Dies ist ein Gastbeitrag von Mario Namtao Shianti Larcher, Leiter Computer Vision bei Enel.
Enel, das als italienisches nationales Elektrizitätsunternehmen begann, ist heute ein multinationales Unternehmen mit Präsenz in 32 Ländern und der erste private Netzbetreiber der Welt mit 74 Millionen Nutzern. Mit einer installierten Leistung von 55.4 GW gilt das Unternehmen außerdem als erster Akteur im Bereich der erneuerbaren Energien. In den letzten Jahren hat das Unternehmen stark in den Bereich des maschinellen Lernens (ML) investiert, indem es starkes internes Know-how aufgebaut hat, das es ihm ermöglicht hat, sehr ehrgeizige Projekte wie die automatische Überwachung seines 2.3 Millionen Kilometer langen Vertriebsnetzes zu realisieren.
Jedes Jahr inspiziert Enel sein Stromverteilungsnetz mit Hubschraubern, Autos oder anderen Mitteln; macht Millionen von Fotos; und rekonstruiert das 3D-Bild seines Netzwerks, das a ist Punktwolke 3D-Rekonstruktion des Netzwerks, erstellt mit LiDAR-Technologie.
Die Untersuchung dieser Daten ist von entscheidender Bedeutung für die Überwachung des Zustands des Stromnetzes, die Identifizierung von Infrastrukturanomalien und die Aktualisierung von Datenbanken installierter Anlagen. Sie ermöglicht eine detaillierte Kontrolle der Infrastruktur bis hin zum Material und Status des kleinsten an einem bestimmten Mast installierten Isolators. Angesichts der Datenmenge (mehr als 40 Millionen Bilder pro Jahr allein in Italien), der Anzahl der zu identifizierenden Elemente und ihrer Spezifität ist eine vollständig manuelle Analyse sowohl zeitlich als auch finanziell sehr kostspielig und fehleranfällig. Glücklicherweise ist es dank enormer Fortschritte in der Welt des Computer Vision und Deep Learning sowie der Reife und Demokratisierung dieser Technologien möglich, diesen teuren Prozess teilweise oder sogar vollständig zu automatisieren.
Natürlich bleibt die Aufgabe sehr anspruchsvoll und erfordert wie alle modernen KI-Anwendungen Rechenleistung und die Fähigkeit, große Datenmengen effizient zu verarbeiten.
Enel baute eine eigene ML-Plattform (intern ML-Fabrik genannt) auf Basis von auf Amazon Sage Maker, und die Plattform hat sich als Standardlösung zum Erstellen und Trainieren von Modellen bei Enel für verschiedene Anwendungsfälle über verschiedene digitale Hubs (Geschäftseinheiten) hinweg etabliert, wobei Dutzende von ML-Projekten entwickelt werden Amazon SageMaker-Schulung, Amazon SageMaker-Verarbeitungund andere AWS-Dienste wie AWS Step-Funktionen.
Enel sammelt Bilder und Daten aus zwei verschiedenen Quellen:
- Inspektionen von Luftnetzen:
- LiDAR-Punktwolken – Sie haben den Vorteil, dass es sich um eine äußerst genaue und geolokalisierte 3D-Rekonstruktion der Infrastruktur handelt, und sind daher sehr nützlich für die Berechnung von Entfernungen oder die Durchführung von Messungen mit einer Genauigkeit, die mit einer 2D-Bildanalyse nicht erreichbar ist.
- Hochauflösende Bilder – Diese Bilder der Infrastruktur werden innerhalb von Sekunden aufgenommen. Dadurch ist es möglich, Elemente und Anomalien zu erkennen, die zu klein sind, um in der Punktwolke identifiziert zu werden.
- Satellitenbilder – Obwohl diese möglicherweise günstiger sind als eine Stromleitungsinspektion (einige sind kostenlos oder gegen Gebühr erhältlich), sind ihre Auflösung und Qualität oft nicht mit den direkt von Enel aufgenommenen Bildern vergleichbar. Die Eigenschaften dieser Bilder machen sie für bestimmte Aufgaben nützlich, etwa die Bewertung der Walddichte und der Makrokategorie oder das Auffinden von Gebäuden.
In diesem Beitrag besprechen wir die Details, wie Enel diese drei Quellen nutzt, und teilen mit, wie Enel sein groß angelegtes Stromnetzbewertungsmanagement und den Anomalieerkennungsprozess mithilfe von SageMaker automatisiert.
Analyse hochauflösender Fotos zur Identifizierung von Vermögenswerten und Anomalien
Wie andere unstrukturierte Daten, die bei Inspektionen erfasst werden, werden auch die aufgenommenen Fotos gespeichert Amazon Simple Storage-Service (Amazon S3). Einige davon werden manuell beschriftet, mit dem Ziel, verschiedene Deep-Learning-Modelle für verschiedene Computer-Vision-Aufgaben zu trainieren.
Konzeptionell umfasst die Verarbeitungs- und Inferenzpipeline einen hierarchischen Ansatz mit mehreren Schritten: Zuerst werden die interessierenden Bereiche im Bild identifiziert, dann werden diese beschnitten, darin werden Assets identifiziert und schließlich werden diese nach dem Material oder dem Vorhandensein von Anomalien auf ihnen klassifiziert. Da derselbe Pol oft in mehr als einem Bild erscheint, ist es auch notwendig, seine Bilder zu gruppieren, um Duplikate zu vermeiden, ein Vorgang, der „ Neuidentifizierung.
Für all diese Aufgaben nutzt Enel das PyTorch-Framework und die neuesten Architekturen zur Bildklassifizierung und Objekterkennung, wie z EfficientNet/EfficientDet oder andere zur semantischen Segmentierung bestimmter Anomalien, wie z. B. Öllecks an Transformatoren. Wenn sie die Reidentifizierungsaufgabe geometrisch nicht durchführen können, weil ihnen Kameraparameter fehlen, verwenden sie SimCLRZum Einsatz kommen -basierte selbstüberwachte Methoden oder Transformer-basierte Architekturen. Es wäre unmöglich, alle diese Modelle zu trainieren, ohne Zugriff auf eine große Anzahl von Instanzen zu haben, die mit Hochleistungs-GPUs ausgestattet sind. Daher wurden alle Modelle parallel mit trainiert Amazon SageMaker-Schulung Jobs mit GPU-beschleunigten ML-Instanzen. Die Inferenz hat die gleiche Struktur und wird von einer Step Functions-Zustandsmaschine orchestriert, die mehrere SageMaker-Verarbeitungs- und Trainingsjobs steuert, die trotz des Namens sowohl für das Training als auch für die Inferenz verwendet werden können.
Im Folgenden finden Sie eine allgemeine Architektur der ML-Pipeline mit ihren Hauptschritten.
Dieses Diagramm zeigt die vereinfachte Architektur der ODIN-Bildinferenzpipeline, die ROIs (z. B. Strommasten) aus Datensatzbildern extrahiert und analysiert. Die Pipeline geht weiter auf ROIs ein und extrahiert und analysiert elektrische Elemente (Transformatoren, Isolatoren usw.). Nachdem die Komponenten (ROIs und Elemente) fertiggestellt sind, beginnt der Neuidentifizierungsprozess: Bilder und Pole in der Netzwerkkarte werden basierend auf 3D-Metadaten abgeglichen. Dies ermöglicht die Clusterung von ROIs, die sich auf denselben Pol beziehen. Anschließend werden Anomalien behoben und Berichte erstellt.
Extrahieren präziser Messungen mithilfe von LiDAR-Punktwolken
Hochauflösende Fotos sind sehr nützlich, aber da es sich um 2D-Fotos handelt, ist es unmöglich, daraus präzise Messungen zu extrahieren. Hier helfen LiDAR-Punktwolken, da sie dreidimensional sind und jeder Punkt in der Wolke eine Position mit einem damit verbundenen Fehler von weniger als ein paar Zentimetern aufweist.
Allerdings ist eine rohe Punktwolke in vielen Fällen nicht sinnvoll, da man damit nicht viel anfangen kann, wenn man nicht weiß, ob eine Punktmenge einen Baum, eine Stromleitung oder ein Haus darstellt. Aus diesem Grund verwendet Enel KPConv, ein semantischer Punktwolken-Segmentierungsalgorithmus, um jedem Punkt eine Klasse zuzuweisen. Nachdem die Wolke klassifiziert wurde, ist es möglich herauszufinden, ob sich die Vegetation zu nahe an der Stromleitung befindet, anstatt die Neigung der Masten zu messen. Aufgrund der Flexibilität der SageMaker-Dienste unterscheidet sich die Pipeline dieser Lösung nicht wesentlich von der bereits beschriebenen, mit dem einzigen Unterschied, dass in diesem Fall auch GPU-Instanzen für die Inferenz verwendet werden müssen.
Im Folgenden finden Sie einige Beispiele für Punktwolkenbilder.
Blick aus dem Weltraum auf das Stromnetz: Kartierung der Vegetation zur Vermeidung von Versorgungsunterbrechungen
Die Inspektion des Stromnetzes mit Helikoptern und anderen Mitteln ist im Allgemeinen sehr teuer und kann nicht allzu häufig durchgeführt werden. Andererseits ist ein System zur Überwachung von Vegetationstrends in kurzen Zeitintervallen äußerst nützlich, um einen der teuersten Prozesse eines Energieverteilers zu optimieren: das Beschneiden von Bäumen. Aus diesem Grund hat Enel in seine Lösung auch die Analyse von Satellitenbildern integriert, aus denen mit einem Multitasking-Ansatz ermittelt wird, wo Vegetation vorhanden ist, wie dicht sie ist und welche Pflanzenarten in Makroklassen unterteilt sind.
Für diesen Anwendungsfall kam Enel nach dem Experimentieren mit verschiedenen Auflösungen zu dem Schluss, dass die kostenlose Sentinel 2-Bilder Die durch das Copernicus-Programm bereitgestellten Mittel hatten das beste Kosten-Nutzen-Verhältnis. Zusätzlich zur Vegetation verwendet Enel auch Satellitenbilder, um Gebäude zu identifizieren. Dies sind nützliche Informationen, um zu verstehen, ob es Diskrepanzen zwischen ihrer Anwesenheit und dem Ort gibt, an dem Enel Strom liefert und somit unregelmäßige Verbindungen oder Probleme in den Datenbanken aufweist. Für den letztgenannten Anwendungsfall reicht die Auflösung von Sentinel 2, bei der ein Pixel eine Fläche von 10 Quadratmetern repräsentiert, nicht aus, sodass kostenpflichtige Bilder mit einer Auflösung von 50 Quadratzentimetern eingekauft werden. Auch hinsichtlich der genutzten Dienste und des Ablaufs unterscheidet sich diese Lösung kaum von den vorherigen.
Das Folgende ist ein Luftbild mit der Identifizierung der Anlagen (Masten und Isolatoren).
Angela Italiano, Direktorin für Datenwissenschaft bei ENEL Grid, sagt:
„Bei Enel verwenden wir Computer-Vision-Modelle, um unser Stromverteilungsnetz zu inspizieren, indem wir 3D-Bilder unseres Netzes anhand von zig Millionen hochwertigen Bildern und LiDAR-Punktwolken rekonstruieren. Das Training dieser ML-Modelle erfordert den Zugriff auf eine große Anzahl von Instanzen, die mit Hochleistungs-GPUs ausgestattet sind, und die Fähigkeit, große Datenmengen effizient zu verarbeiten. Mit Amazon SageMaker können wir alle unsere Modelle schnell parallel trainieren, ohne die Infrastruktur verwalten zu müssen, da das Amazon SageMaker-Training die Rechenressourcen je nach Bedarf hoch- und herunterskaliert. Mit Amazon SageMaker sind wir in der Lage, 3D-Bilder unserer Systeme zu erstellen, auf Anomalien zu überwachen und über 60 Millionen Kunden effizient zu bedienen.“
Zusammenfassung
In diesem Beitrag haben wir gesehen, wie ein Top-Player in der Energiewelt wie Enel Computer-Vision-Modelle und SageMaker-Schulungs- und Verarbeitungsjobs einsetzte, um eines der Hauptprobleme derjenigen zu lösen, die eine Infrastruktur dieser kolossalen Größe verwalten, den Überblick über installierte Anlagen behalten und Anomalien und Gefahrenquellen für eine Stromleitung identifizieren müssen, wie z. B. Vegetation zu nahe daran.
Erfahren Sie mehr über die zugehörigen Funktionen von SageMaker.
Über die Autoren
Mario Namtao Shianti Larcher ist Leiter Computer Vision bei Enel. Er hat einen Hintergrund in Mathematik, Statistik und verfügt über fundierte Fachkenntnisse in maschinellem Lernen und Computer Vision. Er leitet ein Team von über zehn Fachleuten. Zu Marios Rolle gehört die Implementierung fortschrittlicher Lösungen, die die Leistungsfähigkeit von KI und Computer Vision effektiv nutzen, um die umfangreichen Datenressourcen von Enel zu nutzen. Zusätzlich zu seinen beruflichen Aktivitäten pflegt er eine persönliche Leidenschaft für traditionelle und KI-generierte Kunst.
Cristian Gavazzeni ist Senior Solution Architect bei Amazon Web Services. Er verfügt über mehr als 20 Jahre Erfahrung als Pre-Sales-Berater mit den Schwerpunkten Datenmanagement, Infrastruktur und Sicherheit. In seiner Freizeit spielt er gerne Golf mit Freunden und reist ins Ausland, wobei er nur Flug- und Fahrbuchungen vornimmt.
Giuseppe Angelo Porcelli ist ein Principal Machine Learning Specialist Solutions Architect für Amazon Web Services. Mit mehrjährigem Softwareentwicklungs- und ML-Hintergrund arbeitet er mit Kunden jeder Größe zusammen, um ihre geschäftlichen und technischen Anforderungen genau zu verstehen und Lösungen für KI und maschinelles Lernen zu entwickeln, die die AWS Cloud und den Amazon Machine Learning-Stack optimal nutzen. Er hat an Projekten in verschiedenen Bereichen gearbeitet, darunter MLOps, Computer Vision, NLP, und eine breite Palette von AWS-Services einbezogen. In seiner Freizeit spielt Giuseppe gerne Fußball.
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
- PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
- PlatoESG. Automobil / Elektrofahrzeuge, Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
- BlockOffsets. Modernisierung des Eigentums an Umweltkompensationen. Hier zugreifen.
- Quelle: https://aws.amazon.com/blogs/machine-learning/enel-automates-large-scale-power-grid-asset-management-and-anomaly-detection-using-amazon-sagemaker/
- :hast
- :Ist
- :nicht
- :Wo
- $UP
- 1
- 10
- 100
- 13
- 20
- 20 Jahre
- 2D
- 32
- 3d
- 40
- 50
- 60
- 7
- a
- Fähigkeit
- Fähig
- Über Uns
- beschleunigt
- Zugang
- Nach
- Genauigkeit
- genau
- über
- Zusatz
- advanced
- Vorschüsse
- Vorteil
- Ranking
- Nach der
- AI
- Algorithmus
- Alle
- erlaubt
- bereits
- ebenfalls
- Obwohl
- Amazon
- Amazon Machine Learning
- Amazon Sage Maker
- Amazon Web Services
- ehrgeizig
- Betrag
- an
- Analyse
- Analysen
- Analyse
- und
- Anomalieerkennung
- jedem
- erscheint
- Anwendungen
- Ansatz
- architektonisch
- Architektur
- SIND
- Bereich
- Kunst
- AS
- Bewertung
- Vermögenswert
- Vermögensverwaltung
- Details
- damit verbundenen
- At
- automatisieren
- Automatisches Erfassen:
- automatische
- verfügbar
- vermeiden
- AWS
- Hintergrund
- basierend
- BE
- weil
- Sein
- BESTE
- zwischen
- Buchungen
- beide
- breit
- bauen
- erbaut
- Geschäft
- aber
- by
- Berechnung
- namens
- Kamera
- CAN
- Kapazität
- Autos
- Häuser
- Fälle
- sicher
- herausfordernd
- Charakteristik
- Klasse
- Unterricht
- Einstufung
- eingestuft
- Menu
- Cloud
- Clustering
- wie die
- Unternehmen
- uneingeschränkt
- Komponenten
- Berechnen
- Computer
- Computer Vision
- Computing
- Rechenleistung
- geschlossen
- Verbindungen
- Berater
- Smartgeräte App
- teuer werden
- Ländern
- Kurs
- kritischem
- Kunden
- ACHTUNG
- technische Daten
- Datenmanagement
- Datenwissenschaft
- Datenbanken
- tief
- tiefe Lernen
- liefert
- Demokratisierung
- beschrieben
- Design
- Trotz
- Details
- entdecken
- Entdeckung
- entwickelt
- Entwicklung
- abweichen
- Unterschied
- anders
- digital
- Direkt
- Direktor
- diskutieren
- Verteilung
- geteilt
- do
- Tut nicht
- Domains
- erledigt
- Nicht
- nach unten
- Antrieb
- zwei
- Duplikate
- im
- jeder
- effektiv
- effizient
- Strom
- Elemente
- freigegeben
- bemüht sich
- Energie
- Entwicklung
- enorm
- Einheit
- ausgestattet
- Fehler
- etablierten
- Auswerten
- Sogar
- Beispiele
- teuer
- ERFAHRUNGEN
- Expertise
- umfangreiche
- Extrakt
- KONZENTRAT
- äußerst
- Fabrik
- Eigenschaften
- Gebühr
- Abbildung
- abgeschlossen
- Endlich
- Suche nach
- Vorname
- Flexibilität
- Fluss
- Fokussierung
- Folgende
- Fußball
- Aussichten für
- Wald
- Zum Glück
- Unser Ansatz
- Frei
- häufig
- Freunde
- für
- Funktionen
- weiter
- allgemein
- erzeugt
- bekommen
- gegeben
- Kundenziele
- Golf
- regiert
- GPU
- GPUs
- Gitter
- Gruppe an
- GUEST
- Guest Post
- hätten
- Pflege
- Hand voll
- Griff
- Haben
- mit
- he
- ganzer
- schwer
- hier
- High-Level
- Hohe Leistungsfähigkeit
- hochwertige
- hochauflösenden
- seine
- Häuser
- Ultraschall
- HTML
- http
- HTTPS
- Login
- identifiziert
- identifizieren
- Identifizierung
- if
- Image
- Bildklassifizierung
- Bilder
- Umsetzung
- unmöglich
- in
- inklusive
- Einschließlich
- Information
- Infrastruktur
- installiert
- Interesse
- innen
- in
- investiert
- Beteiligung
- IT
- Italien
- Artikel
- SEINE
- Jobs
- jpg
- nur
- Behalten
- Wissen
- Mangel
- grosse
- großflächig
- neueste
- umwandeln
- Undichtigkeiten
- lernen
- weniger
- Hebelwirkung
- Gefällt mir
- Gleichen
- Line
- Maschine
- Maschinelles Lernen
- Makro
- Main
- um
- MACHT
- verwalten
- Management
- manuell
- manuell
- viele
- Karte
- Mapping
- mario
- abgestimmt
- Ihres Materials
- Mathematik
- Reife
- Mittel
- Messungen
- Messen
- Metadaten
- Methoden
- Million
- Millionen
- ML
- MLOps
- für
- modern
- Geld
- Überwachen
- Überwachung
- mehr
- vor allem warme
- viel
- multinationalen
- mehrere
- Name
- National
- notwendig,
- erforderlich
- benötigen
- Bedürfnisse
- Netzwerk
- Nlp
- Anzahl
- Objekt
- Objekterkennung
- erhalten
- of
- vorgenommen,
- ÖL
- on
- EINEM
- Einsen
- einzige
- Betrieb
- Operator
- Optimierung
- or
- orchestriert
- Andere
- Anders
- UNSERE
- übrig
- besitzen
- Parallel
- Parameter
- Leidenschaft & KREATIVITÄT
- persönliche
- Fotografien
- ein Bild
- Pipeline
- Pixel
- Pflanzen
- Plattform
- Plato
- Datenintelligenz von Plato
- PlatoData
- Spieler
- spielend
- Points
- Punkte
- Position
- möglich
- Post
- BLOG-POSTS
- Werkzeuge
- Stromnetz
- präzise
- Präsenz
- Gegenwart
- verhindern
- früher
- Principal
- privat
- Probleme
- Prozessdefinierung
- anpassen
- Verarbeitung
- Professionell
- Profis
- tiefgreifende
- Programm
- Projekte
- vorausgesetzt
- gekauft
- Pytorch
- Qualität
- schnell
- lieber
- Verhältnis
- Roh
- realisieren
- Grund
- kürzlich
- anerkannt
- Regionen
- bezogene
- bleibt bestehen
- Erneuerbare Energien
- Meldungen
- representiert
- erfordert
- retten
- Auflösung
- Downloads
- Rollen
- sagemaker
- gleich
- Satellit
- sah
- sagt
- Waage
- Wissenschaft
- Sekunden
- Bibliotheken
- Sicherheitdienst
- Segmentierung
- Senior
- brauchen
- Lösungen
- kompensieren
- mehrere
- Teilen
- Short
- Konzerte
- Einfacher
- vereinfachte
- Größe
- klein
- So
- Software
- Softwareentwicklung
- Lösung
- Lösungen
- LÖSEN
- einige
- Quellen
- Raumfahrt
- Spezialist
- Spezifität
- quadratisch
- Stapel
- Standard
- begonnen
- Bundesstaat
- Statistiken
- Status
- Schritt
- Shritte
- Lagerung
- gelagert
- stark
- Struktur
- so
- ausreichend
- System
- Systeme und Techniken
- gemacht
- nimmt
- Einnahme
- Aufgabe
- und Aufgaben
- Team
- Technische
- Technologies
- Technologie
- zehn
- Zehn
- AGB
- als
- Vielen Dank
- zur Verbesserung der Gesundheitsgerechtigkeit
- Das
- Der Staat
- die Welt
- ihr
- Sie
- dann
- Dort.
- deswegen
- Diese
- vom Nutzer definierten
- fehlen uns die Worte.
- diejenigen
- nach drei
- Zeit
- zu
- heute
- auch
- Top
- verfolgen sind
- traditionell
- Training
- trainiert
- Ausbildung
- Transformer
- Baum
- Trends
- XNUMX
- tippe
- verstehen
- Bereiche
- Aktualisierung
- verwendbar
- -
- Anwendungsfall
- benutzt
- Nutzer
- verwendet
- Verwendung von
- Nutzen
- sehr
- Seh-
- Volumen
- we
- Netz
- Web-Services
- GUT
- waren
- ob
- welche
- WHO
- warum
- Wikipedia
- mit
- .
- ohne
- gearbeitet
- Werk
- weltweit wie ausgehandelt und gekauft ausgeführt wird.
- würde
- Jahr
- Jahr
- Du
- Zephyrnet