Как Neara использует ИИ для защиты коммунальных предприятий от экстремальных погодных условий

За последние несколько десятилетий экстремальные погодные явления не только стали более суровыми, но и стали происходить чаще. Неара направлен на то, чтобы дать возможность коммунальным компаниям и поставщикам энергии создавать модели своих энергетических сетей и всего, что может на них повлиять, например, лесных пожаров или наводнений. Стартап из Редферна, Новый Южный Уэльс, Австралия, недавно запустил продукты искусственного интеллекта и машинного обучения, которые создают крупномасштабные модели сетей и оценивают риски без необходимости проведения ручных исследований.

С момента коммерческого запуска в 2019 году Neara привлекла в общей сложности 45 миллионов австралийских долларов (около 29,3 миллиона долларов США) от таких инвесторов, как Square Peg Capital, Skip Capital и Prosus Ventures. В число ее клиентов входят Essential Energy, Endeavour Energy и SA Power Networks. Он также сотрудничает с компаниями Southern California Edison и EMPACT Engineering.

Функции Neara на основе искусственного интеллекта и машинного обучения уже являются частью ее технологического стека и используются коммунальными предприятиями по всему миру, включая Southern California Edison, SA Power Networks и Endeavour Energy в Австралии, ESB в Ирландии и Scottish Power.

Соучредитель Джек Кертис рассказал >, что на коммунальную инфраструктуру, включая техническое обслуживание, модернизацию и стоимость рабочей силы, тратятся миллиарды. Когда что-то идет не так, это немедленно сказывается на потребителях. Когда Neara начала интегрировать возможности искусственного интеллекта и машинного обучения в свою платформу, она должна была анализировать существующую инфраструктуру без ручных проверок, что, по его словам, часто может быть неэффективным, неточным и дорогостоящим.

Затем компания Neara расширила возможности искусственного интеллекта и машинного обучения, чтобы она могла создавать крупномасштабную модель сети и ее окружения. Модели можно использовать по-разному, включая моделирование воздействия экстремальных погодных условий на электроснабжение до, после и во время мероприятия. Это может увеличить скорость восстановления энергоснабжения, обеспечить безопасность работников коммунальных предприятий и смягчить воздействие погодных явлений.

«Увеличение частоты и суровости суровых погодных условий мотивирует разработку нашей продукции больше, чем любое другое событие», — говорит Кертис. «В последнее время по всему миру наблюдается всплеск суровых погодных явлений, и это явление оказывает влияние на энергосистему». Некоторые примеры это Шторм Ишав результате которого десятки тысяч людей остались без электричества в Соединенном Королевстве, зимние бури, которые вызвало массовые отключения электроэнергии по Соединенным Штатам и тропические циклоны в Австралии это делает электросеть Квинсленда уязвимой.

Используя искусственный интеллект и машинное обучение, цифровые модели коммунальных сетей Neara могут подготовить для них поставщиков энергии и коммунальные услуги. Некоторые ситуации, которые может предсказать Ниара, включают в себя ситуации, когда сильный ветер может вызвать отключения электроэнергии и лесные пожары, уровни паводковых вод, которые означают, что сети должны отключать электроэнергию, а также скопления льда и снега, которые могут сделать сети менее надежными и устойчивыми.

Что касается обучения модели, Кертис говорит, что искусственный интеллект и машинное обучение были «встроены в цифровую сеть с самого начала», а лидар имел решающее значение для способности Neara точно моделировать погодные явления. Он добавляет, что его модель искусственного интеллекта и машинного обучения была обучена «на более чем одном миллионе миль разнообразной сетевой территории, что помогает нам улавливать, казалось бы, небольшие, но важные нюансы с сверхточностью».

Это важно, поскольку в таких сценариях, как наводнение, разница в геометрии высоты в один градус может привести к неточному моделированию уровня воды, а это означает, что коммунальным предприятиям может потребоваться подать напряжение на линии электропередачи раньше, чем им это необходимо, или, с другой стороны, поддерживать подачу электроэнергии дольше, чем это необходимо. безопасный.

Лидарные изображения собираются коммунальными компаниями или сторонними компаниями по захвату данных. Некоторые клиенты сканируют свои сети, чтобы постоянно передавать новые данные в Neara, в то время как другие используют их для получения новой информации на основе исторических данных.

«Ключевым результатом использования этих лидарных данных является создание модели цифрового двойника», — говорит Кертис. «В этом и заключается сила, а не в необработанных лидарных данных».

Несколько примеров работы Ниары включают Южную Калифорнию Эдисон, цель которой — автоматически определять места, где растительность может загореться, более точно, чем ручные исследования. Это также помогает инспекторам сообщать исследовательским группам, куда идти, не подвергая их риску. Поскольку инженерные сети зачастую огромны, в разные районы отправляют разных инспекторов, что означает наличие множества наборов субъективных данных. Кертис говорит, что использование платформы Neara обеспечивает более согласованность данных.

В случае с Edison в Южной Калифорнии, Neara использует лидар и спутниковые изображения и моделирует факторы, которые способствуют распространению лесных пожаров через растительность, включая скорость ветра и температуру окружающей среды. Но некоторые вещи, которые усложняют прогнозирование риска растительности, заключаются в том, что коммунальным предприятиям часто приходится отвечать более чем на 100 вопросов для каждого из своих электрических столбов в соответствии с правилами, а также ежегодно проверять системы электропередачи.

Во втором примере Ниара начала работать с SA Power Networks в Австралии после наводнения на реке Мюррей в 2022–2023 годах, которое затронуло тысячи домов и предприятий и считается одним из самых страшных стихийных бедствий, поразивших южную Австралию. Компания SA Power Networks собрала лидарные данные из региона реки Мюррей и использовала Neara для выполнения цифрового моделирования последствий наводнения и определения того, какая часть сети была повреждена и какой риск остался.

Это позволило компании SA Power Networks за 15 минут составить отчет, в котором анализируется 21 000 пролетов линий электропередачи в зоне затопления — процесс, который в противном случае занял бы месяцы. Благодаря этому компания SA Power Networks смогла возобновить подачу электроэнергии на линии электропередачи в течение пяти дней, тогда как первоначально предполагалось, что это займет три недели.

3D-моделирование также позволило компании SA Power Networks смоделировать потенциальное воздействие различных уровней наводнений на части ее распределительных сетей и спрогнозировать, где и когда линии электропередачи могут нарушить зазоры или подвергнуться риску отключения электроэнергии. После того, как уровень реки вернулся в норму, компания SA Power Networks продолжила использовать моделирование Ниа, чтобы спланировать повторное подключение электроснабжения вдоль реки.

В настоящее время Ниара занимается исследованиями и разработками в области машинного обучения. Одна из целей — помочь коммунальным предприятиям получить больше пользы от существующих текущих и исторических данных. Компания также планирует увеличить количество источников данных, которые можно использовать для моделирования, уделяя особое внимание распознаванию изображений и фотограмметрии.

Стартап также разрабатывает новые функции Essential Energy, которые помогут коммунальным предприятиям оценить каждый актив, включая столбы, в сети. Отдельные активы в настоящее время оцениваются по двум факторам: вероятность наступления такого события, как экстремальная погода, и то, насколько хорошо они могут выдержать такие условия. Кертис говорит, что этот тип анализа соотношения риска и стоимости обычно выполняется вручную и иногда не предотвращает сбои, как в случае с отключениями электроэнергии во время лесных пожаров в Калифорнии. Essential Energy планирует использовать Neara для разработки модели цифровой сети, которая сможет выполнять более точный анализ активов и снижать риски во время лесных пожаров.

«По сути, мы позволяем коммунальным предприятиям быть на шаг впереди экстремальных погодных условий, точно понимая, как они повлияют на их сети, позволяя им поддерживать освещение и безопасность своих сообществ», — говорит Кертис.