To je gostujoča objava Maria Namtao Shianti Larcherja, vodje računalniškega vida pri Enelu.
Enel, ki je začel kot italijanski nacionalni subjekt za električno energijo, je danes multinacionalno podjetje, prisotno v 32 državah in prvi zasebni operater omrežja na svetu s 74 milijoni uporabnikov. Prav tako je priznan kot prvi akter na področju obnovljivih virov energije s 55.4 GW nameščene zmogljivosti. V zadnjih letih je podjetje veliko vlagalo v sektor strojnega učenja (ML) z razvojem močnega lastnega znanja in izkušenj, ki jim je omogočilo uresničitev zelo ambicioznih projektov, kot je samodejno spremljanje njegovega 2.3 milijona kilometrov distribucijskega omrežja.
Enel vsako leto pregleda svoje elektrodistribucijsko omrežje s helikopterji, avtomobili ali drugimi sredstvi; posname milijone fotografij; in rekonstruira 3D sliko svojega omrežja, ki je a oblak točk 3D rekonstrukcija omrežja, pridobljena s tehnologijo LiDAR.
Preverjanje teh podatkov je ključnega pomena za spremljanje stanja elektroenergetskega omrežja, odkrivanje infrastrukturnih anomalij in posodabljanje baz podatkov o vgrajenih sredstvih ter omogoča natančen nadzor nad infrastrukturo vse do materiala in statusa najmanjšega izolatorja, nameščenega na danem drogu. Glede na količino podatkov (več kot 40 milijonov slik vsako leto samo v Italiji), število predmetov, ki jih je treba identificirati, in njihovo specifičnost je popolnoma ročna analiza zelo draga, tako v smislu časa kot denarja, in nagnjena k napakam. Na srečo je zaradi ogromnega napredka v svetu računalniškega vida in globokega učenja ter zrelosti in demokratizacije teh tehnologij možno delno ali celo v celoti avtomatizirati ta drag proces.
Seveda je naloga še vedno zelo zahtevna in tako kot vse sodobne aplikacije AI zahteva računalniško moč in sposobnost učinkovitega ravnanja z velikimi količinami podatkov.
Enel je zgradil lastno platformo ML (interno imenovano tovarna ML), ki temelji na Amazon SageMaker, platforma pa je vzpostavljena kot standardna rešitev za gradnjo in usposabljanje modelov v Enelu za različne primere uporabe v različnih digitalnih vozliščih (poslovnih enotah) z desetinami projektov ML, ki se razvijajo na Usposabljanje za Amazon SageMaker, Obdelava Amazon SageMaker, in druge storitve AWS, kot je Korak funkcije AWS.
Enel zbira slike in podatke iz dveh različnih virov:
- Pregledi zračnega omrežja:
- LiDAR oblaki točk – Imajo prednost, da so izjemno natančna in geo-lokalizirana 3D rekonstrukcija infrastrukture, zato so zelo uporabni za izračun razdalj ali izvajanje meritev z natančnostjo, ki je ni mogoče doseči z analizo 2D slike.
- Slike visoke ločljivosti – Te slike infrastrukture so posnete v nekaj sekundah ena za drugo. To omogoča zaznavanje elementov in anomalij, ki so premajhni, da bi jih prepoznali v oblaku točk.
- Satelitske slike – Čeprav so lahko cenovno ugodnejši od pregleda daljnovoda (nekateri so na voljo brezplačno ali proti plačilu), njihova ločljivost in kakovost pogosto nista enaki slikam, ki jih posname neposredno Enel. Zaradi značilnosti teh slik so uporabne za določene naloge, kot je ocenjevanje gostote gozda in makrokategorije ali iskanje zgradb.
V tej objavi razpravljamo o podrobnostih o tem, kako Enel uporablja te tri vire, in delimo, kako Enel avtomatizira svoje obsežno upravljanje ocenjevanja električnega omrežja in proces odkrivanja nepravilnosti z uporabo SageMakerja.
Analiziranje fotografij visoke ločljivosti za prepoznavanje sredstev in nepravilnosti
Tako kot pri drugih nestrukturiranih podatkih, zbranih med pregledi, se posnete fotografije shranijo na Preprosta storitev shranjevanja Amazon (Amazon S3). Nekateri od teh so ročno označeni s ciljem usposabljanja različnih modelov globokega učenja za različne naloge računalniškega vida.
Konceptualno cevovod za obdelavo in sklepanje vključuje hierarhični pristop z več koraki: najprej se identificirajo območja, ki nas zanimajo na sliki, nato se ta obrežejo, znotraj njih se identificirajo sredstva in končno se ti razvrstijo glede na material ali prisotnost anomalij na njih. Ker se isti pol pogosto pojavi na več kot eni sliki, je prav tako potrebno imeti možnost združevanja njegovih slik, da se izognemo dvojnikom, kar je operacija, imenovana ponovna identifikacija.
Za vse te naloge Enel uporablja ogrodje PyTorch in najnovejše arhitekture za klasifikacijo slik in zaznavanje objektov, kot je npr. EfficientNet/EfficientDet ali drugi za pomensko segmentacijo določenih nepravilnosti, kot je puščanje olja na transformatorjih. Če za nalogo ponovne identifikacije ne morejo opraviti geometrijsko, ker nimajo parametrov kamere, uporabijo SimCLRUporabljajo se samonadzorovane metode ali arhitekture, ki temeljijo na transformatorjih. Nemogoče bi bilo usposobiti vse te modele brez dostopa do velikega števila instanc, opremljenih z visoko zmogljivimi grafičnimi procesorji, zato so bili vsi modeli usposobljeni vzporedno z uporabo Usposabljanje za Amazon SageMaker opravila s primerki ML, pospešenimi z GPU. Sklep ima enako strukturo in je orkestriran s stanjem stroja Step Functions, ki upravlja več opravil obdelave in usposabljanja SageMaker, ki so kljub imenu enako uporabna pri usposabljanju kot pri sklepanju.
Sledi visokonivojska arhitektura cevovoda ML z njegovimi glavnimi koraki.
Ta diagram prikazuje poenostavljeno arhitekturo cevovoda sklepanja o slikah ODIN, ki ekstrahira in analizira ROI (kot so električni stebri) iz slik nabora podatkov. Cevovod nadalje vrta po ROI, ekstrahira in analizira električne elemente (transformatorje, izolatorje itd.). Ko so komponente (ROI in elementi) dokončane, se začne postopek ponovne identifikacije: slike in poli na zemljevidu omrežja se ujemajo na podlagi 3D metapodatkov. To omogoča združevanje ROI, ki se nanašajo na isti pol. Po tem se anomalije dokončajo in generirajo poročila.
Pridobivanje natančnih meritev z uporabo oblakov točk LiDAR
Fotografije visoke ločljivosti so zelo uporabne, a ker so 2D, je iz njih nemogoče izluščiti natančne meritve. Tukaj na pomoč priskočijo oblaki točk LiDAR, ker so 3D in imajo vsako točko v oblaku položaj s pripadajočo napako, manjšo od nekaj centimetrov.
Vendar v mnogih primerih neobdelani oblak točk ni uporaben, saj z njim ne morete narediti veliko, če ne veste, ali nabor točk predstavlja drevo, daljnovod ali hišo. Iz tega razloga Enel uporablja KPConv, algoritem za segmentacijo semantičnega oblaka točk, za dodelitev razreda vsaki točki. Ko je oblak razvrščen, je mogoče namesto merjenja nagiba drogov ugotoviti, ali je rastlinje preblizu daljnovoda. Zaradi prilagodljivosti storitev SageMaker se cevovod te rešitve ne razlikuje veliko od že opisanega, le da je v tem primeru za sklepanje potrebno uporabiti tudi GPU instance.
Sledi nekaj primerov slik oblakov točk.
Pogled na električno omrežje iz vesolja: kartiranje vegetacije za preprečevanje motenj v oskrbi
Pregledovanje električnega omrežja s helikopterji in drugimi sredstvi je na splošno zelo drago in ga ni mogoče izvajati prepogosto. Po drugi strani pa je sistem za spremljanje vegetacijskih trendov v kratkih časovnih intervalih izjemno koristen za optimizacijo enega najdražjih procesov distributerja energije: obrezovanje dreves. Zato je Enel v svojo rešitev vključil tudi analizo satelitskih posnetkov, iz katerih se z večopravilnim pristopom ugotavlja, kje je vegetacija prisotna, njena gostota in vrste rastlin, razdeljene v makro razrede.
Za ta primer uporabe je Enel po eksperimentiranju z različnimi ločljivostmi ugotovil, da je brezplačen Slike Sentinel 2 programa Copernicus je imelo najboljše razmerje med stroški in koristmi. Poleg vegetacije Enel uporablja tudi satelitske posnetke za identifikacijo stavb, kar je koristna informacija za razumevanje, če obstajajo neskladja med njihovo prisotnostjo in tem, kje Enel dobavlja električno energijo, in posledično morebitne nepravilne povezave ali težave v zbirkah podatkov. Za slednji primer uporabe ločljivost Sentinela 2, kjer en piksel predstavlja površino 10 kvadratnih metrov, ne zadostuje, zato se plačljive slike kupujejo z ločljivostjo 50 kvadratnih centimetrov. Tudi ta rešitev se po uporabljenih storitvah in pretoku ne razlikuje veliko od prejšnjih.
Sledi slika iz zraka z identifikacijo sredstev (pol in izolatorji).
Angela Italiano, direktorica podatkovne znanosti pri ENEL Grid, pravi,
»V Enelu uporabljamo modele računalniškega vida za pregled našega omrežja za distribucijo električne energije z rekonstrukcijo 3D slik našega omrežja z uporabo več deset milijonov visokokakovostnih slik in oblakov točk LiDAR. Usposabljanje teh modelov ML zahteva dostop do velikega števila instanc, opremljenih z visoko zmogljivimi grafičnimi procesorji in zmožnostjo učinkovitega ravnanja z velikimi količinami podatkov. Z Amazon SageMaker lahko hitro usposabljamo vse naše modele vzporedno, ne da bi morali upravljati infrastrukturo, saj usposabljanje Amazon SageMaker po potrebi poveča in zmanjša računalniške vire. Z uporabo Amazon SageMaker lahko izdelamo 3D slike naših sistemov, spremljamo anomalije in učinkovito služimo več kot 60 milijonom strank.«
zaključek
V tej objavi smo videli, kako je vrhunski igralec v energetskem svetu, kot je Enel, uporabil modele računalniškega vida ter usposabljanje in obdelavo SageMaker, da bi rešil enega glavnih problemov tistih, ki morajo upravljati infrastrukturo te ogromne velikosti, spremljati nameščena sredstva ter prepoznati anomalije in vire nevarnosti za daljnovod, kot je rastlinje preblizu njega.
Izvedite več o povezanih funkcijah SageMaker.
O avtorjih
Mario Namtao Shianti Larcher je vodja računalniškega vida pri Enelu. Ima ozadje iz matematike, statistike in poglobljeno strokovno znanje o strojnem učenju in računalniškem vidu, vodi ekipo več kot desetih strokovnjakov. Mariova vloga vključuje implementacijo naprednih rešitev, ki učinkovito izkoriščajo moč umetne inteligence in računalniškega vida za izkoriščanje Enelovih obsežnih podatkovnih virov. Poleg svojih poklicnih prizadevanj neguje osebno strast do tradicionalne umetnosti in umetnosti, ki jo ustvarja umetna inteligenca.
Cristian Gavazzeni je višji arhitekt rešitev pri Amazon Web Services. Ima več kot 20 let izkušenj kot predprodajni svetovalec, ki se osredotoča na upravljanje podatkov, infrastrukturo in varnost. V prostem času rad igra golf s prijatelji in potuje v tujino samo z rezervacijami letenja in vožnje.
Giuseppe Angelo Porcelli je glavni arhitekt za rešitve strokovnjaka za strojno učenje za spletne storitve Amazon. Z nekajletnimi izkušnjami programskega inženiringa na področju ML sodeluje s strankami vseh velikosti, da bi poglobljeno razumel njihove poslovne in tehnične potrebe ter oblikoval rešitve AI in strojnega učenja, ki najbolje izkoriščajo oblak AWS in sklad Amazon Machine Learning. Delal je na projektih na različnih področjih, vključno z MLOps, Computer Vision, NLP in vključeval širok nabor storitev AWS. V prostem času Giuseppe rad igra nogomet.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
- PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
- PlatoESG. Avtomobili/EV, Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
- BlockOffsets. Posodobitev okoljskega offset lastništva. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/enel-automates-large-scale-power-grid-asset-management-and-anomaly-detection-using-amazon-sagemaker/
- :ima
- : je
- :ne
- :kje
- $GOR
- 1
- 10
- 100
- 13
- 20
- 20 let
- 2D
- 32
- 3d
- 40
- 50
- 60
- 7
- a
- sposobnost
- Sposobna
- O meni
- pospešeno
- dostop
- Po
- natančnost
- natančna
- čez
- Poleg tega
- napredno
- napredek
- Prednost
- cenovno
- po
- AI
- algoritem
- vsi
- omogoča
- že
- Prav tako
- Čeprav
- Amazon
- Strojno učenje Amazon
- Amazon SageMaker
- Amazon Web Services
- ambiciozni
- znesek
- an
- Analiza
- analize
- analiziranje
- in
- odkrivanje anomalije
- kaj
- se prikaže
- aplikacije
- pristop
- architectural
- Arhitektura
- SE
- OBMOČJE
- Umetnost
- AS
- ocenjevanje
- sredstvo
- upravljanje premoženja
- Sredstva
- povezan
- At
- avtomatizirati
- avtomatizira
- Samodejno
- Na voljo
- izogniti
- AWS
- ozadje
- temeljijo
- BE
- ker
- počutje
- BEST
- med
- rezervacije
- tako
- široka
- izgradnjo
- zgrajena
- poslovni
- vendar
- by
- izračun
- se imenuje
- kamera
- CAN
- kapaciteta
- avtomobili
- primeru
- primeri
- nekatere
- izziv
- lastnosti
- razred
- razredi
- Razvrstitev
- razvrščeni
- Zapri
- Cloud
- grozdenje
- kako
- podjetje
- popolnoma
- deli
- Izračunajte
- računalnik
- Računalniška vizija
- računalništvo
- računalniška moč
- sklenjene
- povezave
- svetovalec
- nadzor
- drago
- države
- Tečaj
- kritično
- Stranke, ki so
- NEVARNOST
- datum
- Upravljanje podatkov
- znanost o podatkih
- baze podatkov
- globoko
- globoko učenje
- daje
- demokratizacija
- opisano
- Oblikovanje
- Kljub
- Podrobnosti
- odkrivanje
- Odkrivanje
- razvili
- razvoju
- se razlikujejo
- Razlika
- drugačen
- digitalni
- neposredno
- Direktor
- razpravlja
- distribucija
- deljeno
- do
- Ne
- domen
- opravljeno
- dont
- navzdol
- pogon
- 2
- dvojnikov
- med
- vsak
- učinkovito
- učinkovito
- elektrika
- elementi
- omogočena
- prizadevanja
- energija
- Inženiring
- ogromno
- entiteta
- opremljena
- Napaka
- ustanovljena
- ocenjevanje
- Tudi
- Primeri
- drago
- izkušnje
- strokovno znanje
- obsežen
- ekstrakt
- Izvlečki
- izredno
- Tovarna
- Lastnosti
- pristojbina
- Slika
- dokončano
- končno
- iskanje
- prva
- prilagodljivost
- Pretok
- osredotoča
- po
- nogomet
- za
- gozd
- Na srečo
- Okvirni
- brezplačno
- pogosto
- prijatelji
- iz
- funkcije
- nadalje
- splošno
- ustvarila
- dobili
- dana
- Cilj
- golf
- vlada
- GPU
- Grafične kartice
- Mreža
- skupina
- Gost
- Gost Prispevek
- imel
- strani
- peščica
- ročaj
- Imajo
- ob
- he
- Glava
- močno
- tukaj
- na visoki ravni
- visokozmogljivo
- visoka kvaliteta
- visoka ločljivost
- njegov
- Hiša
- Kako
- HTML
- http
- HTTPS
- Identifikacija
- identificirati
- identificirati
- identifikacijo
- if
- slika
- Razvrstitev slik
- slike
- izvajanja
- nemogoče
- in
- vključeno
- Vključno
- Podatki
- Infrastruktura
- nameščen
- obresti
- interno
- v
- investirali
- vključujejo
- IT
- Italija
- Izdelkov
- ITS
- Delovna mesta
- jpg
- samo
- Imejte
- Vedite
- Pomanjkanje
- velika
- obsežne
- Zadnji
- Interesenti
- puščanje
- učenje
- manj
- Vzvod
- kot
- všeč mi je
- vrstica
- stroj
- strojno učenje
- Makro
- Glavne
- Znamka
- IZDELA
- upravljanje
- upravljanje
- Navodilo
- ročno
- več
- map
- kartiranje
- mario
- ujema
- Material
- matematika
- zapadlosti
- pomeni
- meritve
- merjenje
- metapodatki
- Metode
- milijonov
- milijoni
- ML
- MLOps
- modeli
- sodobna
- Denar
- monitor
- spremljanje
- več
- Najbolj
- veliko
- multinacionalno
- več
- Ime
- nacionalni
- potrebno
- potrebna
- potrebujejo
- potrebe
- mreža
- nlp
- Številka
- predmet
- Zaznavanje objektov
- pridobljeni
- of
- pogosto
- Olje
- on
- ONE
- tiste
- samo
- Delovanje
- operater
- optimizacijo
- or
- orkestrirana
- Ostalo
- drugi
- naši
- ven
- več
- lastne
- vzporedno
- parametri
- strast
- Osebni
- fotografije
- slika
- plinovod
- pixel
- Rastline
- platforma
- platon
- Platonova podatkovna inteligenca
- PlatoData
- predvajalnik
- igranje
- Točka
- točke
- Stališče
- mogoče
- Prispevek
- Prispevkov
- moč
- Električno omrežje
- natančna
- Prisotnost
- predstaviti
- preprečiti
- prejšnja
- , ravnateljica
- zasebna
- Težave
- Postopek
- Procesi
- obravnavati
- strokovni
- strokovnjaki
- globok
- Program
- projekti
- če
- kupili
- pitorha
- kakovost
- hitro
- precej
- razmerje
- Surovi
- uresničitev
- Razlog
- nedavno
- priznana
- regije
- povezane
- ostanki
- Obnovljivi viri energije
- Poročila
- predstavlja
- zahteva
- reševanje
- Resolucija
- viri
- vloga
- sagemaker
- Enako
- satelit
- Videl
- pravi
- luske
- Znanost
- sekund
- sektor
- varnost
- segmentacija
- višji
- služijo
- Storitev
- Storitve
- nastavite
- več
- Delite s prijatelji, znanci, družino in partnerji :-)
- Kratke Hlače
- Razstave
- Enostavno
- poenostavljeno
- Velikosti
- majhna
- So
- Software
- inženiring programske opreme
- Rešitev
- rešitve
- SOLVE
- nekaj
- Viri
- Vesolje
- specialist
- specifičnosti
- kvadrat
- sveženj
- standardna
- začel
- Država
- Statistika
- Status
- Korak
- Koraki
- shranjevanje
- shranjeni
- močna
- Struktura
- taka
- dovolj
- sistem
- sistemi
- sprejeti
- meni
- ob
- Naloga
- Naloge
- skupina
- tehnični
- Tehnologije
- Tehnologija
- deset
- deset
- Pogoji
- kot
- Hvala
- da
- O
- Država
- svet
- njihove
- Njih
- POTEM
- Tukaj.
- zato
- te
- jih
- ta
- tisti,
- 3
- čas
- do
- danes
- tudi
- vrh
- sledenje
- tradicionalna
- Vlak
- usposobljeni
- usposabljanje
- transformatorji
- Drevo
- Trends
- dva
- tip
- razumeli
- enote
- posodabljanje
- uporabno
- uporaba
- primeru uporabe
- Rabljeni
- Uporabniki
- uporablja
- uporabo
- uporabiti
- zelo
- Vizija
- prostornine
- we
- web
- spletne storitve
- Dobro
- so bili
- ali
- ki
- WHO
- zakaj
- Wikipedia
- z
- v
- brez
- delal
- deluje
- svet
- bi
- leto
- let
- Vi
- zefirnet