Hitta riktiga partnerskap: Hur elbolag utvärderar artificiell intelligensleverantörer

Den energirelaterade världen genomgår en massiv förändring och omprövar system som utformats för över ett sekel sedan för att ge plats åt smartare, renare teknologier. Det är en spännande tid – i princip alla branscher elektrifieras på något sätt, elbilar (EV) får alltmer marknadsandel och det pågår en aktiv övergång till att stödja distribuerade energiresurser (DER), “småskaliga energiresurser” som vanligtvis är belägna nära platser där el används, såsom solcellspaneler på taket och batterilagring. Det sistnämnda är en stor sak, och som Internationella energiorganisationen (IEA) påpekar, kommer den snabba utvidgningen av DER att “förvandla inte bara hur el produceras, utan också hur den handlas, distribueras och konsumeras” framöver.

För en observatör är all denna förändring positiv, hållbar och långt överdue. Men praktiskt sett skapar den snabba accelerationen av förnybar energi och elektrifiering ytterligare stress och anstränger gränsen för vårt elnät. Utöver trycket från förnybara energikällor står världens elsystem också inför kritiska utmaningar från extrema väderhändelser relaterade till den pågående klimatförändringen – torka i Europa, värmeböljor i Indien, allvarliga vinterstormar i USA – allt detta resulterar i en exponentiell ökning av inspektions-, underhålls- och reparationskostnader. Ledare inom elbranschen fokuserar nu starkt på att öka elnätets modernisering, tillförlitlighet och motståndskraft.
<h2-Ta en bild, den kommer att vara längre

För elbolag är deras utrustning ofta deras viktigaste tillgång och kräver konstant, noggrann skötsel. Att utföra denna skötsel beror på en stadig ström av data (vanligtvis i form av bilder) som elbolag kan analysera för att upptäcka operativa avvikelser. Insamling av dessa data sker på många sätt, från drönare och flygplan med fast vinge, till linjearbetare som fysiskt går på platsen. Och med ny teknik som UAV:er/drönare och högupplösta helikopterkameror har mängden data ökat astronomiskt. Vi vet från våra samtal med många elbolag att elbolag nu samlar in 5-10 gånger så mycket data som de har samlat in under de senaste åren.

All denna data gör den redan långsamma arbetscykeln för inspektioner ännu långsammare. I genomsnitt tillbringar elbolag motsvarande 6-8 månaders arbetszeit per år med att analysera inspektionsdata. (Tillhandahålls av västkustens elbolag från elbolag som samlar in 10 miljoner bilder per år) En stor anledning till denna översvämning är att denna analys fortfarande till stor del görs manuellt, och när ett företag fångar miljontals inspektionsbilder varje år blir processen vansinnigt oskalbar. Att analysera avvikelser är så tidskrävande att de flesta av datan är föråldrad när den faktiskt granskas, vilket leder till felaktig information i bästa fall och upprepade inspektioner eller farliga förhållanden i sämsta fall. Detta är ett stort problem, med höga risker. Analytiker uppskattar att elsektorn förlorar 170 miljarder dollar varje år på grund av nätverksfel, tvingade stängningar och masskatastrofer.

Bygga elbolagets framtid med AI-stödd infrastrukturinspektion

Att göra vårt elnät mer tillförlitligt och motståndskraftigt kommer att kräva två saker – pengar och tid. Tack och lov kan ny teknik och innovation hjälpa till att effektivisera inspektionsprocessen. Inverkan av artificiell intelligens (AI) och maskinlärning (ML) på elsektorn kan inte överskattas. AI/ML är rätt hemma i denna datarika miljö, och ju större datamängden blir, desto bättre blir AI:s förmåga att översätta berg av information till meningsfulla insikter. Enligt Utility Dive finns det redan ett brett samförstånd inom branschen om att [AI/ML] har potentialen att identifiera utrustning som riskerar att misslyckas på ett sätt som är mycket snabbare och säkrare än den nuvarande metoden, som förlitar sig på manuella inspektioner.

Medan löftet om denna teknik är obestridligt, är att bygga ett eget anpassat AI/ML-program internt ett långsamt, arbetsintensivt process som är fullt av komplicerade problem och hinder. Dessa utmaningar har fått många elbolag att söka ytterligare stöd från externa konsulter och leverantörer.

3 saker att överväga när du utvärderar en potentiell AI/ML-partner

När du letar efter en AI/ML-partner, är det viktigare att handlingar talar mer än ord. Det finns många smidiga företag där ute som kanske lovar månen, men elledare bör fokusera på flera viktiga mått för att korrekt utvärdera påverkan. Bland de viktigaste är hur leverantören beskriver/levererar:

Tillväxt av modellen över tid – Att bygga varierade datamängder (data som har många avvikelser att analysera) tar en betydande mängd tid (ofta flera år) och vissa typer av avvikelser inträffar inte tillräckligt ofta för att träna en framgångsrik AI-modell. Till exempel kan det vara svårt att träna en algoritm för att upptäcka saker som råtta, hackspettshål eller rostiga dämpare om de inte förekommer ofta i er region. Så se till att fråga AI/ML-leverantören inte bara om mängden datamängder, utan också deras kvalitet och variation.

Hastighet – Tiden är pengar, och varje ansedd AI/ML-leverantör bör kunna visa tydligt hur deras erbjudande påskyndar inspektionsprocessen. Till exempel Buzz Solutions samarbetade med New York Power Authority (NYPA) för att leverera en AI-baserad plattform som är utformad för att betydligt minska den tid som krävs för inspektion och analys. Resultatet var ett program som kunde analysera tillgångsbilder på några timmar eller dagar, istället för de månader det tidigare tog. Denna tidsbesparing tillät NYPA:s underhållsgrupper att prioritera reparationer och minska risken för fel.

Kvalitet/Exakthet – I avsaknad av riktiga data för AI/ML-program, kompletterar företag ibland syntetisk data (dvs. data som har skapats artificiellt av datoralgoritmer) för att fylla luckor. Det är en vanlig praxis, och analytiker förutspår att 60 % av all data som används i utvecklingen av AI kommer att vara syntetisk (istället för riktiga) så tidigt som 2024. Men medan syntetisk data är bra för teoretiska scenarier, fungerar den inte bra i realvärldsmiljöer där du behöver riktiga data (och mänskliga ingrepp) för att självkorrigera. Överväg att fråga leverantören om deras blandning av riktiga och syntetiska data för att säkerställa att fördelningen är rimlig.

Och kom ihåg, arbetet slutar inte när du har valt din partner. En ny idé från Gartner är att hålla regelbundna “AI Bake-Off“-evenemang – beskrivna som “snabba, informativa sessioner som låter dig se leverantörer sida vid sida med hjälp av skriptade demos och en gemensam datamängd i en kontrollerad miljö” för att utvärdera styrkorna och svagheterna hos varje. Denna process etablerar tydliga mått som är direkt relaterade till skalbarheten och tillförlitligheten hos AI/ML-algoritmerna som sedan motsvarar elbolagets affärsmål.

Att driva elindustrins framtid

Från mer effektiva arbetsflödesintegrationer till sofistikerad AI-avvikelseupptäckt, är elindustrin på en mycket ljusare väg än för bara några år sedan. Denna innovation kommer att behöva fortsätta dock, särskilt som T&D-inspektionskraven kommer att fördubblas till 2030 och regeringen meddelade energiinfrastrukturförsvar som topprioriterade nationella säkerhetsmål.

Det finns mer arbete att göra, men en dag kommer vi att se tillbaka på denna tid som en vattendelare, en tidpunkt då industriledare tog steget att investera i elnätets framtid och förde elbolag in i den moderna eran.