Esta es una publicación de invitado de Mario Namtao Shianti Larcher, Director de Visión por Computador de Enel.
Enel, que comenzó como la entidad nacional de electricidad de Italia, es hoy una empresa multinacional presente en 32 países y el primer operador privado de red en el mundo con 74 millones de usuarios. También es reconocido como el primer jugador de energías renovables con 55.4 GW de capacidad instalada. En los últimos años, la empresa ha invertido mucho en el sector del aprendizaje automático (ML) mediante el desarrollo de un sólido know-how interno que le ha permitido realizar proyectos muy ambiciosos, como la monitorización automática de sus 2.3 millones de kilómetros de red de distribución.
Cada año, Enel inspecciona su red de distribución eléctrica con helicópteros, automóviles u otros medios; toma millones de fotografías; y reconstruye la imagen 3D de su red, que es una punto de nube Reconstrucción 3D de la red, obtenida mediante tecnología LiDAR.
El examen de estos datos es fundamental para monitorear el estado de la red eléctrica, identificar anomalías en la infraestructura y actualizar las bases de datos de los activos instalados, y permite un control granular de la infraestructura hasta el material y el estado del aislador más pequeño instalado en un poste determinado. Dada la cantidad de datos (más de 40 millones de imágenes cada año solo en Italia), la cantidad de elementos a identificar y su especificidad, un análisis completamente manual es muy costoso, tanto en términos de tiempo como de dinero, y propenso a errores. Afortunadamente, gracias a los enormes avances en el mundo de la visión por computadora y el aprendizaje profundo y la madurez y democratización de estas tecnologías, es posible automatizar parcial o incluso completamente este costoso proceso.
Por supuesto, la tarea sigue siendo muy desafiante y, como todas las aplicaciones modernas de IA, requiere poder de cómputo y la capacidad de manejar grandes volúmenes de datos de manera eficiente.
Enel construyó su propia plataforma ML (internamente llamada fábrica ML) basada en Amazon SageMaker, y la plataforma se establece como la solución estándar para construir y entrenar modelos en Enel para diferentes casos de uso, a través de diferentes centros digitales (unidades de negocio) con decenas de proyectos de ML en desarrollo en Capacitación de Amazon SageMaker, Procesamiento de Amazon SageMakery otros servicios de AWS como Funciones de paso de AWS.
Enel recopila imágenes y datos de dos fuentes diferentes:
- Inspecciones de redes aéreas:
- Nubes de puntos LiDAR – Tienen la ventaja de ser una reconstrucción 3D de la infraestructura extremadamente precisa y geolocalizada, por lo que son muy útiles para calcular distancias o tomar medidas con una precisión que no se puede obtener con el análisis de imágenes 2D.
- Imágenes de alta resolución – Estas imágenes de la infraestructura se toman con segundos de diferencia. Esto permite detectar elementos y anomalías que son demasiado pequeños para ser identificados en la nube de puntos.
- Imágenes satelitales – Aunque estos pueden ser más asequibles que una inspección de la línea eléctrica (algunos están disponibles de forma gratuita o por una tarifa), su resolución y calidad a menudo no están a la altura de las imágenes tomadas directamente por Enel. Las características de estas imágenes las hacen útiles para ciertas tareas, como evaluar la densidad y la macrocategoría del bosque o encontrar edificios.
En esta publicación, discutimos los detalles de cómo Enel usa estas tres fuentes y compartimos cómo Enel automatiza su gestión de evaluación de redes eléctricas a gran escala y el proceso de detección de anomalías usando SageMaker.
Análisis de fotografías de alta resolución para identificar activos y anomalías.
Al igual que con otros datos no estructurados recopilados durante las inspecciones, las fotografías tomadas se almacenan en Servicio de almacenamiento simple de Amazon (Amazon S3). Algunos de estos se etiquetan manualmente con el objetivo de entrenar diferentes modelos de aprendizaje profundo para diferentes tareas de visión artificial.
Conceptualmente, la canalización de procesamiento e inferencia implica un enfoque jerárquico con múltiples pasos: primero, se identifican las regiones de interés en la imagen, luego se recortan, se identifican los activos dentro de ellas y, finalmente, se clasifican según el material o la presencia de anomalías en ellas. Debido a que el mismo poste suele aparecer en más de una imagen, también es necesario poder agrupar sus imágenes para evitar duplicados, operación denominada reidentificación.
Para todas estas tareas, Enel utiliza el framework PyTorch y las últimas arquitecturas de clasificación de imágenes y detección de objetos, como EfficientNet/EfficientDet u otros para la segmentación semántica de determinadas anomalías, como fugas de aceite en transformadores. Para la tarea de reidentificación, si no pueden hacerlo geométricamente porque carecen de parámetros de cámara, utilizan SimCLRSe utilizan métodos basados en autosupervisión o arquitecturas basadas en transformadores. Sería imposible entrenar todos estos modelos sin tener acceso a una gran cantidad de instancias equipadas con GPU de alto rendimiento, por lo que todos los modelos se entrenaron en paralelo usando Capacitación de Amazon SageMaker trabajos con instancias de aprendizaje automático aceleradas por GPU. La inferencia tiene la misma estructura y está orquestada por una máquina de estado de Step Functions que controla varios trabajos de procesamiento y capacitación de SageMaker que, a pesar del nombre, se pueden utilizar tanto en la capacitación como en la inferencia.
La siguiente es una arquitectura de alto nivel de la canalización de ML con sus pasos principales.
Este diagrama muestra la arquitectura simplificada de la tubería de inferencia de imágenes de ODIN, que extrae y analiza los ROI (como las publicaciones de electricidad) a partir de imágenes de conjuntos de datos. La tubería profundiza aún más en los ROI, extrayendo y analizando elementos eléctricos (transformadores, aisladores, etc.). Una vez finalizados los componentes (ROI y elementos), comienza el proceso de reidentificación: las imágenes y los polos en el mapa de red se comparan en función de los metadatos 3D. Esto permite la agrupación de ROI que se refieren al mismo polo. Después de eso, las anomalías se finalizan y se generan informes.
Extracción de medidas precisas utilizando nubes de puntos LiDAR
Las fotografías de alta resolución son muy útiles, pero debido a que son 2D, es imposible extraer medidas precisas de ellas. Las nubes de puntos LiDAR vienen al rescate aquí, porque son 3D y cada punto de la nube tiene una posición con un error asociado de menos de un puñado de centímetros.
Sin embargo, en muchos casos, una nube de puntos sin procesar no es útil porque no puede hacer mucho con ella si no sabe si un conjunto de puntos representa un árbol, una línea eléctrica o una casa. Por este motivo, Enel utiliza KPConv, un algoritmo de segmentación semántica de nubes de puntos, para asignar una clase a cada punto. Después de clasificar la nube, es posible determinar si la vegetación está demasiado cerca de la línea eléctrica en lugar de medir la inclinación de los postes. Debido a la flexibilidad de los servicios de SageMaker, la canalización de esta solución no es muy diferente de la que ya se describió, con la única diferencia de que en este caso también es necesario usar instancias de GPU para la inferencia.
Los siguientes son algunos ejemplos de imágenes de nubes de puntos.
Mirando la red eléctrica desde el espacio: mapeo de la vegetación para evitar interrupciones en el servicio
La inspección de la red eléctrica con helicópteros y otros medios suele ser muy costosa y no se puede realizar con demasiada frecuencia. Por otro lado, contar con un sistema para monitorear la evolución de la vegetación en cortos intervalos de tiempo es de gran utilidad para optimizar uno de los procesos más costosos de una distribuidora de energía: la poda de árboles. Es por eso que Enel también incluyó en su solución el análisis de imágenes satelitales, a partir de las cuales con un enfoque multitarea se identifica dónde está presente la vegetación, su densidad y el tipo de plantas divididas en macroclases.
Para este caso de uso, después de experimentar con diferentes resoluciones, Enel concluyó que la libre Centinela 2 imágenes proporcionada por el programa Copernicus tuvo la mejor relación costo-beneficio. Además de la vegetación, Enel también utiliza imágenes satelitales para identificar edificios, información útil para comprender si existen discrepancias entre su presencia y el lugar donde Enel entrega energía y, por lo tanto, conexiones irregulares o problemas en las bases de datos. Para el último caso de uso, la resolución de Sentinel 2, donde un píxel representa un área de 10 metros cuadrados, no es suficiente, por lo que se compran imágenes pagas con una resolución de 50 centímetros cuadrados. Esta solución tampoco difiere mucho de las anteriores en términos de servicios utilizados y flujo.
La siguiente es una fotografía aérea con identificación de los activos (poste y aisladores).
Angela Italiano, directora de ciencia de datos de ENEL Grid, dice:
“En Enel, utilizamos modelos de visión por computadora para inspeccionar nuestra red de distribución de electricidad mediante la reconstrucción de imágenes 3D de nuestra red utilizando decenas de millones de imágenes de alta calidad y nubes de puntos LiDAR. El entrenamiento de estos modelos de ML requiere acceso a una gran cantidad de instancias equipadas con GPU de alto rendimiento y la capacidad de manejar grandes volúmenes de datos de manera eficiente. Con Amazon SageMaker, podemos entrenar rápidamente todos nuestros modelos en paralelo sin necesidad de administrar la infraestructura, ya que el entrenamiento de Amazon SageMaker escala los recursos informáticos hacia arriba y hacia abajo según sea necesario. Con Amazon SageMaker, podemos crear imágenes en 3D de nuestros sistemas, monitorear anomalías y atender a más de 60 millones de clientes de manera eficiente”.
Conclusión
En esta publicación, vimos cómo un jugador líder en el mundo de la energía como Enel utilizó modelos de visión por computadora y trabajos de procesamiento y capacitación de SageMaker para resolver uno de los principales problemas de quienes deben administrar una infraestructura de este tamaño colosal, realizar un seguimiento de los activos instalados e identificar anomalías y fuentes de peligro para una línea eléctrica, como la vegetación demasiado cerca de ella.
Más información sobre las funciones relacionadas de SageMaker.
Acerca de los autores
Mario Namtao Shianti Larcher es el Responsable de Visión por Computador de Enel. Tiene experiencia en matemáticas, estadística y una profunda experiencia en aprendizaje automático y visión por computadora, lidera un equipo de más de diez profesionales. El rol de Mario implica implementar soluciones avanzadas que utilicen efectivamente el poder de la IA y la visión por computadora para aprovechar los extensos recursos de datos de Enel. Además de sus esfuerzos profesionales, alimenta una pasión personal por el arte tradicional y el generado por IA.
Cristian Gavazzeni es Arquitecto de Soluciones Sénior en Amazon Web Services. Tiene más de 20 años de experiencia como consultor de preventa enfocado en Gestión de Datos, Infraestructura y Seguridad. En su tiempo libre le gusta jugar al golf con amigos y viajar al extranjero solo con reservas de vuelo y conducción.
Giuseppe Angelo Porcelli es un Arquitecto Principal de Soluciones Especializado en Aprendizaje Automático para Amazon Web Services. Con varios años de experiencia en ingeniería de software y aprendizaje automático, trabaja con clientes de cualquier tamaño para comprender en profundidad sus necesidades comerciales y técnicas y diseñar soluciones de inteligencia artificial y aprendizaje automático que aprovechen al máximo la nube de AWS y la pila de aprendizaje automático de Amazon. Ha trabajado en proyectos en diferentes dominios, incluidos MLOps, Computer Vision, NLP e involucrando un amplio conjunto de servicios de AWS. En su tiempo libre, a Giuseppe le gusta jugar al fútbol.
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
- PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
- PlatoESG. Automoción / vehículos eléctricos, Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
- Desplazamientos de bloque. Modernización de la propiedad de compensaciones ambientales. Accede Aquí.
- Fuente: https://aws.amazon.com/blogs/machine-learning/enel-automates-large-scale-power-grid-asset-management-and-anomaly-detection-using-amazon-sagemaker/
- :posee
- :es
- :no
- :dónde
- $ UP
- 1
- 10
- 100
- 13
- 20
- 20 años
- 2D
- 32
- 3d
- 40
- 50
- 60
- 7
- a
- capacidad
- Poder
- Nuestra Empresa
- acelerado
- de la máquina
- Conforme
- la exactitud
- preciso
- a través de
- adición
- avanzado
- avances
- Ventaja
- asequible
- Después
- AI
- algoritmo
- Todos
- permite
- ya haya utilizado
- también
- Aunque
- Amazon
- Aprendizaje automático de Amazon
- Amazon SageMaker
- Amazon Web Services
- ambicioso
- cantidad
- an
- análisis
- análisis
- el análisis de
- y
- Detección de anomalías
- cualquier
- aparece
- aplicaciones
- enfoque
- arquitectónico
- arquitectura
- somos
- Reservada
- Arte
- AS
- evaluación
- activo
- gestión de activos
- Activos
- asociado
- At
- automatizado
- automatiza
- Automático
- Hoy Disponibles
- evitar
- AWS
- fondo
- basado
- BE
- porque
- "Ser"
- MEJOR
- entre
- reservas
- ambas
- general
- build
- construido
- pero
- by
- el cálculo de
- , que son
- cámara
- PUEDEN
- Capacidad
- carros
- case
- cases
- a ciertos
- desafiante
- características
- clase
- privadas
- clasificación
- clasificado
- Cerrar
- Soluciones
- clustering
- cómo
- compañía
- completamente
- componentes
- Calcular
- computadora
- Visión por computador
- informática
- potencia de cálculo
- Concluido
- Conexiones
- consultor
- control
- costoso
- países
- Curso
- crítico
- Clientes
- PELIGRO
- datos
- datos de gestión
- Ciencia de los datos
- bases de datos
- profundo
- deep learning
- entrega
- democratización
- descrito
- Diseño
- A pesar de las
- detalles
- detectar
- Detección
- desarrollado
- el desarrollo
- diferir de
- un cambio
- una experiencia diferente
- digital
- directamente
- Director
- discutir
- dividido
- do
- No
- dominios
- hecho
- No
- DE INSCRIPCIÓN
- el lado de la transmisión
- dos
- duplicados
- durante
- cada una
- de manera eficaz
- eficiente.
- electricidad
- elementos
- facilita
- esfuerzos
- energía
- Ingeniería
- enorme
- entidad
- equipado
- error
- se establece
- evaluación
- Incluso
- ejemplos
- costoso
- experience
- Experiencia
- en los detalles
- extraerlos
- Extractos
- extremadamente
- personal
- Caracteristicas
- cuota
- Figura
- finalizado
- Finalmente
- la búsqueda de
- Nombre
- Flexibilidad
- de tus señales
- enfoque
- siguiendo
- Fútbol
- bosque
- Afortunadamente
- Marco conceptual
- Gratis
- frecuentemente
- amigos
- Desde
- funciones
- promover
- en general
- generado
- obtener
- dado
- objetivo
- golf
- gobierna
- GPU
- GPU
- Cuadrícula
- Grupo procesos
- Invitad@s
- Guest Post
- tenido
- mano
- puñado
- encargarse de
- Tienen
- es
- he
- cabeza
- fuertemente
- esta página
- de alto nivel
- Alto rendimiento
- alta calidad
- de alta resolución
- su
- Hogar
- Cómo
- HTML
- http
- HTTPS
- Identificación
- no haber aun identificado una solucion para el problema
- Identifique
- identificar
- if
- imagen
- Clasificación de la imagen
- imágenes
- implementación
- imposible
- in
- incluido
- Incluye
- información
- EN LA MINA
- instalado
- intereses
- internamente
- dentro
- será invertido
- que implica
- IT
- Italia
- artículos
- SUS
- Empleo
- jpg
- solo
- Guardar
- Saber
- Falta
- large
- Gran escala
- más reciente
- Prospectos
- Fugas
- aprendizaje
- menos
- Apalancamiento
- como
- Me gusta
- línea
- máquina
- máquina de aprendizaje
- Macro
- Inicio
- para lograr
- HACE
- gestionan
- Management
- manual
- a mano
- muchos
- mapa
- cartografía
- Mario
- emparejado
- materiales
- matemáticas
- madurez
- significa
- medidas
- medición
- metadatos
- métodos
- millones
- millones
- ML
- MLOps
- modelos
- Moderno
- dinero
- Monitorear
- monitoreo
- más,
- MEJOR DE TU
- mucho más
- multinacional
- múltiples
- nombre
- Nacional
- necesario
- necesidad
- del sistema,
- nlp
- número
- objeto
- Detección de objetos
- obtenido
- of
- a menudo
- Aceite
- on
- ONE
- las
- , solamente
- Inteligente
- operador
- optimizando
- or
- orquestado
- Otro
- Otros
- "nuestr
- salir
- Más de
- EL DESARROLLADOR
- Paralelo
- parámetros
- pasión
- (PDF)
- con
- fotografías
- imagen
- industrial
- pixel
- Plantas
- plataforma
- Platón
- Inteligencia de datos de Platón
- PlatónDatos
- jugador
- jugando
- punto
- puntos
- posición
- posible
- Publicación
- Artículos
- industria
- Red eléctrica
- necesidad
- presencia
- presente
- evitar
- anterior
- Director de la escuela
- privada
- problemas
- en costes
- tratamiento
- Profesional
- profesionales
- un profundo
- Programa
- proyecta
- previsto
- comprado
- piñón
- calidad
- con rapidez
- más bien
- proporción
- Crudo
- darse cuenta de
- razón
- reciente
- reconocido
- regiones
- relacionado
- permanece
- Renovables
- Informes
- representa
- requiere
- rescatar
- Resolución
- Recursos
- Función
- sabio
- mismo
- satélite
- Sierra
- dice
- escamas
- Ciencia:
- segundos
- sector
- EN LINEA
- segmentación
- mayor
- ayudar
- de coches
- Servicios
- set
- Varios
- Compartir
- En Corto
- Shows
- sencillos
- simplificado
- Tamaño
- chica
- So
- Software
- Ingeniería de software
- a medida
- Soluciones
- RESOLVER
- algo
- Fuentes
- Espacio
- especialista
- especificidad
- cuadrado
- montón
- estándar
- fundó
- Estado
- statistics
- Estado
- paso
- pasos
- STORAGE
- almacenados
- fuerte
- estructura
- tal
- suficiente
- te
- Todas las funciones a su disposición
- toma
- toma
- toma
- Tarea
- tareas
- equipo
- Técnico
- Tecnologías
- Tecnología
- diez
- tener
- términos
- que
- Muchas Gracias
- esa
- La
- El Estado
- el mundo
- su
- Les
- luego
- Ahí.
- por lo tanto
- Estas
- ellos
- así
- aquellos
- Tres
- equipo
- a
- hoy
- demasiado
- parte superior
- seguir
- tradicional
- Entrenar
- entrenado
- Formación
- transformers
- árbol
- Tendencias
- dos
- tipo
- entender
- unidades que
- actualización
- usable
- utilizan el
- caso de uso
- usado
- usuarios
- usos
- usando
- utilizar
- muy
- visión
- volúmenes
- we
- web
- servicios web
- WELL
- tuvieron
- sean
- que
- QUIENES
- porque
- Wikipedia
- dentro de
- sin
- trabajado
- funciona
- mundo
- se
- año
- años
- Usted
- zephyrnet