Проверка воздушных линий является важным аспектом повседневной деятельности каждой электроэнергетической компании, поскольку она является важной частью как предотвращения, так и устранения любых перебоев в обслуживании для обеспечения надежности электроснабжения.
Естественно, это означает, что эти компании очень хотят попытаться сделать эти процессы более эффективными, и здесь на помощь приходит искусственный интеллект (ИИ). Решения на основе ИИ могут оказаться очень полезными для сокращения накладных расходов при проверке воздушных линий электропередач (ВЛЭП).
Распространенные дефекты, выявленные при осмотре воздушной линии электропередач
Из-за большого количества потребителей, обычно зависящих от электроэнергии, передаваемой по воздушным линиям электропередач, их необходимо содержать в хорошем состоянии, окружающий коридор очищать от заросшей растительности и регулярно осматривать.
Дикая природа, загрязнение, износ вызывают появление дефектов, большинство из которых, выявленных при осмотре воздушных линий электропередач, обнаруживаются либо в изоляторах, проводниках, либо на самих опорах.
Изоляторы подвержены загрязнению из-за загрязнения окружающей среды, пыли с прилегающих территорий (особенно вблизи автомагистралей или строительных площадок) и электрических поломок, вызванных высоким напряжением.
Если изоляторы загрязняются, то риск перекрытия быстро возрастает. Перекрытия могут легко разрушить изоляторы и создать серьезные проблемы для операторов сетей. В то же время коронные разряды влияет на дополнительные потери мощности.
В линиях электропередачи проводники подвержены влиянию сильных ветров, старения, коротких замыканий и ударов молнии. Выпавшие жилы и видимые дефекты обычно сигнализируют о необходимости либо ремонта, либо полной замены проводников.
Опоры воздушных линий электропередач подвержены коррозии и экологическим повреждениям. В некоторых районах дикие животные также наносят некоторый ущерб, например, опоры покрываются птичьим пометом, особенно в районах на путях перелетных птиц.
Подробно о том, когда и как осуществляются осмотры ЛЭП: Осмотры воздушных линий электропередач
ЛЭП пересекает болото
Технические средства при проведении осмотров воздушных линий электропередач
Традиционно осмотры воздушных ЛЭП проводятся путем ручной фиксации неполадок в полевых условиях. Раньше это делалось на бумаге, но в настоящее время в основном используются планшеты. Так на практике для контроля изоляторов широко применяется автовышка.
В случае задач с высоким напряжением человек может использовать бинокль или другое оборудование, чтобы лучше оценить ситуацию на опорах.
Более современный (и гораздо более дорогой) способ ведения дел — использовать вертолеты. По сути, метод очень похож на пешую инспекцию, с той разницей, что человек, проводящий осмотр ЛЭП, имеет бинокль или зум-объектив и смотрит на линии с воздуха, на вертолете. Он смотрит на опоры в бинокль и пытается найти и сфотографировать дефекты.
Метод, дающий данные наилучшего качества (и самый дорогой), заключается в том, что оператор оснащен телеобъективом и камерой, записывающей видео. Это позволяет рассмотреть элементы крупным планом после полета дрона.
Все элементы воздушных линий электропередачи снимаются на видео и тщательно изучаются. После этого видеоматериал анализируется на наличие дефектов и при необходимости принимается меры.
Оператор дрона за работой
Решения на основе искусственного интеллекта для проверки воздушных линий электропередач
Поскольку линии электропередачи жизненно важны для обеспечния надежного электроснабжения, все возможные проблемные места и дефекты должны быть обнаружены задолго до того, как они начнут влиять на электрическую сеть.
Обнаружение дефектов с использованием аэрофотоснимков представляет собой интересную, но сложную задачу.
Искусственный интеллект может позволить находить более существенные дефекты, проводить более быстрые проверки и получать подробный обзор состояния воздушной линии электропередачи.
Если операторы сети проводят проверки с помощью дронов, то собираются подробные данные, которые можно затем анализировать с использованием специально созданных моделей искусственного интеллекта с отображением результатов на карте на основе GPS.
Программный комплекс, автоматически находящий деффекты изоляторов ЛЭП
Традиционные методы, основанные на ручных функциях или методах поверхностного обучения, могут локализовать изоляторы и обнаруживать неисправности только при определенных условиях обнаружения, например, когда доступны достаточные предварительные знания, при низком уровне фоновых помех, при определенных масштабах объекта или при определенных условиях освещения.
Искусственный интеллект позволяет точно локализовать дефекты ЛЭП, появляющиеся на входных изображениях, полученных в реальных условиях контроля с аэрофотоснимков.
Так, например, может использоваться каскадная архитектура глубокой сверточной нейронной сети для выполнения локализации и обнаружения дефектов в изоляторах.
Чтобы решить проблему нехватки изображений дефектов в реальной среде контроля, может использоваться метод улучшения качества данных, который включает четыре операции:
- аффинное преобразование;
- сегментация инсулятора и фоновое слияние;
- размытие по Гауссу;
- преобразование яркости.
Точность обнаружения дефектов и полнота данного метода составляют 0,91 и 0,96 при использовании стандартного набора данных по изоляторам, и дефекты изолятора могут быть успешно обнаружены в различных условиях.
Огромное количество фотографий, помеченных по одним и тем же принципам, дает возможность обучать алгоритмы машинного обучения и достигать точки, когда люди могут переложить часть работы на искусственный интеллект.
Пример внедрения технологий ИИ компанией Labelec
Португальская компания Labelec проводит инспекции воздушных линий электропередач и распределительных линий, используя вертолеты и дроны для сбора данных с помощью лазерных датчиков, термографии и визуализации.
Результатом обработки этих данных является отчет с подробным описанием ситуаций, требующих внимания компании, таких как аномалии и потенциальные угрозы безопасности.
Для того чтобы чтобы сделать процесс контроля состояния воздушных линий электропередач более эффективным и результативным применяются алгоритмы на основе искусственного интеллекта.
Изначально была разработана аналитическая модель с технологией машинного обучения, чтобы полностью автоматизировать классификацию данных авиаинспекций.
Инспекции, проводимые с помощью вертолетов или дронов, собирают числовые данные с высоким разрешением. Такие данные необходимо обрабатывать, чтобы отличать релевантные элементы (почва, деревья, опоры, изоляторы, провода) от несущественных (летящие птицы, переносимый по воздуху мусор, частицы пыли).
Эта задача раньше выполнялась вручную, чрезвычайно повторяющаяся и с небольшой добавленной стоимостью. За счет внедрения алгоритма автоматической классификации высвободились ресурсы для задач с более высокой добавленной стоимостью.
На более позднем этапе проекта работа была сосредоточена на разработке модели когнитивной обработки изображений для автоматического обнаружения аномалий в линиях электропередач.
На этом этапе проект сотрудничал с DefinedCrowd, стартапом из США, который занимается оптимизацией обучения моделей искусственного интеллекта и в который недавно инвестировала EDP Ventures.
Алгоритм обрабатывает цифровые фотографии, снятые с вертолетов, автоматически идентифицируя опоры линий электропередач, их компоненты и характерные дефекты таких компонентов (ржавчина, сломанные ограждения и т. д.).
Платформа для проверки линий электропередач и инженерных сетей uBird
Hepta uBird — онлайн-платформа для проверки электрических сетей на базе искусственного интеллекта. Это инструмент для автоматизации анализа линий электропередач и другой инфраструктуры.
uBird позволяет анализировать линии электропередач, железные дороги или другую инфраструктуру, а также дает возможность автоматизировать части процесса с помощью искусственного интеллекта.
Изначально uBird создавался для внутреннего использования — для просмотра изображений с сохранением пространственного восприятия и маркировки дефектов на изображениях.
В настоящее время uBird позволяет создавать пользовательские модели искусственного интеллекта для конкретных клиентов на основе своих наборов данных, которые позволяют искать дефекты, которые больше всего интересуют клиента.
Если клиент заметил увеличение количества изоляторов с перекрытием или коррозией опор, компании может создать модели, которые ищут их на всех их инспекционных изображениях.
Это позволяет клиенту просматривать тысячи изображений за пару минут, просто нажав кнопку. Таким образом, долгий и растянутый процесс проверки ВЛ занимает минуты, а не дни, и позволяет операторам энергосистем принимать меры быстро и на основе подробной информации.
Сломанный изолятор обнаружен на платформе для проверки воздушных линий электропередач uBird
В дополнение к этому, uBird позволяет операторам энергосистем использовать данные различных датчиков при проверке воздушных линий. Таким образом, можно легко обнаружить эффект короны в изоляторах с помощью визуализации короны. Или перегрев элементов с помощью тепловизора.
С помощью датчиков LiDAR можно выполнять даже прогнозный анализ растительности.
Говоря о машинном обучении, часто говорят, что все, что человек может обнаружить на изображении, может и машина. И, в определенной степени, это правда. Хотя одна из ключевых проблем заключается в том, что искусственный интеллект не слишком хорошо распознает глубину резкости в 2D-изображениях.
Например, может быть сложно определить, где находится линия электропередач по отношению к окружающей растительности. Таким образом, в настоящее время метод применения датчиков 3D-LiDAR более надежен в контексте анализа растительности рядом с ЛЭП.
Использование лучших в своем классе AI-моделей с различными данными датчиков позволяет операторам сетей не только обнаруживать больше дефектов в воздушных линиях электропередачи, но и позволяет им предотвращать сбои в работе сети.
Для детального осмотра ЛЭП дрон в среднем пролетает до 30 километров в день и делает около 3000 изображений. На их анализ уходит около одного дня.
Однако с каждой новой проверкой одних и тех же ЛЭП темпы только увеличиваются — с каждым помеченным дефектом модель пропускает все меньше и меньше дефектов, пока не достигается 100% точности, что приводит к меньшему количеству изображений для проверки.
Аналитическая часть может быть выполнена из любого места, где есть доступ в Интернет.
Вывод
Автоматизация не только повышает продуктивность проверок, но и не устает, ничего не забывает, беспощадно объективна. И давайте будем честными, ходить по болотам в поисках сломанных изоляторов — это не работа мечты. Автоматизация открывает новые способы предлагать сотрудникам более увлекательные и сложные задачи.