Diskussioner om AI och elnätet fokuserar ofta på den belastning som nya teknologier kommer att lägga på landets åldrande energiinfrastruktur. Men Josh Brumberger, VD för Utilidata, ser AI som ett verktyg för att förbättra nätstyrningen. Utilidata, baserat i Rhode Island, utvecklar “edge AI-intelligens”, där AI-chipset designade av Nvidia integreras i smarta mätare och nätstyrningsenheter. Dessa enheter kan bearbeta stora datamängder snabbt, vilket gör det möjligt för elbolag att hantera allt mer komplexa elnät på ett mer effektivt sätt. På tisdag tillkännagav Utilidata 60, 3 miljoner dollar i finansiering för att skala produktion och implementation av teknologin med utökade partnerskap med elbolag. Detta innebär att företagets totala riskkapital är uppe i 126, 5 miljoner dollar. Rundan leddes av Renown Capital Partners och inkluderade befintliga investerare som Keyframe Capital, Nvidia och Quanta Services, ett stort företag inom nät- och energiinfrastruktur. Brumberger kommenterade, “Vi vill göra det enkelt för hårdvarutillverkare att integrera AI och distribuerad intelligens i sina enheter. AI kommer att bli avgörande för nästa generationens infrastruktur som elnätet; för några år sedan var vi i utkanten av dessa diskussioner, nu är vi centrala. ” Utilidata och Nvidia började samarbeta 2021 och lanserade ett konsortium året därpå med amerikanska elbolag och Sunrun, ett ledande företag för installerad sol- och batterilösningar för bostäder, för att stödja utrullningen. Sedan dess har deras teknologi valts för flera avancerade elnätsprojekt. 2023 fick Portland General Electric ett bidrag från Department of Energy (DOE) för att använda Utilidata och Nvidias “nät-Edge computing-platform” för att integrera Batterier, elbilar och gemenskapsbaserad solenergi. Pennsylvaniabesiktningen Duquesne Light vann ett liknande DOE-bidrag för att använda dessa enheter till datainsamling för att bättre hantera klimatrelaterade hot mot nätet. Consumers Energy i Michigan startade ett projekt med Utilidata för att analysera hur hemmasol- och laddning av elbilar påverkar elnätet. Dessa projekt delar viktiga funktioner: de samlar in enorma datastreams som subsekundvisa spännings- och frekvensavläsningar, bearbetar dessa data genom integrerade kretsar som utför komplexa beräkningar, och ger nätoperatörer möjlighet att fatta välgrundade beslut. Fältutrustningen måste vara omprogrammerbar för att kunna hantera olika och föränderliga uppgifter självständigt – något som traditionella, långsammare, centraliserade styrsystem inte kan klara av. Utilidata, som ursprungligen fokuserade på nätspänningsstyrning, vände 2020 och började rikta in sig på dessa “nätkant” utmaningar, och utvecklade snabbare versioner av äldre elnätsutrustning som saknade den hastighet som moderna nät kräver. Ett exempel: över 100 miljoner smarta mätare i USA som installerades sedan mitt på 2000-talet samlar in grundläggande faktureringsdata och avbrottsvarningar, men använder AMI 1. 0-chipset med begränsade, fördefinierade funktioner som är utformade för låg kostnad och storskalig utrullning. Samtidigt har chipsteknologin förbättrats. Ledande leverantörer som Itron och Landis+Gyr utvecklar mer avancerade AMI 2. 0-system för mer komplexa funktioner.

Utilidata och Nvidias “Karman”-plattform hävdar att ha överlägsna förmågor, även om priset sannolikt är högre, vilket speglar branschens vanlig variation i prissättning. Användningen av dessa system i elnätet går långsamt; tidiga pilotprojekt från 2022 inkluderade Nvidia-chip på befintliga mätare. 2023 samarbetade Utilidata med Aclara, en tillverkare av smarta mätare ägd av Hubbell, för att utveckla integrerade mätare med Karman. De aktuella implementationerna kommer inte omedelbart att ersätta alla befintliga mätare, utan fokuserar på strategiska delar av elnätet som kräver detaljerad data, särskilt för att bedöma effekterna av distribuerade energiresurser (DERs) som taksolar, batterier och laddare för elbilar. Elbolag vill i allt högre grad utnyttja dessa enheter för att lätta på nätets belastning genom koordinerade åtgärder som att lagra solenergi mitt på dagen eller schemalägga laddning av elbilar för att undvika överbelastning av infrastrukturen. Virtuella kraftverk (VPPs) och system för hantering av distribuerade energiresurser (DERMS) kan styra DERs via central styrning genom trådbundna eller trådlösa kommunikationsvägar, men avancerade uppgifter kräver lokala beräkningar och realtidskommunikation enhet mot enhet – precis vad Karman möjliggör. Brumberger konstaterade, “För VPPs som är lika pålitliga och stora som gaskraftverk är snabb databehandling och AI avgörande för att utnyttja det outforskade värdet av skilda resurser. ” Portland General Electric, som planerar att förlita sig mycket på DERs, ser teknologier som Karman som avgörande för att förstå VPP:s tillförlitlighet. Seniora chefen Ananth Sundaram nämnde att sådana plattformar hjälper till att analysera nätjänster, kraftdisaggregering och kundbeteende, och skapar en solid grund samtidigt som de samlar viktig data från nätkant. Utilidata hoppas att elbolag och reglerande myndigheter tar hänsyn till dessa framtida behov i kommande storskaliga utrullningar av smarta mätare. Quanta, en ny investerare, spelar en viktig roll i stora projekt för elnätsinfrastruktur. Dock är dessa utrullningar beroende av bidrag från DOE som Godkänts under Biden-administrationen. Trump-administrationen har pausat och hotat med att minska finansiering och arbetsstyrka för att påverka dessa program. Brumberger bekräftade att inga avbokningar har skett ännu, men att utmaningar väntar. Den nya finansieringen gör det möjligt för Utilidata att expandera internationellt och utöver elbolag, och utforska tillämpningar som att integrera Nvidia-aktiverad energihanteringsteknik i datacenter för att övervaka och styra energiförbrukningen vid servernivå. Brumberger nämnde att datacenter, som ofta agerar som kraftfulla mikrogrid, allt oftare integrerar generatorer, batterier och energikontroller. Dessutom kommer Utilidata och Nvidias plattformar att analysera och “träna” på insamlade data lokalt, ungefär som hur stora språkmodeller lär sig från enorma text- och bilddatamängder. Exempelvis kan de skilja på spänningsmönster orsakade av hushållsapparater jämfört med externa störningar som trädgrenar. “Det här är inte bara en sensor, utan ett lokalt aktivitetscentrum för träning, vilket minskar behovet av att skicka all data till en annan plats, ” förklarade Brumberger. Frågan är hur stor del av ett elbolags område som behöver sådan avancerad teknik – om det är 10 %, 50 %, 80 % eller 100 %.