ACCIONA 花费了大量时间和资源在实验室中手动检测水样以确定化学物质浓度。由于获得这些结果需要时间，因此它们往往已经过时且不可靠。这导致了与化学品供应和监管处罚相关的额外成本。通过在每个海水淡化厂实施实时优化的机器学习控制算法， ACCIONA 能够最大限度地减少活性化学品的使用，消除相关的监管处罚，并提供高效的边缘基础设施来实施预测性维护、能源效率、感知、优化或强化学习。

西班牙 Grip 运营商 Cuerva 寻求通过实施人工智能能源预测模型来增强电网知识，以获得用户需求和能源发电的精确预测。 Cuerva 的电网涵盖超过 16,000 个不同的供应点，使得基于云的运营变得复杂，并且容易受到连接丢失、信息传输延迟以及对集中式基础设施的依赖等问题的影响，从而可能导致关键数据丢失。为了应对这些挑战，边缘技术已被证明是能够有效解决这些问题的唯一替代方案。它确保实时数据访问并以分散的方式运行，最大限度地减少设备故障对网络整体功能的影响。在这个成功案例中，我们展示了如何使用 Barbara DSO 直接在变电站中实施人工智能，以准确预测与部署了 Barbara 运行的边缘节点的转型中心相连的消费者的需求和生产价值。

Cuerva Distribution 需要从其变电站和故障检测器的线路单元获得实时数据（