde tillåta underhållsteam att åtgärda problem innan de blir avbrott, säkerhetsincidenter eller dyra akutreparationer.

Framtiden För AI-assisterad Nätverksförvaltning

Den bredare betydelsen av plattformar som PowerAI ligger i hur de kan förändra sättet elbolag hanterar infrastruktur över tid. Idag förblir många inspektionsprogram periodiska och reaktiva, med tillgångar som granskas på fasta scheman eller efter stormar, avbrott och utrustningsfel. När visuell data blir lättare att samla in och analysera kan elbolag flytta mot mer kontinuerlig, riskbaserad underhåll.

I den modellen skulle artificiell intelligens hjälpa till att identifiera subtila förändringar i tillgångstillstånd, jämföra nuvarande bilder med tidigare inspektioner och framhäva utrustning som verkar försämras snabbare än förväntat. Underhållsscheman kunde då baseras mindre på ålder eller rutinmässiga inspektionscykler och mer på den faktiska tillståndet och riskprofilen för varje tillgång.

Teknologin kunde också bli mer värdefull när elbolag distribuerar större flottor av drönare, fasta kameror, termiska sensorer och andra övervakningssystem. Utan automatiserad analys kunde datavolymen som genereras av dessa verktyg överväldiga inspektionslag. AI-system kan alltmer tjäna som en filterlager, riktande mänskliga experter mot de bilder, tillgångar och avvikelser som troligen kräver uppmärksamhet.

Över tid kunde dessa funktioner stödja mer detaljerade digitala representationer av nätet, som kombinerar visuella inspektioner med väderdata, avbrottsregister, vegetationstillstånd och underhållsregister. Detta kunde tillåta elbolag att modellera hur enskilda defekter kan påverka bredare nätverk och prioritera reparationer baserat på deras potentiella inverkan på tillförlitlighet och allmänhetens säkerhet.

Skiftet kommer också att introducera viktiga frågor om modellnoggrannhet, cybersäkerhet, transparens och ansvar. Elbolag kommer att behöva förstå varför ett system markerade en viss tillgång, hur säker det är i den bedömningen och när mänsklig granskning krävs. Eftersom besluten involverar kritisk infrastruktur kommer AI-rekommendationer sannolikt att förbli en del av en övervakad process snarare än att bli fullständigt autonoma.

Om dessa utmaningar kan hanteras, kunde datorseende utvecklas från ett verktyg för granskning av inspektionsbilder till en mer central del av nätplanering och underhåll. Den långsiktiga påverkan skulle inte nödvändigtvis vara färre inspektörer, utan en förändring i hur deras tid används, med större uppmärksamhet riktad mot tillgångarna och platserna där ingripande kunde göra den största skillnaden.