Πώς η Neara χρησιμοποιεί την τεχνητή νοημοσύνη για να προστατεύσει τις επιχειρήσεις κοινής ωφέλειας από ακραίες καιρικές συνθήκες

Τις τελευταίες δεκαετίες, τα ακραία καιρικά φαινόμενα όχι μόνο έχουν γίνει πιο σοβαρά, αλλά συμβαίνουν και πιο συχνά.

κοντά

επικεντρώνεται στο να δώσει τη δυνατότητα στις εταιρείες κοινής ωφελείας και στους παρόχους ενέργειας να δημιουργήσουν μοντέλα των δικτύων ηλεκτρικής ενέργειας τους και οτιδήποτε μπορεί να τα επηρεάσει, όπως πυρκαγιές ή πλημμύρες. Η νεοσύστατη εταιρεία Redfern της Νέας Νότιας Ουαλίας της Αυστραλίας κυκλοφόρησε πρόσφατα προϊόντα τεχνητής νοημοσύνης και μηχανικής εκμάθησης που δημιουργούν μοντέλα δικτύων μεγάλης κλίμακας και αξιολογούν τους κινδύνους χωρίς να χρειάζεται να πραγματοποιούν μη αυτόματες έρευνες.

Από την εμπορική κυκλοφορία το 2019, η Neara έχει συγκεντρώσει συνολικά 45 εκατομμύρια δολάρια AUD (περίπου 29,3 εκατομμύρια δολάρια ΗΠΑ) από επενδυτές όπως η Square Peg Capital, η Skip Capital και η Press Ventures. Στους πελάτες της περιλαμβάνονται η Essential Energy, η Endeavor Energy, η SA Power Networks. Συνεργάζεται επίσης με την Southern California Edison Co και την EMPACT Engineering.

Οι λειτουργίες τεχνητής νοημοσύνης και μηχανικής μάθησης της Neara αποτελούν ήδη μέρος της τεχνολογικής της στοίβας και έχουν χρησιμοποιηθεί από εταιρείες κοινής ωφέλειας σε όλο τον κόσμο, συμπεριλαμβανομένων των Southern California Edison, SA Power Networks και Endeavor Energy στην Αυστραλία, ESB στην Ιρλανδία και Scottish Power.

Ο συνιδρυτής Jack Curtis λέει στο TechCrunch ότι δισεκατομμύρια δαπανώνται σε υποδομές κοινής ωφελείας, συμπεριλαμβανομένης της συντήρησης, των αναβαθμίσεων και του κόστους εργασίας. Όταν κάτι πάει στραβά, οι καταναλωτές επηρεάζονται αμέσως. Όταν η Neara άρχισε να ενσωματώνει δυνατότητες τεχνητής νοημοσύνης και μηχανικής μάθησης στην πλατφόρμα της, ήταν να αναλύσει την υπάρχουσα υποδομή χωρίς χειροκίνητους ελέγχους, κάτι που, όπως λέει, συχνά μπορεί να είναι αναποτελεσματικό, ανακριβές και δαπανηρό.

Στη συνέχεια, η Neara αύξησε τις δυνατότητες AI και μηχανικής εκμάθησης, ώστε να μπορεί να δημιουργήσει ένα μοντέλο μεγάλης κλίμακας του δικτύου και του περιβάλλοντος ενός βοηθητικού προγράμματος. Τα μοντέλα μπορούν να χρησιμοποιηθούν με πολλούς τρόπους, συμπεριλαμβανομένης της προσομοίωσης των επιπτώσεων των ακραίων καιρικών φαινομένων στις παροχές ηλεκτρικής ενέργειας πριν, μετά και κατά τη διάρκεια μιας εκδήλωσης. Αυτό μπορεί να αυξήσει την ταχύτητα της επαναφοράς του ρεύματος, να διατηρήσει τις ομάδες κοινής ωφελείας ασφαλείς και να μετριάσει τις επιπτώσεις των καιρικών φαινομένων.

«Η αυξανόμενη συχνότητα και η σφοδρότητα των έντονων καιρικών φαινομένων παρακινεί την ανάπτυξη των προϊόντων μας περισσότερο από οποιοδήποτε γεγονός», λέει ο Curtis. «Πρόσφατα υπήρξε μια αύξηση των έντονων καιρικών φαινομένων σε όλο τον κόσμο και το δίκτυο επηρεάζεται από αυτό το φαινόμενο». Μερικά παραδείγματα

είναι η Θύελλα Isha

που άφησε δεκάδες χιλιάδες χωρίς ρεύμα στο Ηνωμένο Βασίλειο, χειμερινές καταιγίδες που

προκάλεσε μαζικές διακοπές ρεύματος

σε όλες τις Ηνωμένες Πολιτείες και

Καταιγίδες τροπικών κυκλώνων στην Αυστραλία

που αφήνουν ευάλωτο το ηλεκτρικό δίκτυο του Κουίνσλαντ.

Χρησιμοποιώντας την τεχνητή νοημοσύνη και τη μηχανική μάθηση, τα ψηφιακά μοντέλα δικτύων κοινής ωφέλειας της Neara μπορούν να προετοιμάσουν τους παρόχους ενέργειας και τη χρησιμότητα για αυτούς. Ορισμένες καταστάσεις που μπορεί να προβλέψει το Neara περιλαμβάνουν όπου οι ισχυροί άνεμοι μπορεί να προκαλέσουν διακοπές και πυρκαγιές, τα επίπεδα νερού πλημμύρας που σημαίνει ότι τα δίκτυα πρέπει να απενεργοποιήσουν την ενέργειά τους και συσσωρεύσεις πάγου και χιονιού που μπορούν να κάνουν τα δίκτυα λιγότερο αξιόπιστα και ανθεκτικά.

Όσον αφορά την εκπαίδευση του μοντέλου, ο Curtis λέει ότι η τεχνητή νοημοσύνη και η μηχανική μάθηση «μπήκαν στο ψηφιακό δίκτυο από την αρχή», με το LiDAR να είναι κρίσιμο για την ικανότητα του Neara να προσομοιώνει με ακρίβεια καιρικά φαινόμενα. Προσθέτει ότι το μοντέλο τεχνητής νοημοσύνης και μηχανικής μάθησης εκπαιδεύτηκε «σε πάνω από ένα εκατομμύριο μίλια διαφορετικής επικράτειας δικτύου, κάτι που μας βοηθά να συλλάβουμε φαινομενικά μικρές αλλά σημαντικές αποχρώσεις με υπερ-ακρίβεια».

Αυτό είναι σημαντικό γιατί σε σενάρια όπως μια πλημμύρα, μια διαφορά ενός βαθμού στη γεωμετρία του υψομέτρου μπορεί να έχει ως αποτέλεσμα τη μοντελοποίηση ανακριβών επιπέδων νερού, πράγμα που σημαίνει ότι οι επιχειρήσεις κοινής ωφέλειας μπορεί να χρειαστεί να ενεργοποιήσουν τις γραμμές ηλεκτρικού ρεύματος πριν χρειαστεί ή, από την άλλη πλευρά, να διατηρήσουν την τροφοδοσία για περισσότερο από όσο είναι ασφαλής.

Οι εικόνες LiDAR καταγράφονται από εταιρείες κοινής ωφέλειας ή τρίτες εταιρείες καταγραφής, αντί για LiDAR. Μερικοί πελάτες σαρώνουν τα δίκτυά τους για να τροφοδοτούν συνεχώς νέα δεδομένα στο Neara, ενώ άλλοι το χρησιμοποιούν για να λάβουν νέες πληροφορίες από ιστορικά δεδομένα.

«Ένα βασικό αποτέλεσμα από την πρόσληψη αυτών των δεδομένων LiDAR είναι η δημιουργία του ψηφιακού δίδυμου μοντέλου», λέει ο Curtis. “Εκεί βρίσκεται η ισχύς σε αντίθεση με τα ακατέργαστα δεδομένα LiDAR.”

Μερικά παραδείγματα της δουλειάς του Neara περιλαμβάνουν τη Νότια Καλιφόρνια Edison, όπου ο στόχος του είναι η «αυτόματη συνταγή» ή ο αυτόματα εντοπισμός του σημείου που είναι πιθανό να πάρει φωτιά η βλάστηση με μεγαλύτερη ακρίβεια από τις χειροκίνητες έρευνες. Βοηθά επίσης τους επιθεωρητές να λένε στις ομάδες έρευνας πού να πάνε, χωρίς να τις θέσουν σε κίνδυνο. Δεδομένου ότι τα δίκτυα κοινής ωφέλειας είναι συχνά τεράστια, διαφορετικοί επιθεωρητές αποστέλλονται σε διαφορετικές περιοχές, πράγμα που σημαίνει πολλαπλό σύνολο υποκειμενικών δεδομένων. Ο Curtis λέει ότι η χρήση της πλατφόρμας του Neara διατηρεί τα δεδομένα πιο συνεπή.

Σε αυτήν την περίπτωση του Έντισον στη Νότια Καλιφόρνια, το Neara χρησιμοποιεί LiDAR και δορυφορικές εικόνες και προσομοιώνει πράγματα που συμβάλλουν στην εξάπλωση της πυρκαγιάς μέσω της βλάστησης, συμπεριλαμβανομένης της ταχύτητας του ανέμου και της θερμοκρασίας περιβάλλοντος. Αλλά μερικά πράγματα που κάνουν την πρόβλεψη του κινδύνου βλάστησης πιο περίπλοκη είναι ότι η Νότια Καλιφόρνια Edison χρειάζεται να απαντήσει σε περισσότερες από 100 ερωτήσεις για κάθε έναν από τους ηλεκτρικούς του πόλους λόγω κανονισμών και επίσης απαιτείται να επιθεωρεί το σύστημα μετάδοσης ετησίως.

Στο δεύτερο παράδειγμα, η Neara ξεκίνησε να συνεργάζεται με την SA Power Networks στην Αυστραλία μετά την κρίση των πλημμυρών του ποταμού Murray το 2022-2023, η οποία επηρέασε χιλιάδες σπίτια και επιχειρήσεις και θεωρείται μία από τις χειρότερες φυσικές καταστροφές που έπληξαν τη νότια Αυστραλία. Η SA Power Networks κατέγραψε δεδομένα LiDAR από την περιοχή του ποταμού Murray και χρησιμοποίησε το Neara για να εκτελέσει ψηφιακή μοντελοποίηση επιπτώσεων από πλημμύρες και να δει πόσο από το δίκτυό της υπέστη ζημιά και πόσος κίνδυνος παρέμεινε.

Αυτό επέτρεψε στην SA Power Networks να ολοκληρώσει μια αναφορά σε 15 λεπτά που ανέλυε 21.000 εκτάσεις γραμμών ηλεκτρικής ενέργειας εντός της περιοχής πλημμύρας, μια διαδικασία που διαφορετικά θα χρειαζόταν μήνες. Εξαιτίας αυτού, η SA Power Networks μπόρεσε να ενεργοποιήσει εκ νέου τις γραμμές τροφοδοσίας εντός πέντε ημερών, σε σύγκριση με τις τρεις εβδομάδες που αναμενόταν αρχικά.

Η τρισδιάστατη μοντελοποίηση επέτρεψε επίσης στην SA Power Networks να μοντελοποιήσει τον πιθανό αντίκτυπο διαφόρων επιπέδων πλημμύρας σε τμήματα των δικτύων διανομής ηλεκτρικής ενέργειας και να προβλέψει πού και πότε οι γραμμές ηλεκτρικού ρεύματος θα μπορούσαν να παραβιάσουν τις αποστάσεις ή να κινδυνεύσουν για αποσύνδεση ηλεκτρικής ενέργειας. Αφού η στάθμη του ποταμού επανήλθε στο φυσιολογικό, η SA Power Networks συνέχισε να χρησιμοποιεί τη μοντελοποίηση της Neara για να τη βοηθήσει να σχεδιάσει την επανασύνδεση της ηλεκτρικής της παροχής κατά μήκος του ποταμού.

Η Neara κάνει αυτήν τη στιγμή περισσότερη έρευνα και ανάπτυξη μηχανικής μάθησης. Ένας στόχος είναι να βοηθηθούν οι επιχειρήσεις κοινής ωφέλειας να αποκτήσουν μεγαλύτερη αξία από τα υπάρχοντα ζωντανά και ιστορικά δεδομένα τους. Σχεδιάζει επίσης να αυξήσει τον αριθμό των πηγών δεδομένων που μπορούν να χρησιμοποιηθούν για μοντελοποίηση, με έμφαση στην αναγνώριση εικόνων και τη φωτογραμμετρία.

Η startup αναπτύσσει επίσης νέα χαρακτηριστικά με την Essential Energy που θα βοηθήσουν τις επιχειρήσεις κοινής ωφέλειας να αξιολογήσουν κάθε περιουσιακό στοιχείο, συμπεριλαμβανομένων των πόλων, σε ένα δίκτυο. Επί του παρόντος, τα μεμονωμένα περιουσιακά στοιχεία αξιολογούνται βάσει δύο παραγόντων: την πιθανότητα ενός γεγονότος όπως τα ακραία καιρικά φαινόμενα και το πόσο καλά μπορεί να αντέξει υπό αυτές τις συνθήκες. Ο Curtis λέει ότι αυτός ο τύπος ανάλυσης κινδύνου/αξίας συνήθως εκτελείται χειροκίνητα και μερικές φορές δεν αποτρέπει τις αστοχίες, όπως στην περίπτωση των μπλακ άουτ κατά τη διάρκεια των πυρκαγιών στην Καλιφόρνια. Η Essential Energy σχεδιάζει να χρησιμοποιήσει το Neara για να αναπτύξει ένα μοντέλο ψηφιακού δικτύου που θα είναι σε θέση να εκτελεί ακριβέστερη ανάλυση των περιουσιακών στοιχείων και να μειώνει τους κινδύνους κατά τη διάρκεια πυρκαγιών.

«Ουσιαστικά, επιτρέπουμε στις επιχειρήσεις κοινής ωφέλειας να παραμείνουν ένα βήμα μπροστά από τα ακραία καιρικά φαινόμενα, κατανοώντας ακριβώς πώς θα επηρεάσει το δίκτυό τους, επιτρέποντάς τους να διατηρούν τα φώτα αναμμένα και τις κοινότητές τους ασφαλείς», λέει ο Curtis.