发现真正的合作伙伴：公用事业公司如何评估人工智能供应商

能源世界正在经历巨大的变化，重新思考一个多世纪前设计的系统，以便为更智能、更清洁的技术让路。这是一个令人兴奋的时期——几乎每个行业都在某种程度上实现电气化，电动汽车（EV）正在获得市场份额，而且正在积极转向支持分布式能源资源（DERs），即通常位于电力使用现场附近的“小规模能源资源”，例如屋顶太阳能板和电池储存。最后一点是一个大问题，就像国际能源机构（IEA）所指出的，DERs的快速扩张将“改变不仅仅是电力的产生方式，还有它的交易、输送和消费”方式。

对于观察者来说，这些变化都是积极的、可持续的和长期以来的。但从实际角度来说，可再生能源和电气化的快速加速正在给我们的电网带来额外的压力和紧张。除了来自可再生能源的压力，世界的电力系统还面临着来自极端天气事件的关键挑战，这些事件与正在进行的气候变化有关——欧洲的干旱，印度的热浪，美国的严重冬季风暴——所有这些都导致了检查、维护和修复成本的指数级增加。公用事业部门的领导者现在正专注于增加电网的现代化、可靠性和弹性。

拍张照片，它会持续更长时间

对于公用事业公司来说，他们的设备通常是最重要的资产，需要不断、细致的维护。执行这种维护取决于一连串的数据（通常以图像形式），公用事业公司可以分析这些数据以检测操作异常。收集这些数据的方法有很多，从无人机和固定翼飞机到线路工人亲自走到现场。有了新的技术，如UAV/无人机和高分辨率直升机相机，数据的数量已经呈指数级增加。我们从与许多公用事业公司的对话中知道，公用事业公司现在收集的数据是近年来的5-10倍。

所有这些数据使得已经缓慢的检查工作周期变得更慢。平均而言，公用事业公司每年花费相当于6-8个月的劳动时间来分析检查数据。（由西海岸公用事业客户采访提供，公用事业公司每年收集1000万张图像）一个主要原因是这种分析仍然在很大程度上是手动进行的，当一家公司每年捕获数百万张检查图像时，过程变得非常不可扩展。分析异常如此耗时，事实上，大部分数据在被审查时已经过时，导致信息不准确，或者最坏的情况下，重复检查或危险情况。这是一个大问题，风险很高。 分析师估计 电力部门每年因网络故障、强制停机和大规模灾难而损失1700亿美元。

使用人工智能驱动的基础设施检查构建未来公用事业

使我们的电网更加可靠和坚固需要两件事——钱和时间。幸运的是，这就是新技术和创新可以帮助简化检查过程的地方。人工智能（AI）和机器学习（ML）对公用事业部门的影响不容小觑。AI/ML在这种数据丰富的环境中得心应手，随着数据量的增加，AI将大量信息转化为有意义的见解的能力也会提高。 根据Utility Dive 的说法，业内已经有广泛的共识认为“[AI/ML]有潜力以比当前方法更快、更安全的方式识别可能故障的设备”。

虽然这种技术的前景是无可争议的，但在内部构建自己的定制AI/ML程序是一个缓慢、劳动密集的过程，充满了复杂性和障碍。这些挑战导致许多公用事业公司寻求外部顾问和供应商的额外支持。

评估潜在AI/ML合作伙伴时要考虑的3件事

在寻找AI/ML合作伙伴时，行动比言语更重要。有很多光鲜的公司可能承诺月亮，但公用事业领导者应该深入研究几个重要的指标，以准确评估影响。其中最重要的是供应商如何描述/交付：

模型随时间的增长 – 建立多样化的数据集（具有许多异常的数据）需要大量时间（通常需要几年），并且某些类型的异常不会频繁发生，以训练一个成功的AI模型。例如，训练算法来识别诸如腐烂、啄木鸟孔或生锈的减震器之类的东西可能很具挑战性，如果它们在您的地区不经常发生。因此，请务必询问AI/ML供应商不仅数据集的数量，还有质量和多样性。

速度 – 时间就是金钱，任何声誉良好的AI/ML供应商都应该能够清楚地展示其产品如何加快检查过程。例如，Buzz Solutions与纽约电力局（NYPA）合作交付了一个基于AI的平台，旨在显著减少检查和分析所需的时间。结果是一个可以在几小时或几天内分析资产图像的程序，而以前需要几个月。这种时间节省使NYPA的维护小组能够优先进行维修并降低故障的可能性。

质量/准确性 – 在AI/ML程序中没有真正的数据的情况下，公司有时会使用合成数据（即由计算机算法人工创建的数据）来填补空白。这是一种流行的做法，分析师预测 到2024年，开发AI所使用的数据中将有60％是合成的（而不是真正的）。但是，虽然合成数据对于理论场景很好，但在需要真正的数据（和人工干预）来自我纠正的现实世界环境中，它的表现并不好。请考虑询问供应商其真实数据与合成数据的混合比例，以确保比例合理。

并且记住，选择合作伙伴后工作并不会结束。Gartner的一个新想法是定期举办“AI烘焙大赛”活动——被描述为“快节奏、信息丰富的会议，让您可以看到供应商在脚本演示和公共数据集的控制环境中进行比较，以评估每个供应商的优势和劣势”。这个过程建立了明确的指标，这些指标直接与AI/ML算法的可扩展性和可靠性有关，并与公用事业业务目标保持一致。

为公用事业行业的未来提供动力

从更高效的工作流程集成到复杂的AI异常检测，公用事业行业的前景比几年前要好得多。然而，这种创新需要继续下去，尤其是输电和配电检查的要求将在2030年之前增加一倍，政府宣布能源基础设施维护和防御 是国家安全的首要任务。

前方仍有大量工作，但有一天我们会回顾这一时期，认为这是一个转折点，是行业领导者投资于能源电网未来并将公用事业带入现代的时刻。