Découvrez comment l’IA de Neara protège les services publics contre les intempéries extrêmes

Une startup australienne utilise l’IA pour créer des modèles de réseaux électriques et évaluer les risques

Depuis quelques décennies, les événements météorologiques extrêmes sont devenus non seulement plus graves, mais aussi plus fréquents. La startup australienne Neara se concentre sur la création de modèles de réseaux électriques et de tout ce qui peut les affecter, comme les incendies de forêt ou les inondations. Récemment, la startup basée à Redfern, en Nouvelle-Galles du Sud, a lancé des produits d’IA et d’apprentissage automatique qui créent des modèles à grande échelle de réseaux et évaluent les risques sans avoir à effectuer d’enquêtes manuelles.

Des partenariats et des investissements pour Neara

Depuis son lancement commercial en 2019, Neara a levé un total de 45 millions de dollars australiens (environ 29,3 millions de dollars américains) auprès d’investisseurs tels que Square Peg Capital, Skip Capital et Prosus Ventures. Ses clients comprennent Essential Energy, Endeavour Energy et SA Power Networks. Elle est également partenaire de Southern California Edison et EMPACT Engineering.

L’IA et l’apprentissage automatique au cœur de la technologie de Neara

Les fonctionnalités basées sur l’IA et l’apprentissage automatique de Neara font déjà partie de sa plateforme technologique et ont été utilisées par des entreprises de services publics du monde entier, notamment Southern California Edison, SA Power Networks, Endeavor Energy en Australie, ESB en Irlande et Scottish Power.

Une analyse précise des infrastructures

Le co-fondateur de Neara, Jack Curtis, explique à nous que des milliards de dollars sont dépensés pour les infrastructures des services publics, y compris la maintenance, les mises à niveau et le coût de la main-d’œuvre. Lorsque quelque chose ne va pas, les consommateurs sont immédiatement affectés. Lorsque Neara a commencé à intégrer des capacités d’IA et d’apprentissage automatique dans sa plateforme, c’était pour analyser les infrastructures existantes sans inspections manuelles, qui peuvent souvent être inefficaces, inexactes et coûteuses.

Des modèles à grande échelle pour prévoir les impacts des événements météorologiques extrêmes

Ensuite, Neara a développé ses fonctionnalités d’IA et d’apprentissage automatique afin de créer un modèle à grande échelle du réseau électrique et de son environnement. Ces modèles peuvent être utilisés de plusieurs manières, notamment pour simuler l’impact des événements météorologiques extrêmes sur l’approvisionnement en électricité avant, pendant et après un événement. Cela permet d’accélérer la restauration de l’électricité, de garantir la sécurité des équipes de services publics et de réduire l’impact des événements météorologiques.

Une réponse à l’augmentation des événements météorologiques extrêmes

« La fréquence croissante et la gravité des événements météorologiques extrêmes motivent davantage notre développement de produits que tout autre événement », déclare Curtis. Il cite notamment des événements tels que Storm Isha au Royaume-Uni, qui a laissé des dizaines de milliers de personnes sans électricité, les tempêtes hivernales aux États-Unis qui ont provoqué d’énormes pannes de courant et les tempêtes de cyclones tropicaux en Australie qui ont rendu le réseau électrique du Queensland vulnérable.

Des modèles numériques pour préparer les fournisseurs d’énergie

Grâce à l’IA et à l’apprentissage automatique, les modèles numériques de Neara des réseaux de services publics peuvent préparer les fournisseurs d’énergie et les entreprises de services publics à faire face à ces événements. Neara peut prédire des situations telles que les endroits où des vents violents peuvent provoquer des pannes de courant et des incendies de forêt, les niveaux d’eau des inondations qui nécessitent la coupure de l’énergie des réseaux, ainsi que l’accumulation de glace et de neige qui peuvent rendre les réseaux moins fiables.

La formation du modèle grâce à l’IA et à l’apprentissage automatique

En ce qui concerne la formation du modèle, Curtis explique que l’IA et l’apprentissage automatique ont été intégrés dès le départ dans le réseau numérique, et que le lidar est essentiel pour simuler avec précision les événements météorologiques. Il ajoute que le modèle d’IA et d’apprentissage automatique a été formé « sur plus d’un million de miles de territoires de réseau divers, ce qui nous aide à capturer des nuances apparemment petites mais hautement conséquentes avec une précision extrême. »

L’importance de la précision des modèles

Cela est important car, dans des scénarios tels qu’une inondation, une différence d’un degré dans la géométrie de l’élévation peut entraîner une modélisation incorrecte des niveaux d’eau, ce qui signifie que les services publics pourraient avoir besoin d’activer les lignes électriques avant qu’ils ne le devraient ou, au contraire, maintenir l’électricité plus longtemps que nécessaire.

L’utilisation de données lidar pour créer des modèles numériques

Les images lidar sont capturées par les entreprises de services publics ou des entreprises de capture tierces. Certains clients scannent en continu leurs réseaux pour alimenter de nouvelles données dans Neara, tandis que d’autres l’utilisent pour obtenir de nouvelles informations à partir de données historiques.

Des exemples de cas d’utilisation de Neara

Un exemple est le travail de Neara avec Southern California Edison, où son objectif est d’identifier automatiquement les endroits où la végétation est susceptible de s’enflammer de manière plus précise que les enquêtes manuelles. Neara aide également les inspecteurs à indiquer aux équipes d’enquête où aller, sans les mettre en danger. Étant donné que les réseaux de services publics sont souvent massifs, différents inspecteurs sont envoyés dans différentes zones, ce qui entraîne plusieurs ensembles de données subjectives. Curtis explique que l’utilisation de la plateforme de Neara permet de maintenir une plus grande cohérence des données.

Dans le cas de Southern California Edison, Neara utilise des images lidar et satellites pour simuler les éléments qui contribuent à la propagation des incendies de forêt à travers la végétation, tels que la vitesse du vent et la température ambiante. Cependant, prédire les risques liés à la végétation est plus complexe car les services publics doivent souvent répondre à plus de 100 questions pour chaque poteau électrique en raison des réglementations et sont également tenus d’inspecter les systèmes de transmission chaque année.

Dans le deuxième exemple, Neara a commencé à travailler avec SA Power Networks en Australie après la crise des inondations du fleuve Murray 2022-2023, qui a touché des milliers de foyers et d’entreprises et est considérée comme l’une des pires catastrophes naturelles ayant frappé le sud de l’Australie. SA Power Networks a collecté des données lidar de la région de la rivière Murray et a utilisé Neara pour effectuer une modélisation numérique de l’impact des inondations et voir dans quelle mesure son réseau avait été endommagé et quelles étaient les risques restants.

Cela a permis à SA Power Networks de rédiger un rapport en 15 minutes analysant 21 000 tronçons de lignes électriques dans la zone inondée, un processus qui aurait pris des mois autrement. Grâce à cela, SA Power Networks a pu rétablir l’électricité en cinq jours, contre les trois semaines initialement prévues.

La modélisation en 3D a également permis à SA Power Networks de simuler l’impact potentiel de différents niveaux d’inondation sur certaines parties de ses réseaux de distribution d’électricité et de prédire les endroits et les moments où les lignes électriques pourraient violer les dégagements ou être exposées à des risques de déconnexion électrique. Après le retour des niveaux de la rivière à la normale, SA Power Networks a continué à utiliser la modélisation de Neara pour l’aider à planifier la reconnexion de son alimentation électrique le long de la rivière.

Les futurs développements de Neara

Neara poursuit actuellement ses travaux de recherche et développement en matière d’apprentissage automatique. L’un de ses objectifs est d’aider les services publics à tirer davantage de valeur de leurs données en direct et historiques. Elle prévoit également d’augmenter le nombre de sources de données pouvant être utilisées pour la modélisation, en mettant l’accent sur la reconnaissance d’images et la photogrammétrie.

La startup développe également de nouvelles fonctionnalités avec Essential Energy qui aideront les services publics à évaluer chaque actif, y compris les poteaux, dans un réseau. Les actifs individuels sont actuellement évalués selon deux facteurs : la probabilité d’un événement tel que des conditions météorologiques extrêmes et sa résistance à ces conditions. Curtis explique que ce type d’analyse de risque/valeur a généralement été réalisé manuellement et ne prévient parfois pas les pannes, comme dans le cas des pannes de courant lors des incendies de forêt en Californie. Essential Energy prévoit d’utiliser Neara pour développer un modèle de réseau numérique capable d’effectuer une analyse plus précise des actifs et de réduire les risques lors des incendies de forêt.

« Essentiellement, nous permettons aux services publics de rester un pas en avant des conditions météorologiques extrêmes en comprenant exactement comment elles affecteront leur réseau, ce qui leur permet de maintenir l’électricité et la sécurité de leurs communautés », déclare Curtis.