كيف تستخدم Neara الذكاء الاصطناعي لحماية المرافق من الطقس القاسي

وفي العقود الأخيرة، لم تصبح الظواهر الجوية المتطرفة أكثر حدة فحسب، بل أصبحت تحدث بشكل متكرر أكثر. بالقرب من أ يهدف إلى السماح لشركات المرافق ومقدمي الطاقة بإنشاء نماذج لشبكات الطاقة الخاصة بهم وأي شيء قد يؤثر عليها، مثل حرائق الغابات أو الفيضانات. أطلقت الشركة الناشئة Redfern، نيو ساوث ويلز، أستراليا مؤخرًا منتجات الذكاء الاصطناعي والتعلم الآلي التي تنشئ نماذج شبكات واسعة النطاق وتقيم المخاطر دون الحاجة إلى إجراء تحقيقات يدوية.

منذ إطلاقها تجاريًا في عام 2019، جمعت Neara إجمالي 45 مليون دولار أسترالي (حوالي 29.3 مليون دولار أمريكي) من مستثمرين بما في ذلك Square Peg Capital وSkip Capital وPress Ventures. ومن بين عملائها شركة Essential Energy وEndeavour Energy وSA Power Networks. كما أنها شريكة مع Southern California Edison وEMPACT Engineering.

تعد قدرات الذكاء الاصطناعي والتعلم الآلي الخاصة بشركة Neara بالفعل جزءًا من مجموعتها التكنولوجية وقد تم استخدامها من قبل المرافق في جميع أنحاء العالم، بما في ذلك Southern California Edison وSA Power Networks وEndeavour Energy في أستراليا وESB في أيرلندا وScottish Power.

صرح المؤسس المشارك جاك كيرتس لـ TechCrunch أنه يتم إنفاق المليارات على البنية التحتية للمرافق، بما في ذلك الصيانة والتحديث وتكاليف العمالة. عندما يحدث خطأ ما، يتأثر المستهلكون على الفور. عندما بدأت شركة Neara في دمج قدرات الذكاء الاصطناعي والتعلم الآلي في منصتها، كان الهدف منها تحليل البنية التحتية الحالية دون إجراء عمليات تفتيش يدوية، والتي تقول إنها غالبًا ما تكون غير فعالة وغير دقيقة ومكلفة.

قامت شركة Neara بعد ذلك بتوسيع قدراتها في مجال الذكاء الاصطناعي والتعلم الآلي لتكون قادرة على إنشاء نموذج واسع النطاق لشبكة وبيئة المرافق. ويمكن استخدام النماذج بعدة طرق، بما في ذلك محاكاة تأثير الطقس القاسي على إمدادات الكهرباء قبل الحدث وبعده وأثناءه. يمكن أن يؤدي ذلك إلى تسريع عملية استعادة الطاقة، والحفاظ على سلامة أطقم المرافق، والتخفيف من تأثير الأحداث الجوية.

يقول كيرتس: “إن تزايد وتيرة وشدة الأحوال الجوية القاسية هو الذي يدفع تطوير منتجاتنا أكثر من أي حدث منفرد”. “في الآونة الأخيرة، حدثت زيادة في الظواهر الجوية القاسية في جميع أنحاء العالم وتأثرت الشبكة بهذه الظاهرة. ” بعض الأمثلة هي العاصفة العشاءأدت العواصف الشتوية إلى انقطاع الكهرباء عن عشرات الآلاف من الأشخاص في المملكة المتحدة تسببت في انقطاع التيار الكهربائي على نطاق واسع في جميع أنحاء الولايات المتحدة و العواصف المدارية في أستراليا مما يترك شبكة الكهرباء في كوينزلاند عرضة للخطر.

باستخدام الذكاء الاصطناعي والتعلم الآلي، يمكن لنماذج شبكة المرافق الرقمية الخاصة بشركة Neara إعداد موفري الطاقة والمرافق العامة لهذا الغرض. يمكن لـ Neara التنبؤ بمواقف معينة، بما في ذلك عندما تتسبب الرياح العاتية في انقطاع التيار الكهربائي وحرائق الغابات، ومستويات مياه الفيضانات التي تجبر الشبكات على إيقاف طاقتها، وتراكمات الجليد والثلوج التي يمكن أن تجعل الشبكات أقل موثوقية وأقل مرونة.

وفيما يتعلق بالتدريب النموذجي، يقول كيرتس إن الذكاء الاصطناعي والتعلم الآلي “تم دمجهما في الشبكة الرقمية منذ البداية”، مع كون تقنية الليدار حاسمة لقدرة نيرا على محاكاة أحداث الطقس بدقة. وتضيف أنه تم تدريب نموذج الذكاء الاصطناعي والتعلم الآلي الخاص بها “عبر أكثر من مليون ميل من مناطق الشبكة المتنوعة، مما ساعدنا على التقاط الفروق الدقيقة التي تبدو صغيرة ولكن ذات أهمية عالية بدقة فائقة.”

وهذا أمر مهم لأنه في سيناريوهات مثل الفيضانات، يمكن أن يؤدي اختلاف درجة واحدة فقط في هندسة الارتفاع إلى وضع نماذج غير دقيقة لمستوى المياه، مما يعني أن المرافق قد تضطر إلى وضع خطوط الكهرباء تحت الجهد قبل أن تحتاج إليها، أو على العكس من ذلك، الحفاظ على مصدر الطاقة. أطول من اللازم. على.

يتم التقاط صور Lidar بواسطة شركات المرافق أو شركات التقاط الطرف الثالث. يقوم بعض العملاء بفحص شبكاتهم لتزويد Neara ببيانات جديدة باستمرار، بينما يستخدمها الآخرون للحصول على رؤى جديدة من البيانات التاريخية.

يقول كيرتس: “إن إحدى النتائج الرئيسية لاستيعاب بيانات الليدار هذه هي إنشاء نموذج التوأم الرقمي”. “هنا تكمن القوة، على عكس بيانات الليدار الأولية.”

تشمل بعض الأمثلة على أعمال نيرا إديسون جنوب كاليفورنيا، حيث كان هدفه هو “وصفة طبية ذاتية”، أو التحديد التلقائي للأماكن التي من المحتمل أن تشتعل فيها النيران في النباتات، بدقة أكبر من المسوحات اليدوية. كما أنها تساعد المفتشين على توجيه فرق التحقيق إلى أين تذهب، دون تعريضهم للخطر. نظرًا لأن شبكات المرافق غالبًا ما تكون ضخمة، يتم إرسال مفتشين مختلفين إلى مناطق مختلفة، مما يعني مجموعات متعددة من البيانات الشخصية. يقول كيرتس إن استخدام منصة Neara يساعد في الحفاظ على بيانات أكثر اتساقًا.

في حالة شركة جنوب كاليفورنيا إديسون، تستخدم نيرا صور الليدار وصور الأقمار الصناعية وتحاكي العناصر التي تساهم في انتشار حرائق الغابات عبر الغطاء النباتي، بما في ذلك سرعة الرياح ودرجة الحرارة المحيطة. لكن بعض الأشياء التي تجعل التنبؤ بمخاطر الغطاء النباتي أكثر تعقيدًا هي أنه يتعين على شركة Southern California Edison الإجابة على أكثر من 100 سؤال لكل عمود من أعمدة الكهرباء الخاصة بها بسبب اللوائح، كما يُطلب منها فحص نظام نقل الحركة كل عام.

وفي المثال الثاني، بدأت شركة Neara العمل مع شركة SA Power Networks في أستراليا بعد أزمة فيضان نهر موراي 2022-2023، والتي أثرت على آلاف المنازل والشركات وتعتبر واحدة من أسوأ الكوارث الطبيعية التي ضربت جنوب أستراليا. التقطت SA Power Networks بيانات ليدار من منطقة نهر موراي واستخدمت Neara لتنفيذ النمذجة الرقمية لتأثير الفيضانات ومعرفة مقدار الضرر الذي لحق بشبكتها ومدى المخاطر المتبقية.

وقد مكّن هذا شركة SA Power Networks من إكمال تقرير في 15 دقيقة لتحليل 21000 امتداد من خطوط الكهرباء في المنطقة التي غمرتها الفيضانات، وهي عملية كانت ستستغرق شهورًا. وبفضل ذلك، تمكنت شركة SA Power Networks من إعادة تنشيط خطوط الكهرباء خلال خمسة أيام، مقارنة بالأسابيع الثلاثة المخطط لها في البداية.

سمحت النمذجة ثلاثية الأبعاد أيضًا لشركة SA Power Networks بنمذجة التأثير المحتمل لمستويات مختلفة من الفيضانات على أجزاء من شبكات توزيع الكهرباء الخاصة بها والتنبؤ بمكان وزمان قد تنتهك خطوط الكهرباء الأذونات أو تشكل خطرًا على انقطاع التيار الكهربائي. بمجرد عودة مستويات النهر إلى وضعها الطبيعي، واصلت شركة SA Power Networks استخدام نموذج Neara للمساعدة في التخطيط لإعادة توصيل مصدر الطاقة الخاص بها على طول النهر.

تقوم شركة Neara حاليًا بالمزيد من البحث والتطوير في مجال التعلم الآلي. أحد الأهداف هو مساعدة المرافق على استخلاص قيمة أكبر من بياناتها الحالية والتاريخية الحالية. وتخطط أيضًا لزيادة عدد مصادر البيانات التي يمكن استخدامها للنمذجة، مع التركيز على التعرف على الصور والمسح التصويري.

تعمل الشركة الناشئة أيضًا على تطوير ميزات جديدة باستخدام Essential Energy والتي ستساعد المرافق على تقييم كل الأصول، بما في ذلك الأعمدة، على الشبكة. يتم تقييم الأصول الفردية حاليًا بناءً على عاملين: احتمالية وقوع حدث مثل الطقس القاسي وقدرتها على تحمل تلك الظروف. يقول كيرتس إن هذا النوع من تحليل المخاطر/القيمة يتم عادةً يدويًا وفي بعض الأحيان لا يمنع انقطاع التيار الكهربائي، كما في حالة انقطاع التيار الكهربائي أثناء حرائق الغابات في كاليفورنيا. تخطط شركة Essential Energy لاستخدام Neara لتطوير نموذج شبكة رقمية سيكون قادرًا على إجراء تحليل أكثر دقة للأصول وتقليل المخاطر أثناء حرائق الغابات.

يقول كيرتس: “في الأساس، نحن نمكن المرافق من البقاء في صدارة الظروف الجوية القاسية من خلال فهم كيفية تأثيرها على شبكتها، مما يسمح لها بإبقاء الأضواء مضاءة ومجتمعاتها آمنة”.