Tìm kiếm Đối tác Thật sự: Làm thế nào các Công ty Tiện ích Đánh giá Nhà cung cấp Trí tuệ Nhân tạo

Thế giới năng lượng đang trải qua sự thay đổi lớn, tái đánh giá các hệ thống được thiết kế hơn một thế kỷ trước để tạo ra không gian cho sự phát triển của các công nghệ thông minh và sạch hơn. Đây là một thời gian thú vị – gần như mọi ngành công nghiệp đều đang điện khí hóa theo một cách nào đó, xe điện (EV) đang giành được sự chấp nhận của thị trường, và có một quá trình chuyển đổi đang diễn ra để hỗ trợ các Tài nguyên Năng lượng Phân tán (DERs), “các nguồn năng lượng nhỏ” thường được đặt gần các địa điểm sử dụng điện, chẳng hạn như các tấm pin năng lượng mặt trời và lưu trữ pin. Điều đó là một vấn đề lớn, và như Hiệp hội Năng lượng Quốc tế (IEA) chỉ ra, sự mở rộng nhanh chóng của DERs sẽ “chuyển đổi không chỉ cách điện được tạo ra, mà còn cách nó được giao dịch, phân phối và tiêu thụ” trong tương lai.

Đối với một người quan sát, tất cả những thay đổi này đều là tích cực, bền vững và đã quá hạn. Nhưng về mặt thực tế, sự gia tăng nhanh chóng của năng lượng tái tạo và điện khí hóa đang tạo ra thêm áp lực và căng thẳng cho giới hạn của lưới điện của chúng ta. Cùng với áp lực từ năng lượng tái tạo, các hệ thống điện trên toàn thế giới cũng phải đối mặt với các thách thức quan trọng từ các sự kiện thời tiết cực đoan liên quan đến biến đổi khí hậu đang diễn ra – hạn hán ở châu Âu, sóng nhiệt ở Ấn Độ, cơn bão mùa đông nghiêm trọng ở Mỹ – tất cả đều dẫn đến sự tăng trưởng theo cấp số nhân về chi phí kiểm tra, bảo trì và sửa chữa. Các nhà lãnh đạo trong lĩnh vực tiện ích hiện đang tập trung vào việc tăng cường hiện đại hóa lưới điện, độ tin cậy và khả năng chống chịu.

Chụp một bức ảnh, nó sẽ tồn tại lâu hơn

Đối với các công ty tiện ích, thiết bị của họ thường là tài sản quan trọng nhất và yêu cầu sự bảo trì tỉ mỉ và liên tục. Việc thực hiện bảo trì này phụ thuộc vào một dòng dữ liệu ổn định (thường ở dạng hình ảnh) mà các công ty tiện ích có thể phân tích để phát hiện các bất thường trong hoạt động. Việc thu thập dữ liệu này được thực hiện theo nhiều cách, từ máy bay không người lái và máy bay cánh cố định, đến công nhân đường dây đi bộ trên địa điểm. Và với công nghệ mới như UAV / máy bay không người lái và máy ảnh trực thăng độ phân giải cao, số lượng dữ liệu đã tăng lên một cách thiên văn. Chúng tôi biết từ các cuộc trò chuyện với nhiều công ty tiện ích rằng các công ty tiện ích hiện đang thu thập 5-10 lần số lượng dữ liệu họ đã thu thập trong những năm gần đây.

Tất cả dữ liệu này đang làm cho chu kỳ công việc kiểm tra đã chậm trở nên chậm hơn. Trung bình, các công ty tiện ích dành thời gian lao động tương đương với 6-8 tháng mỗi năm để phân tích dữ liệu kiểm tra. (Cung cấp bởi cuộc phỏng vấn khách hàng tiện ích bờ biển phía Tây từ công ty tiện ích thu thập 10 triệu hình ảnh mỗi năm) Một lý do lớn cho sự quá tải này là việc phân tích này vẫn được thực hiện chủ yếu theo cách thủ công, và khi một công ty thu thập hàng triệu hình ảnh kiểm tra mỗi năm, quá trình trở nên không thể mở rộng. Việc phân tích để phát hiện các bất thường tốn thời gian đến mức hầu hết dữ liệu đã trở nên lỗi thời vào thời điểm nó thực sự được xem xét, dẫn đến thông tin không chính xác nhất và các cuộc kiểm tra lặp lại hoặc điều kiện nguy hiểm nhất. Đây là một vấn đề lớn, với rủi ro cao. Các nhà phân tích ước tính rằng ngành điện mất 170 tỷ đô la mỗi năm do sự cố mạng, ngừng hoạt động và thảm họa hàng loạt.

Xây dựng Tiện ích của Tương lai với Kiểm tra Cơ sở Hạ tầng được Công nghệ Trí tuệ Nhân tạo cung cấp

Làm cho lưới điện của chúng ta trở nên đáng tin cậy và chống chịu hơn sẽ cần hai điều – tiền và thời gian. May mắn thay, đây là nơi công nghệ và đổi mới mới có thể giúp简 hóa quá trình kiểm tra. Tác động của trí tuệ nhân tạo (AI) và học máy (ML) đối với lĩnh vực tiện ích không thể bị đánh giá thấp. AI / ML rất phù hợp trong môi trường giàu dữ liệu này, và khi khối lượng dữ liệu trở nên lớn hơn, khả năng của AI trong việc dịch các ngọn núi thông tin thành thông tin có ý nghĩa trở nên tốt hơn. Theo Utility Dive, đã có “một thỏa thuận rộng rãi trong ngành rằng [AI / ML] có tiềm năng xác định thiết bị có nguy cơ hỏng hóc theo cách nhanh hơn và an toàn hơn so với phương pháp hiện tại” dựa trên kiểm tra thủ công.

Mặc dù tiềm năng của công nghệ này không thể phủ nhận, nhưng việc xây dựng chương trình AI / ML tùy chỉnh trong nhà là một quá trình chậm và tốn nhiều công sức, đầy rẫy các trở ngại và chướng ngại vật. Những thách thức này đã khiến nhiều công ty tiện ích tìm kiếm sự hỗ trợ thêm từ các tư vấn và nhà cung cấp bên ngoài.

3 Điều cần xem xét khi Đánh giá Đối tác AI / ML tiềm năng

Khi tìm kiếm đối tác AI / ML, hành động quan trọng hơn lời nói. Có rất nhiều công ty trơn tru có thể hứa hẹn mặt trăng, nhưng các nhà lãnh đạo tiện ích nên tập trung vào một số chỉ số quan trọng để đánh giá tác động một cách chính xác. Trong số những yếu tố quan trọng nhất là cách nhà cung cấp mô tả / cung cấp:

Sự phát triển của Mô hình theo Thời gian – Xây dựng các tập dữ liệu đa dạng (dữ liệu có nhiều bất thường để phân tích) mất một lượng thời gian đáng kể (thường là vài năm) và một số loại bất thường không xảy ra với tần suất đủ cao để đào tạo một mô hình AI thành công. Ví dụ, đào tạo một thuật toán để phát hiện các thứ như sự thối rữa, lỗ khoan của chim gõ kiến hoặc các bộ giảm chấn han rỉ có thể là một thách thức nếu chúng không xảy ra thường xuyên trong khu vực của bạn. Vì vậy, hãy hỏi nhà cung cấp AI / ML không chỉ về số lượng tập dữ liệu của họ, mà còn về chất lượng và sự đa dạng của chúng.

Tốc độ – Thời gian là tiền bạc, và bất kỳ nhà cung cấp AI / ML uy tín nào cũng nên có thể chỉ ra rõ ràng cách dịch vụ của họ tăng tốc quá trình kiểm tra. Ví dụ, Buzz Solutions đã hợp tác với Cơ quan Điện lực New York (NYPA) để cung cấp một nền tảng dựa trên AI được thiết kế để giảm đáng kể thời gian cần thiết cho kiểm tra và phân tích. Kết quả là một chương trình có thể phân tích hình ảnh tài sản trong vài giờ hoặc vài ngày, thay vì vài tháng như trước đây. Việc tiết kiệm thời gian này cho phép các nhóm bảo trì của NYPA ưu tiên các sửa chữa và giảm khả năng hỏng hóc.

Chất lượng / Độ chính xác – Trong trường hợp không có dữ liệu thực cho các chương trình AI / ML, các công ty đôi khi bổ sung dữ liệu tổng hợp (tức là dữ liệu được tạo ra một cách nhân tạo bởi các thuật toán máy tính) để lấp đầy khoảng trống. Đây là một thực hành phổ biến, và các nhà phân tích dự đoán rằng 60% tất cả dữ liệu được sử dụng trong việc phát triển AI sẽ là tổng hợp (thay vì thực) vào năm 2024. Nhưng trong khi dữ liệu tổng hợp tốt cho các kịch bản lý thuyết, nó không hoạt động tốt trong các môi trường thực tế nơi bạn cần dữ liệu thực (và can thiệp của con người trong vòng lặp) để tự sửa lỗi. Hãy cân nhắc việc hỏi nhà cung cấp về hỗn hợp dữ liệu thực và tổng hợp của họ để đảm bảo rằng tỷ lệ này có ý nghĩa.

Và hãy nhớ, công việc không kết thúc một khi bạn đã chọn đối tác của mình. Một ý tưởng mới từ Gartner là tổ chức các sự kiện “AI Bake-Off” – được mô tả là “các phiên nhanh chóng, thông tin giúp bạn xem các nhà cung cấp cạnh nhau sử dụng các bản demo được viết kịch bản và một tập dữ liệu chung trong một môi trường được kiểm soát” để đánh giá các điểm mạnh và điểm yếu của từng nhà cung cấp. Quá trình này thiết lập các chỉ số rõ ràng trực tiếp liên quan đến khả năng mở rộng và độ tin cậy của các thuật toán AI / ML sau đó phù hợp với các mục tiêu kinh doanh của công ty tiện ích.

Năng lượng cho Tương lai của Ngành Tiện ích

Từ các tích hợp công việc hiệu quả hơn đến phát hiện bất thường AI tinh vi, ngành tiện ích đang trên một con đường tươi sáng hơn so với vài năm trước. Sự đổi mới này sẽ cần phải tiếp tục, đặc biệt là khi các quy định kiểm tra và phân phối (T&D) dự kiến sẽ tăng gấp đôi vào năm 2030 và chính phủ đã công bố bảo trì và phòng thủ cơ sở hạ tầng năng lượng là ưu tiên an ninh quốc gia hàng đầu.

Còn nhiều việc phải làm, nhưng một ngày nào đó chúng ta sẽ nhìn lại thời điểm này như một thời kỳ then chốt, một khoảnh khắc khi các nhà lãnh đạo trong ngành đã đứng lên để đầu tư vào tương lai của lưới điện của chúng ta và đưa các tiện ích vào kỷ nguyên hiện đại.