Dit is een gastpost van Mario Namtao Shianti Larcher, hoofd Computer Vision bij Enel.
Enel, dat begon als de nationale entiteit voor elektriciteit in Italiรซ, is tegenwoordig een multinationale onderneming die aanwezig is in 32 landen en de eerste particuliere netwerkexploitant ter wereld met 74 miljoen gebruikers. Het wordt ook erkend als de eerste speler op het gebied van hernieuwbare energie met een geรฏnstalleerd vermogen van 55.4 GW. De afgelopen jaren heeft het bedrijf zwaar geรฏnvesteerd in de machine learning (ML)-sector door een sterke interne knowhow te ontwikkelen die hen in staat heeft gesteld om zeer ambitieuze projecten te realiseren, zoals de automatische monitoring van het 2.3 miljoen kilometer lange distributienetwerk.
Elk jaar inspecteert Enel zijn elektriciteitsdistributienetwerk met helikopters, auto's of andere middelen; maakt miljoenen foto's; en reconstrueert het 3D-beeld van zijn netwerk, dat is een puntenwolk 3D-reconstructie van het netwerk, verkregen met behulp van LiDAR-technologie.
Onderzoek van deze gegevens is van cruciaal belang voor het bewaken van de toestand van het elektriciteitsnet, het identificeren van afwijkingen in de infrastructuur en het bijwerken van databases van geรฏnstalleerde activa, en het maakt gedetailleerde controle van de infrastructuur mogelijk tot aan het materiaal en de status van de kleinste isolator die op een bepaalde paal is geรฏnstalleerd. Gezien de hoeveelheid gegevens (meer dan 40 miljoen beelden per jaar alleen al in Italiรซ), het aantal te identificeren items en hun specificiteit, is een volledig handmatige analyse erg duur, zowel in termen van tijd en geld, als foutgevoelig. Gelukkig is het dankzij de enorme vooruitgang in de wereld van computervisie en deep learning en de volwassenheid en democratisering van deze technologieรซn mogelijk om dit dure proces gedeeltelijk of zelfs volledig te automatiseren.
Natuurlijk blijft de taak zeer uitdagend en vereist het, net als alle moderne AI-toepassingen, rekenkracht en het vermogen om grote hoeveelheden gegevens efficiรซnt te verwerken.
Enel bouwde zijn eigen ML-platform (intern de ML-fabriek genoemd) op basis van Amazon Sage Maker, en het platform is gevestigd als de standaardoplossing voor het bouwen en trainen van modellen bij Enel voor verschillende use cases, over verschillende digitale hubs (business units) met tientallen ML-projecten die worden ontwikkeld op Amazon SageMaker-training, Amazon SageMaker-verwerking, en andere AWS-services zoals AWS Stap Functies.
Enel verzamelt beelden en gegevens uit twee verschillende bronnen:
- Netwerkinspecties vanuit de lucht:
- LiDAR-puntenwolken โ Ze hebben het voordeel dat ze een extreem nauwkeurige en gelokaliseerde 3D-reconstructie van de infrastructuur zijn, en daarom erg handig zijn voor het berekenen van afstanden of het uitvoeren van metingen met een nauwkeurigheid die niet kan worden verkregen met 2D-beeldanalyse.
- Afbeeldingen met hoge resolutie โ Deze beelden van de infrastructuur zijn binnen enkele seconden na elkaar gemaakt. Dit maakt het mogelijk om elementen en afwijkingen te detecteren die te klein zijn om in de puntenwolk te worden geรฏdentificeerd.
- Satellietbeelden โ Hoewel deze goedkoper kunnen zijn dan een inspectie van het elektriciteitsnet (sommige zijn gratis of tegen betaling beschikbaar), zijn hun resolutie en kwaliteit vaak niet vergelijkbaar met die van foto's die rechtstreeks door Enel zijn gemaakt. De kenmerken van deze afbeeldingen maken ze nuttig voor bepaalde taken, zoals het evalueren van bosdichtheid en macrocategorie of het vinden van gebouwen.
In dit bericht bespreken we de details van hoe Enel deze drie bronnen gebruikt, en delen we hoe Enel hun grootschalige stroomnetbeoordelingsbeheer en anomaliedetectieproces automatiseert met behulp van SageMaker.
Analyseren van foto's met een hoge resolutie om activa en afwijkingen te identificeren
Net als bij andere ongestructureerde gegevens die tijdens inspecties worden verzameld, worden de gemaakte foto's opgeslagen Amazon eenvoudige opslagservice (Amazone S3). Sommige hiervan zijn handmatig gelabeld met als doel verschillende deep learning-modellen te trainen voor verschillende computervisietaken.
Conceptueel omvat de verwerkings- en inferentiepijplijn een hiรซrarchische benadering met meerdere stappen: eerst worden de interessegebieden in de afbeelding geรฏdentificeerd, vervolgens worden deze bijgesneden, activa worden daarin geรฏdentificeerd en ten slotte worden deze geclassificeerd op basis van het materiaal of de aanwezigheid van anomalieรซn erop. Omdat dezelfde paal vaak in meer dan รฉรฉn afbeelding voorkomt, is het ook nodig om de afbeeldingen te kunnen groeperen om duplicaten te voorkomen, een bewerking genaamd heridentificatie.
Voor al deze taken gebruikt Enel het PyTorch-framework en de nieuwste architecturen voor beeldclassificatie en objectdetectie, zoals EfficiรซntNet/EfficiรซntDet of anderen voor de semantische segmentatie van bepaalde anomalieรซn, zoals olielekken op transformatoren. Voor de heridentificatietaak, als ze het geometrisch niet kunnen doen omdat ze geen cameraparameters hebben, gebruiken ze SimCLREr wordt gebruik gemaakt van op zelfbeheer gebaseerde methoden of op Transformer gebaseerde architecturen. Het zou onmogelijk zijn om al deze modellen te trainen zonder toegang te hebben tot een groot aantal instanties die zijn uitgerust met krachtige GPU's, dus werden alle modellen parallel getraind met behulp van Amazon SageMaker-training taken met GPU-versnelde ML-instanties. Inferentie heeft dezelfde structuur en wordt georkestreerd door een Step Functions-statusmachine die verschillende SageMaker-verwerkings- en trainingstaken regelt die, ondanks de naam, net zo bruikbaar zijn bij training als bij inferentie.
Het volgende is een architectuur op hoog niveau van de ML-pijplijn met de belangrijkste stappen.
Dit diagram toont de vereenvoudigde architectuur van de ODIN-beeldinferentiepijplijn, die ROI's (zoals elektriciteitsposten) extraheert en analyseert uit datasetbeelden. De pijplijn boort verder op ROI's, extraheert en analyseert elektrische elementen (transformatoren, isolatoren, enzovoort). Nadat de componenten (ROI's en elementen) zijn afgerond, begint het heridentificatieproces: afbeeldingen en polen in de netwerkkaart worden op elkaar afgestemd op basis van 3D-metadata. Dit maakt de clustering mogelijk van ROI's die verwijzen naar dezelfde paal. Daarna worden anomalieรซn gefinaliseerd en rapporten gegenereerd.
Precieze metingen extraheren met behulp van LiDAR-puntenwolken
Foto's met een hoge resolutie zijn erg handig, maar omdat ze 2D zijn, is het onmogelijk om er precieze metingen uit te halen. LiDAR-puntenwolken komen hier te hulp, omdat ze 3D zijn en elk punt in de wolk een positie hebben met een bijbehorende fout van minder dan een handvol centimeters.
In veel gevallen is een ruwe puntenwolk echter niet bruikbaar, omdat je er niet veel mee kunt doen als je niet weet of een set punten een boom, een hoogspanningslijn of een huis voorstelt. Om deze reden gebruikt Enel KPConv, een semantisch algoritme voor puntenwolksegmentatie, om aan elk punt een klasse toe te wijzen. Nadat de wolk is geclassificeerd, is het mogelijk om erachter te komen of de vegetatie te dicht bij de hoogspanningslijn staat in plaats van de helling van de palen te meten. Vanwege de flexibiliteit van SageMaker-services verschilt de pijplijn van deze oplossing niet veel van degene die al is beschreven, met als enige verschil dat het in dit geval ook nodig is om GPU-instanties te gebruiken voor inferentie.
Hieronder volgen enkele voorbeelden van puntenwolkafbeeldingen.
Vanuit de ruimte naar het elektriciteitsnet kijken: vegetatie in kaart brengen om serviceonderbrekingen te voorkomen
Het elektriciteitsnet inspecteren met helikopters en andere middelen is over het algemeen erg duur en kan niet al te vaak worden gedaan. Aan de andere kant is het hebben van een systeem om vegetatietrends in korte tijdsintervallen te monitoren uitermate handig voor het optimaliseren van een van de duurste processen van een energiedistributeur: het snoeien van bomen. Dit is de reden waarom Enel ook de analyse van satellietbeelden in zijn oplossing heeft opgenomen, van waaruit met een multitaskbenadering wordt bepaald waar vegetatie aanwezig is, de dichtheid ervan en het type planten verdeeld in macroklassen.
Voor deze use case concludeerde Enel, na te hebben geรซxperimenteerd met verschillende resoluties, dat het gratis Schildwacht 2 afbeeldingen van het Copernicus-programma hadden de beste kosten-batenverhouding. Naast vegetatie gebruikt Enel ook satellietbeelden om gebouwen te identificeren, wat nuttige informatie is om te begrijpen of er discrepanties zijn tussen hun aanwezigheid en waar Enel stroom levert en dus eventuele onregelmatige verbindingen of problemen in de databases. Voor de laatste use case is de resolutie van Sentinel 2, waarbij รฉรฉn pixel een oppervlakte van 10 vierkante meter vertegenwoordigt, niet voldoende, en dus worden betaalde afbeeldingen met een resolutie van 50 vierkante centimeter gekocht. Deze oplossing verschilt ook niet veel van de vorige in termen van gebruikte services en flow.
Het volgende is een luchtfoto met identificatie van bedrijfsmiddelen (paal en isolatoren).
Angela Italiano, directeur Data Science bij ENEL Grid, zegt:
โBij Enel gebruiken we computervisiemodellen om ons elektriciteitsdistributienetwerk te inspecteren door 3D-beelden van ons netwerk te reconstrueren met behulp van tientallen miljoenen hoogwaardige beelden en LiDAR-puntenwolken. De training van deze ML-modellen vereist toegang tot een groot aantal instanties die zijn uitgerust met krachtige GPU's en de mogelijkheid om grote hoeveelheden gegevens efficiรซnt te verwerken. Met Amazon SageMaker kunnen we al onze modellen snel parallel trainen zonder dat we de infrastructuur hoeven te beheren, aangezien Amazon SageMaker-training de rekenbronnen naar behoefte op en neer schaalt. Met behulp van Amazon SageMaker zijn we in staat om 3D-beelden van onze systemen te bouwen, te controleren op afwijkingen en meer dan 60 miljoen klanten efficiรซnt te bedienen.โ
Conclusie
In dit bericht zagen we hoe een topspeler in de energiewereld, zoals Enel, computervisiemodellen en SageMaker-trainings- en verwerkingstaken gebruikte om een โโvan de grootste problemen op te lossen van degenen die een infrastructuur van deze kolossale omvang moeten beheren, geรฏnstalleerde activa moeten volgen en anomalieรซn en bronnen van gevaar moeten identificeren voor een hoogspanningslijn, zoals vegetatie die er te dicht bij staat.
Meer informatie over de gerelateerde functies van SageMaker.
Over de auteurs
Mario Namtao Shianti Larcher is hoofd Computer Vision bij Enel. Hij heeft een achtergrond in wiskunde, statistiek en een diepgaande expertise in machine learning en computer vision. Hij leidt een team van meer dan tien professionals. Mario's rol omvat het implementeren van geavanceerde oplossingen die effectief gebruik maken van de kracht van AI en computervisie om de uitgebreide gegevensbronnen van Enel te benutten. Naast zijn professionele inspanningen koestert hij een persoonlijke passie voor zowel traditionele als door AI gegenereerde kunst.
Cristian Gavazzeni is Senior Solution Architect bij Amazon Web Services. Hij heeft meer dan 20 jaar ervaring als pre-sales consultant gericht op Data Management, Infrastructuur en Beveiliging. In zijn vrije tijd speelt hij graag golf met vrienden en reist hij graag naar het buitenland met alleen fly-and-drive boekingen.
Giuseppe Angelo Porcelli is een Principal Machine Learning Specialist Solutions Architect voor Amazon Web Services. Met meerdere jaren software-engineering en ML-achtergrond, werkt hij met klanten van elke omvang om hun zakelijke en technische behoeften grondig te begrijpen en AI- en Machine Learning-oplossingen te ontwerpen die optimaal gebruik maken van de AWS Cloud en de Amazon Machine Learning-stack. Hij heeft gewerkt aan projecten in verschillende domeinen, waaronder MLOps, Computer Vision, NLP, en met een breed scala aan AWS-services. In zijn vrije tijd voetbalt Giuseppe graag.
- Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
- PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
- PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
- PlatoESG. Automotive / EV's, carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
- BlockOffsets. Eigendom voor milieucompensatie moderniseren. Toegang hier.
- Bron: https://aws.amazon.com/blogs/machine-learning/enel-automates-large-scale-power-grid-asset-management-and-anomaly-detection-using-amazon-sagemaker/
- : heeft
- :is
- :niet
- :waar
- $UP
- 1
- 10
- 100
- 13
- 20
- 20 jaar
- 2D
- 32
- 3d
- 40
- 50
- 60
- 7
- a
- vermogen
- in staat
- Over
- versneld
- toegang
- Volgens
- nauwkeurigheid
- accuraat
- over
- toevoeging
- vergevorderd
- voorschotten
- Voordeel
- betaalbaar
- Na
- AI
- algoritme
- Alles
- toestaat
- al
- ook
- Hoewel
- Amazone
- Amazon machinaal leren
- Amazon Sage Maker
- Amazon Web Services
- ambitieus
- bedragen
- an
- analyse
- analyseert
- het analyseren van
- en
- onregelmatigheidsdetectie
- elke
- komt naar voren
- toepassingen
- nadering
- bouwkundig
- architectuur
- ZIJN
- GEBIED
- Kunst
- AS
- beoordeling
- aanwinst
- vermogensbeheer
- Activa
- geassocieerd
- At
- automatiseren
- automaten
- Automatisch
- Beschikbaar
- vermijd
- AWS
- achtergrond
- gebaseerde
- BE
- omdat
- wezen
- BEST
- tussen
- boekingen
- zowel
- breed
- bouw
- bebouwd
- bedrijfsdeskundigen
- maar
- by
- het berekenen van
- Dit betekent dat we onszelf en onze geliefden praktisch vergiftigen.
- camera
- CAN
- Inhoud
- auto's
- geval
- gevallen
- zeker
- uitdagend
- kenmerken
- klasse
- klassen
- classificatie
- geklasseerd
- Sluiten
- Cloud
- clustering
- hoe
- afstand
- compleet
- componenten
- Berekenen
- computer
- Computer visie
- computergebruik
- computer kracht
- gesloten
- aansluitingen
- consultant
- onder controle te houden
- kostbaar
- landen
- Type cursus
- kritisch
- Klanten
- GEVAAR
- gegevens
- gegevensbeheer
- data science
- databanken
- deep
- diepgaand leren
- levert
- democratisering
- beschreven
- Design
- Niettegenstaande
- gegevens
- opsporen
- Opsporing
- ontwikkelde
- het ontwikkelen van
- verschillen
- verschil
- anders
- digitaal
- direct
- Director
- bespreken
- distributie
- Verdeeld
- do
- Nee
- domeinen
- gedaan
- Dont
- beneden
- rit
- twee
- duplicaten
- gedurende
- elk
- effectief
- efficiรซnt
- elektriciteit
- geeft je de mogelijkheid
- ingeschakeld
- inspanningen
- energie-niveau
- Engineering
- enorm
- entiteit
- uitgerust
- fout
- gevestigd
- evalueren
- Zelfs
- voorbeelden
- duur
- ervaring
- expertise
- uitgebreid
- extract
- extracten
- uiterst
- fabriek
- Voordelen
- honorarium
- Figuur
- afgerond
- Tot slot
- het vinden van
- Voornaam*
- Flexibiliteit
- stroom
- gericht
- volgend
- Voetbal
- Voor
- Bos
- Gelukkig
- Achtergrond
- Gratis
- vaak
- vrienden
- oppompen van
- functies
- verder
- algemeen
- gegenereerde
- krijgen
- gegeven
- doel
- golfen
- regeert
- GPU
- GPU's
- Raster
- Groep
- Gast
- Gast Bericht
- HAD
- hand
- handvol
- handvat
- Hebben
- met
- he
- hoofd
- hard
- hier
- high-level
- hoge performantie
- hoogwaardige
- hoge-resolutie
- zijn
- Huis
- Hoe
- HTML
- http
- HTTPS
- Identificatie
- geรฏdentificeerd
- identificeren
- het identificeren van
- if
- beeld
- Afbeeldingsclassificatie
- afbeeldingen
- uitvoering
- onmogelijk
- in
- inclusief
- Inclusief
- informatie
- Infrastructuur
- geรฏnstalleerd
- belang
- inwendig
- in
- investeerde
- waarbij
- IT
- Italiรซ
- artikelen
- HAAR
- Vacatures
- jpg
- voor slechts
- Houden
- blijven
- Gebrek
- Groot
- grootschalig
- laatste
- Leads
- Lekken
- leren
- minder
- Hefboomwerking
- als
- sympathieรซn
- Lijn
- machine
- machine learning
- Macro
- Hoofd
- maken
- MERKEN
- beheer
- management
- handboek
- handmatig
- veel
- kaart
- in kaart brengen
- mario
- op elkaar afgestemd
- materiaal
- wiskunde
- ะทัะตะปะพััั
- middel
- maten
- het meten van
- Metadata
- methoden
- miljoen
- miljoenen
- ML
- MLops
- modellen
- Modern
- geld
- monitor
- Grensverkeer
- meer
- meest
- veel
- multinationaal
- meervoudig
- naam
- nationaal
- noodzakelijk
- nodig
- nodig
- behoeften
- netwerk
- nlp
- aantal
- object
- Objectdetectie
- verkregen
- of
- vaak
- Olie
- on
- EEN
- degenen
- Slechts
- operatie
- operator
- optimaliseren
- or
- georkestreerd
- Overige
- Overig
- onze
- uit
- over
- het te bezitten.
- Parallel
- parameters
- passie
- persoonlijk
- foto's
- beeld
- pijpleiding
- pixel
- Plants
- platform
- Plato
- Plato gegevensintelligentie
- PlatoData
- speler
- spelen
- punt
- punten
- positie
- mogelijk
- Post
- Berichten
- energie
- Elektriciteitsnet
- nauwkeurig
- aanwezigheid
- presenteren
- voorkomen
- vorig
- Principal
- privaat
- problemen
- processen
- verwerking
- professioneel
- professionals
- diepgaand
- Programma
- projecten
- mits
- gekocht
- pytorch
- kwaliteit
- snel
- liever
- verhouding
- Rauw
- realiseren
- reden
- recent
- erkend
- regio
- verwant
- stoffelijk overschot
- Renewables
- Rapporten
- vertegenwoordigt
- vereist
- redden
- Resolutie
- Resources
- Rol
- sagemaker
- dezelfde
- satelliet
- zagen
- zegt
- balans
- Wetenschap
- seconden
- sector
- veiligheid
- segmentatie
- senior
- dienen
- service
- Diensten
- reeks
- verscheidene
- Delen
- Bermuda's
- Shows
- Eenvoudig
- vereenvoudigd
- Maat
- Klein
- So
- Software
- software engineering
- oplossing
- Oplossingen
- OPLOSSEN
- sommige
- bronnen
- Tussenruimte
- specialist
- specificiteit
- vierkant
- stack
- standaard
- gestart
- Land
- statistiek
- Status
- Stap voor
- Stappen
- mediaopslag
- opgeslagen
- sterke
- structuur
- dergelijk
- voldoende
- system
- Systems
- ingenomen
- neemt
- het nemen
- Taak
- taken
- team
- Technisch
- Technologies
- Technologie
- tien
- tienen
- termen
- neem contact
- Bedankt
- dat
- De
- De Staat
- de wereld
- hun
- Ze
- harte
- Er.
- daarom
- Deze
- ze
- dit
- die
- drie
- niet de tijd of
- naar
- vandaag
- ook
- top
- spoor
- traditioneel
- Trainen
- getraind
- Trainingen
- transformers
- boom
- Trends
- twee
- type dan:
- begrijpen
- eenheden
- bijwerken
- bruikbaar
- .
- use case
- gebruikt
- gebruikers
- toepassingen
- gebruik
- gebruik maken van
- zeer
- visie
- volumes
- we
- web
- webservices
- GOED
- waren
- of
- welke
- WIE
- Waarom
- Wikipedia
- Met
- binnen
- zonder
- werkte
- Bedrijven
- wereld
- zou
- jaar
- jaar
- You
- zephyrnet