Au cours des dernières décennies, les phénomènes météorologiques extrêmes sont non seulement devenus plus graves, mais ils se sont également produits plus fréquemment. Neara vise à permettre aux entreprises de services publics et aux fournisseurs d’énergie de créer des modèles de leurs réseaux électriques et de tout ce qui pourrait les affecter, comme les incendies de forêt ou les inondations. La startup basée à Redfern, en Nouvelle-Galles du Sud, en Australie, a récemment lancé des produits d’IA et d’apprentissage automatique qui créent des modèles de réseaux à grande échelle et évaluent les risques sans avoir à effectuer d’enquêtes manuelles.
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 Press Ventures. Ses clients comprennent Essential Energy, Endeavour Energy, SA Power Networks. Elle est également en partenariat avec Southern California Edison Co et EMPACT Engineering.
Les fonctionnalités basées sur l’IA et l’apprentissage automatique de Neara font déjà partie de sa pile technologique et ont été utilisées par des services publics du monde entier, notamment Southern California Edison, SA Power Networks et Endeavour Energy en Australie, ESB en Irlande et Scottish Power.
Le co-fondateur Jack Curtis a déclaré à TechCrunch que des milliards sont dépensés pour les infrastructures des services publics, y compris la maintenance, les mises à niveau et le coût de la main-d’œuvre. Quand quelque chose ne va pas, les consommateurs sont immédiatement touchés. Lorsque Neara a commencé à intégrer des capacités d’IA et d’apprentissage automatique dans sa plateforme, c’était pour analyser l’infrastructure existante sans inspections manuelles, ce qui, selon lui, peut souvent s’avérer inefficace, inexact et coûteux.
Neara a ensuite développé ses fonctionnalités d’IA et d’apprentissage automatique afin de pouvoir créer un modèle à grande échelle du réseau et de l’environnement d’un service public. Les modèles peuvent être utilisés de nombreuses manières, notamment pour simuler l’impact de conditions météorologiques extrêmes sur l’approvisionnement en électricité avant, après et pendant un événement. Cela peut accélérer le rétablissement du courant, assurer la sécurité des équipes des services publics et atténuer l’impact des événements météorologiques.
« La fréquence et la gravité croissantes des intempéries motivent le développement de nos produits plus que n’importe quel événement », explique Curtis. « Récemment, il y a eu une augmentation des événements météorologiques violents à travers le monde et le réseau est impacté par ce phénomène. » Quelques exemples sont la tempête Isha, qui a laissé des dizaines de milliers de personnes sans électricité au Royaume-Uni, les tempêtes hivernales qui ont provoqué des pannes massives aux États-Unis et les cyclones tropicaux en Australie qui ont laissé le réseau électrique du Queensland vulnérable.
En utilisant l’IA et l’apprentissage automatique, les modèles numériques de réseaux de services publics de Neara peuvent y préparer les fournisseurs d’énergie et les services publics. Neara peut prédire certaines situations, notamment les cas où des vents violents pourraient provoquer des pannes et des incendies de forêt, des niveaux d’eau de crue qui obligent les réseaux à couper leur énergie et des accumulations de glace et de neige qui peuvent rendre les réseaux moins fiables et moins résilients.
En termes de formation du modèle, Curtis affirme que l’IA et l’apprentissage automatique ont été « intégrés au réseau numérique dès le début », le LiDAR étant essentiel à la capacité de Neara à simuler avec précision les événements météorologiques. Il ajoute que son modèle d’IA et d’apprentissage automatique a été formé « sur plus d’un million de kilomètres de territoire de réseau diversifié, ce qui nous aide à capturer des nuances apparemment petites mais aux conséquences importantes avec une hyper-précision ».
C’est important car dans des scénarios comme une inondation, une différence d’un seul degré dans la géométrie d’élévation peut entraîner une modélisation des niveaux d’eau inexacte, ce qui signifie que les services publics pourraient devoir mettre les lignes électriques sous tension avant d’en avoir besoin ou, au contraire, maintenir l’alimentation électrique plus longtemps que nécessaire. sûr.
Les images LiDAR sont capturées par des sociétés de services publics ou des sociétés de capture tierces, au lieu du LiDAR. Certains clients analysent leurs réseaux pour alimenter en permanence Neara de nouvelles données, tandis que d’autres les utilisent pour obtenir de nouvelles informations à partir des données historiques.
« L’un des résultats clés de l’ingestion de ces données LiDAR est la création du modèle de jumeau numérique », explique Curtis. « C’est là que réside le pouvoir, par opposition aux données brutes LiDAR. »
Quelques exemples du travail de Neara incluent Southern California Edison, où son objectif est « l’auto-prescription », ou l’identification automatique des endroits où la végétation est susceptible de prendre feu, avec plus de précision que les enquêtes manuelles. Cela 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 immenses, différents inspecteurs sont envoyés dans différentes zones, ce qui signifie plusieurs ensembles de données subjectives. Curtis affirme que l’utilisation de la plateforme Neara permet de conserver des données plus cohérentes.
Dans le cas d’Edison en Californie du Sud, Neara utilise le LiDAR et l’imagerie satellite et simule les éléments qui contribuent à la propagation des incendies de forêt à travers la végétation, notamment la vitesse du vent et la température ambiante. Mais certaines choses qui rendent la prévision des risques liés à la végétation plus complexe sont que Southern California Edison doit répondre à plus de 100 questions pour chacun de ses poteaux électriques en raison de la réglementation et qu’elle est également tenue d’inspecter son système de transmission chaque année.
Dans le deuxième exemple, Neara a commencé à travailler avec SA Power Networks en Australie après la crise des inondations de la rivière Murray en 2022-2023, qui a touché des milliers de foyers et d’entreprises et est considérée comme l’une des pires catastrophes naturelles à avoir frappé le sud de l’Australie. SA Power Networks a capturé des données LiDAR de la région de Murray River et a utilisé Neara pour effectuer une modélisation numérique de l’impact des inondations et voir quelle part de son réseau a été endommagée et quel risque subsistait.
Cela a permis à SA Power Networks de rédiger en 15 minutes un rapport analysant 21 000 travées de lignes électriques dans la zone inondée, un processus qui aurait autrement pris des mois. Grâce à cela, SA Power Networks a pu remettre sous tension les lignes électriques en cinq jours, contre les trois semaines initialement prévues.
La modélisation 3D a également permis à SA Power Networks de modéliser l’impact potentiel de différents niveaux d’inondation sur certaines parties de ses réseaux de distribution d’électricité et de prédire où et quand les lignes électriques pourraient violer les autorisations ou présenter un risque de déconnexion électrique. Une fois le niveau de la rivière revenu 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.
Neara effectue actuellement davantage de R&D en matière d’apprentissage automatique. L’un des objectifs est d’aider les services publics à tirer davantage de valeur de leurs données actuelles et historiques existantes. Il 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, d’un réseau. Les actifs individuels sont actuellement évalués en fonction de deux facteurs : la probabilité d’un événement tel que des conditions météorologiques extrêmes et leur capacité à résister dans ces conditions. Curtis affirme que ce type d’analyse risque/valeur est généralement effectué manuellement et n’empêche parfois pas les pannes, comme dans le cas des pannes d’électricité lors des incendies de forêt en Californie. Essential Energy prévoit d’utiliser Neara pour développer un modèle de réseau numérique qui sera capable d’effectuer une analyse plus précise des actifs et de réduire les risques lors d’incendies de forêt.
« Essentiellement, nous permettons aux services publics de garder une longueur d’avance sur les conditions météorologiques extrêmes en comprenant exactement comment elles affecteront leur réseau, ce qui leur permet de maintenir l’éclairage allumé et la sécurité de leurs communautés », explique Curtis.
