Hvordan kan AI hjelpe energibransjen? Der det virker i dag
AI for energibransjen
Et kraftverk og nettet rundt det produserer allerede mer data enn noen leser: kontrollsystemet, hydrologi- og værdataene, vedlikeholdssystemet, utfallsloggen, produksjonsplanen. AI trenger ikke mer av det. Den trenger å vite hva det betyr, hvilket lager som hører til aggregat 2, hva som kjøler det, og hva planen sa at det skulle levere. AI trenger kontekst, og i energibransjen er konteksten anleggsmodellen dere allerede halvveis har. Denne siden sier hvor det lønner seg i dag, og hvor det ikke gjør det ennå, på premissene til AI- og dataplattformen.
Tre steder det allerede lønner seg, og ingen av dem er en chatbot
Utfallsrapporten, skrevet fra signalene
Etter en utløsning er det noen som rekonstruerer minuttene før den fra trender, alarmer og vernloggen, og så skriver det ned. En agent som leser de samme signalene, lager utkast til den hendelsesrekken med hver linje lenket til trenden den kom fra. Driftsingeniøren retter og signerer, i stedet for å bruke ettermiddagen på å sette den sammen.
Et avvik forklart, ikke bare flagget
Produksjon under plan er synlig på hvert dashbord. Hvorfor er det ikke. En agent som vet hvilke aggregater som mater hvilken linje, hva tilsiget gjorde og hvilket aggregat som var ute til vedlikehold, lager utkast til forklaringen fra modellen. Et menneske avgjør hva som skal gjøres med den.
Tall som kan vise inngangene sine
Tilgjengelighet, ikke levert energi, magasinbalanse: hvert tall dere rapporterer, er en kjede av signaler, korreksjoner og manuelle registreringer. Når det blir stilt spørsmål ved det, bør svaret være en vandring tilbake gjennom den kjeden, ikke en jakt på den som bygde regnearket.
Dataene dere allerede har
En modell av kraftverk og nett, matet av systemene dere allerede kjører
Ingenting her er ny instrumentering. Kontrollsystemet og prosessdatabasen har hvert signal fra turbiner, generatorer, transformatorer og stasjoner. Hydrologi- og værdataene sier hva tilsig, vind og temperatur gjorde og kommer til å gjøre. Vedlikeholdssystemet har hver arbeidsordre og hvert utfall, og planen sier hva hvert aggregat skulle levere. Det som mangler, er laget som knytter dem til samme utstyr. Den operasjonelle dataplattformen kopierer dem ut over standardprotokoller, uten å røre kontrollsystemet eller vernet, og legger dem inn mot en modell: hvilket aggregat, hvilken transformator, hvilken linje. Å få dataene inn er den lille delen av jobben, og det tekniske bildet sier hva plattformen er bygget av.
Prosessdatabasen er ikke problemet. Den er arkivet. Det som mangler, ligger over den.
De første oppgavene
Arbeid en agent kan ta i år, med et menneske som signerer
Den riktige første oppgaven er kjedelig, gjentatt og etterprøvbar: noen gjør den etter hver utløsning eller hver måned, dataene den trenger finnes allerede, og et menneske kan lese utkastet på noen minutter. Product Discovery er to uker brukt på å finne den oppgaven i anlegget deres. Disse tre er der det som regel lander.
Utfallsrapporten
Utkast laget fra trendene, alarmene og vernhendelsene rundt utløsningen, med hver linje lenket til signalet den kom fra, og de siste arbeidsordrene på aggregatet slått opp. Driftsingeniøren redigerer og signerer.
Inspeksjonsplanen fra tilstandsdata
Lagertemperaturer, vibrasjon, gass- og oljeverdier i transformatorer som driver på utstyr modellen kjenner, med forrige inspeksjon og reservedelssituasjonen vedlagt. Agenten lager utkast til planen; vedlikeholdslederen avgjør hva som går inn i revisjonsstansen.
Avviket mot planen
Levert mot planlagt, per aggregat og per time, med tilsiget, utfallene og restriksjonene som forklarer gapet. Agenten lager utkast til forklaringen med belegg; et menneske avgjør om den går til markedsavdelingen eller vedlikeholdsmøtet. Den modellen av hva som mater hva er begynnelsen på grafen.
Kontekst, i anlegget
Et spørsmål går gjennom anlegget, ikke gjennom tagglisten
Spør hvorfor aggregat 2 løste ut på lagertemperatur halvveis i opplastingen, og et menneske begynner med det de vet: styrelageret, kjølekretsen, silen som har vært til plunder siden flommen. Den kunnskapen mangler en agent med mindre den er skrevet ned. AI trenger kontekst, og i et kraftverk er konteksten grafen over hva som bærer, kjøler og mater hva. Med den følger spørsmålet reelle relasjoner fra symptomet til årsaken, og svaret kommer med veien dit. Uten den har agenten femti tusen signaler og en anelse.
Veien er resonnementet. Hvert hopp er en relasjon noen modellerte en gang.
Med vilje fiksjon
Et postkort fra et kraftverk som ikke finnes
Dette har ikke skjedd. Det er skrevet ut fra delene over, og det står her fordi det høres ut som en driftslogg, og det er poenget. Hvis det plager deg, er det nyttige spørsmålet hvilken del det ville sviktet uten.
Morgenen aggregat 2 ikke ble startet igjen
05:52. Aggregat 2 løser ut på styrelagertemperatur tjue minutter inn i morgenopplastingen. Operatøren stiller det opplagte spørsmålet. Agenten går grafen: lageret kjøles av krets B, krets B mates fra sil S-2, og differansetrykket over S-2 har steget hver dag siden flommen for tre uker siden, noe ingen hadde koblet til lageret. Den lager utkast til et notat med de tre trendene side om side, en arbeidsordre for å rense silen, og et forslag om å ta morgenen på aggregat 1 og 3. Operatøren leser det på fire minutter, er enig, og starter ikke på nytt. Silen er renset før lunsj. Da ligger utfallsrapporten på ingeniørens bord, som utkast, med hver linje pekende på en trend.
Der AI ikke hjelper dere ennå
Den kjører ikke anlegget; det gjør kontrollsystemet og vernet, og innstillingene deres er ingeniørbeslutninger som blir hos ingeniørene. Den disponerer ikke: hva som skal kjøres, når og til hvilken pris, er en vurdering mennesker gjør med et marked foran seg, og agentens jobb er å sørge for at de har de riktige tallene. Den erstatter ikke prosessdatabasen, som er et godt arkiv og kan forbli et. Og den kjenner ikke anlegget deres fra første dag: der anleggsregisteret, tegningene og vedlikeholdshierarkiet er uenige, finner agenten hullene før den finner noe annet, og å tette dem er ingeniørarbeid, uker av det. I denne bransjen lager agenten utkastet og et menneske signerer, som er slik papirarbeidet allerede fungerer. Den kjører der dataene er: på deres servere, i et lukket nett, eller på maskinvare vi eier i Stavanger, under norsk lov, og koden er åpen under AGPL-3.0. Resten av argumentet står på siden om AI- og dataplattformen.
Ærlige spørsmål
Det kraftverk og nettselskap spør oss om
Hvordan kan AI hjelpe energibransjen i dag?
I det gjentatte, etterprøvbare arbeidet med å drive kraftverk og nett: utfallsrapporter skrevet ut fra signalene, alarmene og vernhendelsene rundt en utløsning; inspeksjonsplaner laget fra tilstandsdata på utstyr modellen kjenner; produksjonsavvik forklart mot planen med tilsiget, utfallene og restriksjonene bak dem; og rapporterte tall som kan vise hvert signal og hver korreksjon de kom fra. I hvert tilfelle lager agenten utkastet og et menneske bestemmer.
Rører dette kontrollsystemet eller vernet?
Nei. Kontrollsystemet fortsetter å kjøre anlegget, og vernet beholder innstillingene sine; ingen av delene endres av noe på denne siden. Plattformen kopierer signaler ut over standardprotokoller til en modell av kraftverk og nett som ligger over dem, og det laget er additivt og reversibelt.
Hvilke data trenger en AI-agent i et kraftverk?
Mindre enn dere tror, bedre koblet enn de er. Signalene fra kontrollsystemet, hydrologi- og værdataene, vedlikeholds- og utfallsregistrene og planene dere allerede har, festet til samme utstyr i en modell, slik at agenten vet hvilket lager som hører til hvilket aggregat, hva som kjøler det, og hva aggregatet skulle levere. Den konteksten er kunnskapsgrafen, og det er den som gjør en selvsikker gjetning om til et svar med en vei.
Kan driftsdataene bli i vårt eget miljø?
Ja. Plattformen er åpen kildekode under AGPL-3.0 og kjører på deres egne servere, i deres sky eller i et lukket nett, noe som betyr noe for infrastruktur som regnes som kritisk. Vil dere heller slippe å drifte den, kjører IntelliStream den på maskinvare selskapet eier i Stavanger, under norsk lov, og agentene når den gjennom MCP med rettighetene til den som spør.
Hvor bør en produsent eller et nettselskap begynne?
Med en oppgave som gjentar seg etter hver utløsning eller hver måned, og som et menneske kan sjekke på noen minutter: utfallsrapporten er som regel den første. Bekreft at signalene den trenger kan kopieres ut fra der de ligger, modeller bare utstyret den rapporten berører, og kjør den med et menneske som signerer hvert utkast. Product Discovery er et to ukers oppdrag bygget for å finne den første oppgaven.
Begynn med en rapport, ikke hele parken
Fortell oss hvilken rapport folkene deres setter sammen for hånd i dag, og hvilke systemer den burde kommet fra. Vi sier ærlig fra om en agent kan lage utkastet nå, og hva modellen trenger først.