Dette er et gæsteindlæg af Mario Namtao Shianti Larcher, Head of Computer Vision hos Enel.
Enel, der startede som Italiens nationale enhed for elektricitet, er i dag en multinational virksomhed til stede i 32 lande og den første private netværksoperatør i verden med 74 millioner brugere. Det er også anerkendt som den første vedvarende energispiller med 55.4 GW installeret kapacitet. I de senere år har virksomheden investeret massivt i maskinlæringssektoren (ML) ved at udvikle stærk intern knowhow, der har gjort dem i stand til at realisere meget ambitiøse projekter såsom automatisk overvågning af dets 2.3 millioner kilometers distributionsnetværk.
Hvert år inspicerer Enel sit eldistributionsnet med helikoptere, biler eller andre midler; tager millioner af fotografier; og rekonstruerer 3D-billedet af sit netværk, som er en punkt sky 3D-rekonstruktion af netværket, opnået ved hjælp af LiDAR-teknologi.
Undersøgelse af disse data er afgørende for overvågning af strømnettets tilstand, identifikation af infrastrukturanomalier og opdatering af databaser over installerede aktiver, og det giver mulighed for granulær kontrol af infrastrukturen ned til materialet og status for den mindste isolator installeret på en given pol. I betragtning af mængden af data (mere end 40 millioner billeder hvert år kun i Italien), antallet af elementer, der skal identificeres, og deres specificitet, er en fuldstændig manuel analyse meget omkostningsfuld, både i form af tid og penge, og udsat for fejl. Heldigvis, takket være enorme fremskridt i verden af computersyn og dyb læring og modenheden og demokratiseringen af disse teknologier, er det muligt at automatisere denne dyre proces delvist eller endda fuldstændigt.
Selvfølgelig er opgaven fortsat meget udfordrende, og som alle moderne AI-applikationer kræver den computerkraft og evnen til at håndtere store mængder data effektivt.
Enel byggede sin egen ML-platform (internt kaldet ML-fabrikken) baseret på Amazon SageMaker, og platformen er etableret som standardløsningen til at bygge og træne modeller hos Enel til forskellige use cases på tværs af forskellige digitale hubs (business units) med snesevis af ML-projekter under udvikling på Amazon SageMaker træning, Amazon SageMaker-behandling, og andre AWS-tjenester som AWS-trinfunktioner.
Enel indsamler billeder og data fra to forskellige kilder:
- Luftnetværksinspektioner:
- LiDAR punktskyer – De har fordelen af at være en ekstremt nøjagtig og geo-lokaliseret 3D-rekonstruktion af infrastrukturen, og er derfor meget anvendelige til at beregne afstande eller tage målinger med en nøjagtighed, der ikke kan opnås ved 2D-billedanalyse.
- Billeder i høj opløsning – Disse billeder af infrastrukturen er taget inden for få sekunder fra hinanden. Dette gør det muligt at detektere elementer og anomalier, der er for små til at blive identificeret i punktskyen.
- Satellitbilleder – Selvom disse kan være mere overkommelige end en strømledningsinspektion (nogle er tilgængelige gratis eller mod betaling), er deres opløsning og kvalitet ofte ikke på niveau med billeder taget direkte af Enel. Disse billeders egenskaber gør dem nyttige til visse opgaver som at evaluere skovtæthed og makrokategori eller finde bygninger.
I dette indlæg diskuterer vi detaljerne om, hvordan Enel bruger disse tre kilder, og deler, hvordan Enel automatiserer deres storstilede elnetvurderingsstyring og anomalidetektionsproces ved hjælp af SageMaker.
Analyse af billeder i høj opløsning for at identificere aktiver og uregelmæssigheder
Som med andre ustrukturerede data indsamlet under inspektioner, gemmes de fotografier, der tages på Amazon Simple Storage Service (Amazon S3). Nogle af disse er manuelt mærket med det formål at træne forskellige deep learning-modeller til forskellige computervisionsopgaver.
Begrebsmæssigt involverer behandlings- og inferenspipelinen en hierarkisk tilgang med flere trin: Først identificeres de områder af interesse i billedet, derefter beskæres disse, aktiver identificeres i dem, og til sidst klassificeres disse i henhold til materialet eller tilstedeværelsen af anomalier på dem. Fordi den samme pol ofte optræder i mere end ét billede, er det også nødvendigt at kunne gruppere sine billeder for at undgå dubletter, en operation kaldet genidentifikation.
Til alle disse opgaver bruger Enel PyTorch-rammeværket og de nyeste arkitekturer til billedklassificering og objektdetektering, som f.eks. EfficientNet/EfficientDet eller andre til semantisk segmentering af visse anomalier, såsom olielækager på transformere. Til genidentifikationsopgaven, hvis de ikke kan gøre det geometrisk, fordi de mangler kameraparametre, bruger de SimCLRDer anvendes -baserede selvstyrede metoder eller transformatorbaserede arkitekturer. Det ville være umuligt at træne alle disse modeller uden at have adgang til et stort antal instanser udstyret med højtydende GPU'er, så alle modellerne blev trænet parallelt vha. Amazon SageMaker træning job med GPU-accelererede ML-instanser. Inferens har samme struktur og er orkestreret af en Step Functions-tilstandsmaskine, der styrer adskillige SageMaker-bearbejdnings- og træningsjob, der på trods af navnet er lige så brugbare i træning som i inferens.
Det følgende er en højniveauarkitektur af ML-pipelinen med dens hovedtrin.
Dette diagram viser den forenklede arkitektur af ODIN-billedslutningspipelinen, som udtrækker og analyserer ROI'er (såsom elposter) fra datasætbilleder. Rørledningen borer yderligere ned på ROI'er, udvinder og analyserer elektriske elementer (transformatorer, isolatorer og så videre). Efter at komponenterne (ROI'er og elementer) er færdiggjort, begynder genidentifikationsprocessen: billeder og poler i netværkskortet matches baseret på 3D-metadata. Dette tillader klyngning af ROI'er, der refererer til den samme pol. Derefter afsluttes uregelmæssigheder, og rapporter genereres.
Udtræk præcise målinger ved hjælp af LiDAR punktskyer
Højopløselige fotografier er meget nyttige, men fordi de er 2D, er det umuligt at udtrække præcise målinger fra dem. LiDAR punktskyer kommer her til undsætning, fordi de er 3D og har hvert punkt i skyen en position med en tilhørende fejl på mindre end en håndfuld centimeter.
Men i mange tilfælde er en rå punktsky ikke nyttig, fordi du ikke kan gøre meget med den, hvis du ikke ved, om et sæt punkter repræsenterer et træ, en elledning eller et hus. Af denne grund bruger Enel KPConv, en semantisk punktsky segmenteringsalgoritme, for at tildele en klasse til hvert punkt. Efter at skyen er klassificeret, er det muligt at finde ud af, om vegetationen er for tæt på elledningen i stedet for at måle pælenes hældning. På grund af fleksibiliteten i SageMaker-tjenester er pipelinen af denne løsning ikke meget anderledes end den, der allerede er beskrevet, med den eneste forskel, at det i dette tilfælde også er nødvendigt at bruge GPU-instanser til slutninger.
Følgende er nogle eksempler på punktskybilleder.
Ser på elnettet fra rummet: Kortlægning af vegetation for at forhindre serviceforstyrrelser
Inspicering af elnettet med helikoptere og andre midler er generelt meget dyrt og kan ikke gøres for ofte. På den anden side er det yderst nyttigt at have et system til at overvåge vegetationstendenser i korte tidsintervaller til at optimere en af de dyreste processer for en energifordeler: træbeskæring. Derfor har Enel også inkluderet analysen af satellitbilleder i sin løsning, hvorfra man med en multitask tilgang identificerer, hvor vegetationen er til stede, dens tæthed og typen af planter opdelt i makroklasser.
Til denne brugssag konkluderede Enel efter at have eksperimenteret med forskellige opløsninger, at den gratis Sentinel 2 billeder leveret af Copernicus-programmet havde det bedste cost-benefit-forhold. Ud over vegetation bruger Enel også satellitbilleder til at identificere bygninger, hvilket er nyttig information til at forstå, hvis der er uoverensstemmelser mellem deres tilstedeværelse og hvor Enel leverer strøm og derfor eventuelle uregelmæssige forbindelser eller problemer i databaserne. Til sidstnævnte tilfælde er opløsningen af Sentinel 2, hvor én pixel repræsenterer et areal på 10 kvadratmeter, ikke tilstrækkelig, og derfor købes der betalte billeder med en opløsning på 50 kvadratcentimeter. Denne løsning adskiller sig heller ikke meget fra de tidligere med hensyn til anvendte tjenester og flow.
Det følgende er et luftbillede med identifikation af aktiver (pæl og isolatorer).
Angela Italiano, direktør for datavidenskab hos ENEL Grid, siger:
"Hos Enel bruger vi computervisionsmodeller til at inspicere vores eldistributionsnetværk ved at rekonstruere 3D-billeder af vores netværk ved hjælp af titusinder af højkvalitetsbilleder og LiDAR-punktskyer. Træningen af disse ML-modeller kræver adgang til et stort antal instanser udstyret med højtydende GPU'er og evnen til at håndtere store mængder data effektivt. Med Amazon SageMaker kan vi hurtigt træne alle vores modeller parallelt uden at skulle administrere infrastrukturen, da Amazon SageMaker-træning skalerer computerressourcerne op og ned efter behov. Ved at bruge Amazon SageMaker er vi i stand til at bygge 3D-billeder af vores systemer, overvåge for uregelmæssigheder og betjene over 60 millioner kunder effektivt."
Konklusion
I dette indlæg så vi, hvordan en topspiller i energiverdenen som Enel brugte computervisionsmodeller og SageMaker trænings- og behandlingsjob til at løse et af hovedproblemerne for dem, der skal administrere en infrastruktur af denne kolossale størrelse, holde styr på installerede aktiver og identificere uregelmæssigheder og kilder til fare for en kraftledning, såsom vegetation for tæt på den.
Lær mere om de relaterede funktioner i SageMaker.
Om forfatterne
Mario Namtao Shianti Larcher er chef for Computer Vision hos Enel. Han har en baggrund i matematik, statistik og en dyb ekspertise i maskinlæring og computersyn, han leder et team på over ti fagfolk. Marios rolle indebærer implementering af avancerede løsninger, der effektivt udnytter kraften i AI og computervision til at udnytte Enels omfattende dataressourcer. Ud over sine professionelle bestræbelser nærer han en personlig passion for både traditionel og AI-genereret kunst.
Cristian Gavazzeni er Senior Solution Architect hos Amazon Web Services. Han har mere end 20 års erfaring som pre-sales konsulent med fokus på Data Management, Infrastruktur og Sikkerhed. I sin fritid kan han godt lide at spille golf med venner og rejse til udlandet med kun fly- og kør-reservationer.
Giuseppe Angelo Porcelli er en primær maskinlæringsspecialist-løsningsarkitekt for Amazon Web Services. Med flere års softwareingeniør og ML-baggrund arbejder han med kunder af enhver størrelse for at forstå deres forretningsmæssige og tekniske behov dybt og designe AI- og Machine Learning-løsninger, der gør den bedste brug af AWS Cloud og Amazon Machine Learning-stakken. Han har arbejdet på projekter inden for forskellige domæner, herunder MLOps, Computer Vision, NLP og involverer et bredt sæt af AWS-tjenester. I sin fritid nyder Giuseppe at spille fodbold.
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
- PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
- PlatoESG. Automotive/elbiler, Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
- BlockOffsets. Modernisering af miljømæssig offset-ejerskab. Adgang her.
- Kilde: https://aws.amazon.com/blogs/machine-learning/enel-automates-large-scale-power-grid-asset-management-and-anomaly-detection-using-amazon-sagemaker/
- :har
- :er
- :ikke
- :hvor
- $OP
- 1
- 10
- 100
- 13
- 20
- 20 år
- 2D
- 32
- 3d
- 40
- 50
- 60
- 7
- a
- evne
- I stand
- Om
- accelereret
- adgang
- Ifølge
- nøjagtighed
- præcis
- tværs
- Desuden
- fremskreden
- fremskridt
- Fordel
- overkommelige
- Efter
- AI
- algoritme
- Alle
- tillader
- allerede
- også
- Skønt
- Amazon
- Amazon maskinindlæring
- Amazon SageMaker
- Amazon Web Services
- ambitiøst
- beløb
- an
- analyse
- analyser
- analysere
- ,
- afsløring af anomalier
- enhver
- kommer til syne
- applikationer
- tilgang
- arkitektonisk
- arkitektur
- ER
- OMRÅDE
- Kunst
- AS
- vurdering
- aktiv
- formueforvaltning
- Aktiver
- forbundet
- At
- automatisere
- automater
- Automatisk Ur
- til rådighed
- undgå
- AWS
- baggrund
- baseret
- BE
- fordi
- være
- BEDSTE
- mellem
- bookinger
- både
- bred
- bygge
- bygget
- virksomhed
- men
- by
- beregning
- kaldet
- værelse
- CAN
- Kapacitet
- biler
- tilfælde
- tilfælde
- vis
- udfordrende
- karakteristika
- klasse
- klasser
- klassificering
- klassificeret
- Luk
- Cloud
- klyngedannelse
- Kom
- selskab
- fuldstændig
- komponenter
- Compute
- computer
- Computer Vision
- computing
- computerkraft
- indgået
- Tilslutninger
- konsulent
- kontrol
- kostbar
- lande
- Kursus
- kritisk
- Kunder
- FARE
- data
- datastyring
- datalogi
- databaser
- dyb
- dyb læring
- leverer
- demokratisering
- beskrevet
- Design
- Trods
- detaljer
- opdage
- Detektion
- udviklet
- udvikling
- afvige
- forskel
- forskellige
- digital
- direkte
- Direktør
- diskutere
- fordeling
- Divided
- do
- Er ikke
- Domæner
- færdig
- Dont
- ned
- køre
- grund
- dubletter
- i løbet af
- hver
- effektivt
- effektivt
- elektricitet
- elementer
- aktiveret
- bestræbelser
- energi
- Engineering
- enorm
- enhed
- udstyret
- fejl
- etableret
- evaluere
- Endog
- eksempler
- dyrt
- erfaring
- ekspertise
- omfattende
- ekstrakt
- Uddrag
- ekstremt
- fabrik
- Funktionalitet
- gebyr
- Figur
- færdiggjort
- Endelig
- finde
- Fornavn
- Fleksibilitet
- flow
- fokusering
- efter
- fodbold
- Til
- skov
- Heldigvis
- Framework
- Gratis
- hyppigt
- venner
- fra
- funktioner
- yderligere
- generelt
- genereret
- få
- given
- mål
- golf
- regulerer
- GPU
- GPU'er
- Grid
- gruppe
- Gæst
- gæst Indlæg
- havde
- hånd
- håndfuld
- håndtere
- Have
- have
- he
- hoved
- stærkt
- link.
- højt niveau
- Høj ydeevne
- høj kvalitet
- høj opløsning
- hans
- hus
- Hvordan
- HTML
- http
- HTTPS
- Identifikation
- identificeret
- identificere
- identificere
- if
- billede
- Billedklassificering
- billeder
- gennemføre
- umuligt
- in
- medtaget
- Herunder
- oplysninger
- Infrastruktur
- installeret
- interesse
- internt
- ind
- investeret
- involverer
- IT
- Italiensk vin
- Varer
- ITS
- Karriere
- jpg
- lige
- Holde
- Kend
- Mangel
- stor
- storstilet
- seneste
- Leads
- Lækager
- læring
- mindre
- Leverage
- ligesom
- synes godt om
- Line (linje)
- maskine
- machine learning
- Makro
- Main
- lave
- maerker
- administrere
- ledelse
- manuel
- manuelt
- mange
- kort
- kortlægning
- mario
- matchede
- materiale
- matematik
- modenhed
- midler
- målinger
- måling
- Metadata
- metoder
- million
- millioner
- ML
- MLOps
- modeller
- Moderne
- penge
- Overvåg
- overvågning
- mere
- mest
- meget
- multinationale
- flere
- navn
- national
- nødvendig
- behov
- behøve
- behov
- netværk
- NLP
- nummer
- objekt
- Objektdetektion
- opnået
- of
- tit
- Olie
- on
- ONE
- dem
- kun
- drift
- operatør
- optimering
- or
- orkestreret
- Andet
- Andre
- vores
- ud
- i løbet af
- egen
- Parallel
- parametre
- lidenskab
- personale
- fotografier
- billede
- pipeline
- pixel
- Planter
- perron
- plato
- Platon Data Intelligence
- PlatoData
- spiller
- spiller
- Punkt
- punkter
- position
- mulig
- Indlæg
- Indlæg
- magt
- Elnet
- brug
- tilstedeværelse
- præsentere
- forhindre
- tidligere
- Main
- private
- problemer
- behandle
- Processer
- forarbejdning
- professionel
- professionelle partnere
- dyb
- Program
- projekter
- forudsat
- købt
- pytorch
- kvalitet
- hurtigt
- hellere
- forholdet
- Raw
- indse
- grund
- nylige
- anerkendt
- regioner
- relaterede
- resterne
- Vedvarende energi
- Rapporter
- repræsenterer
- Kræver
- redde
- Løsning
- Ressourcer
- roller
- sagemaker
- samme
- satellit
- så
- siger
- skalaer
- Videnskab
- sekunder
- sektor
- sikkerhed
- segmentering
- senior
- tjener
- tjeneste
- Tjenester
- sæt
- flere
- Del
- Kort
- Shows
- Simpelt
- forenklet
- Størrelse
- lille
- So
- Software
- software Engineering
- løsninger
- Løsninger
- SOLVE
- nogle
- Kilder
- Space
- specialist
- specificitet
- firkant
- stable
- standard
- påbegyndt
- Tilstand
- statistik
- Status
- Trin
- Steps
- opbevaring
- opbevaret
- stærk
- struktur
- sådan
- tilstrækkeligt
- systemet
- Systemer
- taget
- tager
- tager
- Opgaver
- opgaver
- hold
- Teknisk
- Teknologier
- Teknologier
- ti
- tiere
- vilkår
- end
- Tak
- at
- Staten
- verdenen
- deres
- Them
- derefter
- Der.
- derfor
- Disse
- de
- denne
- dem
- tre
- tid
- til
- i dag
- også
- top
- spor
- traditionelle
- Tog
- uddannet
- Kurser
- transformers
- træ
- Tendenser
- to
- typen
- forstå
- enheder
- opdatering
- brugbar
- brug
- brug tilfælde
- anvendte
- brugere
- bruger
- ved brug af
- udnytte
- meget
- vision
- mængder
- we
- web
- webservices
- GODT
- var
- hvorvidt
- som
- WHO
- hvorfor
- Wikipedia
- med
- inden for
- uden
- arbejdede
- virker
- world
- ville
- år
- år
- Du
- zephyrnet