根据GlobalData的一项研究,人工智能驱动的预测性维护技术正在成为电力行业追求更高可靠性和成本效益的关键组成部分。随着技术的不断发展,预测性维护日益成为创新和效率的重要推动力。
这份题为《电力行业预测性维护:战略情报》的报告深入探讨了预测性维护如何推动主动维护策略并实现高效发电的行业洞察。
报告的主要发现表明,AI已成为电力基础设施预测性维护的关键创新技术,将通过提高设备维护的可预测性、优化资源配置和增强整体电厂效率来革命性地改变发电厂的运营。GlobalData认为,该技术有望将维护费用降低多达30%,并将设备可用性提升20%。
报告指出,通过结合数据分析、机器学习和实时监控,公用事业公司现在能够更准确地预测其设备的未来状态。
GlobalData电力分析师Rehaan Shiledar表示,这种提升的原因很明确。"包括数字孪生技术、物联网(IoT)和边缘计算在内的最新技术趋势,正越来越多地应用于预测性维护,"他说。"这些技术进步在提高整个电力行业维护策略的准确性和效率方面发挥着重要作用。"
Shiledar指出:"风力涡轮机和太阳能电池板经常位于偏远或恶劣的环境中,这使得维修既具有挑战性又成本高昂。预测性维护在确保这些系统高效运行方面发挥着关键作用,从而降低了意外故障和相关费用的风险。"
报告还重点介绍了为电力行业提供"先进"预测性维护解决方案的公司。处于领先地位的是GE Vernova、西门子和施耐德电气,同时报告也注意到E.ON和Enel等公司已为其涡轮机配备传感器,用于监测温度、振动、风速和输出功率等各种变量。
GlobalData表示,这种增强功能可实现精确的数据收集,有助于改善涡轮机的性能和维护。RWE已在其风力涡轮机网络中部署了状态监控系统。Enel绿色电力公司与Raptor Maps合作,实施了诊断软件服务,用于检测光伏电池板的异常情况。
预测性维护在储能系统领域也日益突出,这些系统对于维持电网的稳定性、可靠性和效率至关重要,同时在整合各种可再生能源方面也发挥着重要作用。报告观察到,Enel绿色电力公司已实施预测性维护策略来提高其电池系统的效率和安全性。该公司还与德国电池诊断领导者Volytica Diagnostics合作,以提高储能系统的效率和安全性。
在推动行业技术发展的其他要素方面,GlobalData重点提及了欧盟委员会的Horizon Europe TwinEU项目,该项目旨在创建欧洲电力系统的数字孪生。2024年6月,WindTwin倡议获得了英国创新署的资助。这个为期三年的项目旨在开发数字孪生技术来复制风力涡轮机。
此外,报告还强调了Montel Energy等公司通过IoT传感器使用基于物联网的预测性维护技术,实时监控变压器和转换器等能源资产的状态。
研究中还提到边缘计算通过在数据生成源头实现实时数据处理,正在革命性地改变预测性维护领域。微软通过Azure IoT Edge、Azure Stack Edge和Azure Edge Zones等产品,将传统云服务与边缘计算相结合的项目受到重点关注。ABB提供基于边缘计算的状态监控服务,将实时分析和自动化集成到工业工作流程中。
Shiledar在报告中总结道:"随着电力市场的持续发展,预测性维护成为创新和效率的关键驱动力。它不仅推动了行业向数字化转型,还通过帮助电力公司以环境友好的方式管理其资产,符合对可持续性日益增长的关注。随着电力市场利益相关者认识到预测性维护在促进运营卓越和推动业务成功方面的能力,其采用率将会上升。"
好文章,需要你的鼓励
法国人工智能公司Mistral AI宣布完成17亿欧元(约20亿美元)C轮融资,由荷兰半导体设备制造商ASML领投。此轮融资使Mistral估值从去年的60亿美元翻倍至137亿美元。英伟达、DST Global等知名投资机构参投。作为欧洲领先的AI开发商,Mistral凭借先进的多语言大模型与OpenAI等美国公司竞争,其聊天机器人Le Chat具备语音模式等功能。
腾讯ARC实验室推出AudioStory系统,首次实现AI根据复杂指令创作完整长篇音频故事。该系统结合大语言模型的叙事推理能力与音频生成技术,通过交错式推理生成、解耦桥接机制和渐进式训练,能够将复杂指令分解为连续音频场景并保持整体连贯性。在AudioStory-10K基准测试中表现优异,为AI音频创作开辟新方向。
VAST Data收购了成立仅数月的初创公司Red Stapler,该公司由NetApp资深团队创立。Red Stapler创始人兼CEO Jonsi Stefansson将担任VAST云解决方案总经理,负责超大规模云战略。Red Stapler拥有6名开发人员,开发了跨SaaS交付、API集成、监控等功能的云控制平面和服务交付平台,将加速VAST AI OS在超大规模和多云环境中的部署,深化与全球领先超大规模云服务商的合作关系。
Meta与特拉维夫大学联合研发的VideoJAM技术,通过让AI同时学习外观和运动信息,显著解决了当前视频生成模型中动作不连贯、违反物理定律的核心问题。该技术仅需添加两个线性层就能大幅提升运动质量,在多项测试中超越包括Sora在内的商业模型,为AI视频生成的实用化应用奠定了重要基础。