В последние десятилетия экстремальные погодные явления не только стали более суровыми, но и стали происходить чаще. Рядом с Целью проекта является предоставление коммунальным компаниям и поставщикам энергии возможности создавать модели своих электросетей 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 сетевые модели и оценивают риски без необходимости проведения ручных расследований.
С момента своего коммерческого запуска в 2019 году Neara привлекла в общей сложности 45 миллионов австралийских долларов (приблизительно 29,3 миллиона долларов США) от инвесторов, включая Square Peg Capital, Skip Capital и Press Ventures. В число его клиентов входят Essential Energy, Endeavour Energy, SA Power Networks. Он также сотрудничает с компаниями Southern California Edison Co и EMPACT Engineering.
Возможности 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 TechCrunch, что на коммунальную инфраструктуру, включая обслуживание, модернизацию и затраты на рабочую силу, 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 собиралась анализировать существующую инфраструктуру без ручных проверок, что, по ее словам, часто может быть неэффективным, неточным и дорогостоящим.
Затем Neara расширила свои возможности искусственного интеллекта и машинного обучения, чтобы иметь возможность создавать крупномасштабную модель сети и среды коммунального предприятия. Модели можно использовать по-разному, включая моделирование воздействия экстремальных погодных условий на электроснабжение до, после и во время мероприятия. Это может ускорить восстановление электроснабжения, обеспечить безопасность работников коммунальных служб и смягчить воздействие погодных явлений.
«Растущая частота и суровость суровых погодных условий стимулируют разработку нашей продукции больше, чем какое-либо отдельное событие», — говорит Кертис. «В последнее время во всем мире участились суровые погодные явления, и это явление затронуло сеть. » Некоторые примеры это шторм Ишакоторые оставили десятки тысяч людей без электричества в Великобритании, зимние штормы, которые вызвало массовые отключения электроэнергии по Соединенным Штатам и тропические циклоны в Австралии которые делают электросеть Квинсленда уязвимой.
Используя искусственный интеллект и машинное обучение, модели цифровых инженерных сетей Neara могут подготовить к этому поставщиков энергии и коммунальные предприятия. Neara может предсказывать определенные ситуации, в том числе ситуации, когда сильные ветры могут вызвать отключения электроэнергии и лесные пожары, уровень паводковых вод, который вынуждает сети отключать электроэнергию, а также скопления льда и снега, которые могут сделать сети менее надежными и устойчивыми.
Что касается обучения моделей, Кертис говорит, что искусственный интеллект и машинное обучение были «встроены в цифровую сеть с самого начала», а LiDAR имеет решающее значение для способности Neara точно моделировать погодные явления. Компания добавляет, что ее модель искусственного интеллекта и машинного обучения была обучена «на более чем 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 рельефа всего в один градус может привести к неточному моделированию уровня воды, а это означает, что коммунальным предприятиям, возможно, придется поставить линии электропередачи под напряжение до того, как оно вам понадобится, или, наоборот, сохранить электроснабжение. дольше, чем необходимо. на.
Соучредители Neara Дэниел Данилатос, Карамвир Сингх и Джек Кертис
Изображения LiDAR захватываются коммунальными компаниями или сторонними компаниями по захвату вместо LiDAR. Некоторые клиенты сканируют свои сети, чтобы постоянно предоставлять Neara новые данные, в то время как другие используют их для получения новой информации на основе исторических данных.
«Одним из ключевых результатов использования этих данных LiDAR является создание модели цифрового двойника», — говорит Кертис. «В этом и заключается сила, а не в необработанных данных LiDAR».
Некоторые примеры работ Неары включают Южную Калифорнию Эдисон, где его целью является «самостоятельное назначение» или автоматическое определение мест, где растительность может загореться, с большей точностью, чем ручные исследования. Это также помогает инспекторам указывать направление следственным группам, не подвергая их опасности. Поскольку инженерные сети зачастую огромны, в разные районы направляют разных инспекторов, что означает наличие множества наборов субъективных данных. Кертис говорит, что использование платформы Neara помогает поддерживать более согласованные данные.
В случае с Эдисоном в Южной Калифорнии, Neara использует LiDAR и спутниковые снимки и моделирует элементы, которые способствуют распространению лесных пожаров через растительность, включая скорость ветра и температуру окружающей среды. Но некоторые вещи, которые усложняют прогнозирование опасностей растительности, заключаются в том, что компания Southern California Edison в соответствии с правилами должна ответить более чем на 100 вопросов для каждой из своих опор, а также ежегодно проверять передачу своей системы.
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, обрушившихся на Южную Австралию. Компания SA Power Networks собрала данные LiDAR из региона реки Мюррей и использовала Neara для выполнения цифрового моделирования последствий наводнения и определения того, какая часть ее сети была повреждена и какой уровень риска остался.
Это позволило компании SA Power Networks за 15 минут составить отчет, анализирующий 21 000 пролетов линий электропередач в затопленной зоне, — процесс, который в противном случае занял бы месяцы. Благодаря этому компания SA Power Networks смогла возобновить подачу электроэнергии на линии электропередачи за пять дней по сравнению с первоначально запланированными тремя неделями.
3D-моделирование также позволило компании SA Power Networks смоделировать потенциальное воздействие наводнений разного уровня на части ее распределительных сетей и спрогнозировать, где и когда линии электропередачи могут нарушить разрешения или создать риск отключения электроэнергии. Как только уровень реки вернулся в норму, компания SA Power Networks продолжила использовать моделирование Ниа, чтобы помочь спланировать повторное подключение электроснабжения вдоль реки.
В настоящее время Ниара занимается исследованиями и разработками в области машинного обучения. Одна из целей – помочь коммунальным предприятиям извлечь больше пользы из 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. В настоящее время отдельные активы оцениваются на основе двух факторов: вероятности такого события, как экстремальная погода, и их способности противостоять этим условиям. Кертис говорит, что этот тип анализа соотношения риска и стоимости обычно выполняется вручную и иногда не предотвращает отключения электроэнергии, 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 даем возможность коммунальным предприятиям опережать экстремальные погодные условия, понимая, как именно они повлияют на их сеть, позволяя им поддерживать освещение и безопасность своих сообществ», — говорит Кертис.
