但是,在公用事业行业中,人工智能和机器学习(ML)开始展示其对业务许多方面的某些最有影响力的影响。电力公司越来越依赖AI来改善电力供应,例如在亚马逊和加利福尼亚州,通过无人机管理软件和植被管理来防止潜在的野火。
在后疫情时代,减少的现场劳动力正在迅速成为一种常态,人工智能实际上正在改善人类的工作。
从数据收集和分析到可行见解的呈现,人工智能和机器学习算法正在迅速重新定义公用事业公司如何管理其电力基础设施。
合并和分类数据
公用事业公司监督着庞大的基础设施网络,包括电线杆、导体、变电站。包含这些关键组件的传输线和配电线跨越数千英里。由于存在着火或停电的危险,因此还必须监视围绕该关键基础设施的植被管理。
全面了解这些资产意味着要使用各种不同的传感器进行电力线检查。这些传感器包括光检测和测距(LiDAR)、彩色(RGB)、高光谱和热成像。
这使无人机地图绘制软件可以捕获一切,从植被附近到基础设施资产,再到单个组件(例如变压器上的绝缘子),其操作完整性到指示潜在火灾隐患的热点。
这是要捕获、分类和处理的大量数据。而且,数据中有很多单独的元素(即使只有一张图像)也可以精确定位和分类,更不用说准确地进行分类了。在所有这些传感器上对数十亿个数据点进行分类是一项非常耗时的手动任务。
AI和ML工具可以完成相同的工作。在几秒钟内扫描在数千英里的公用事业基础架构中收集的数千张图像。LiDAR点云分割可以检测导体(相当难于分割的组件类型),每个点的准确度都超过95%,而高光谱图像分割可以识别植物物种,准确度高达99%。
不仅如此,当与无人机传感器配对时,这些算法还可以改善前期数据收集。AI和ML工具有助于实时调整传感器系统的位置。如果信号丢失或无人机偏离其检查飞行路线,则在专业无人机或飞行员硬件上运行的EDGE AI算法可以帮助无人机通过物体检测重新调整其焦点,或者避免机载碰撞造成的事故。
通过帮助在飞行中重新调整传感器的方位,AI不仅可以确保更准确的数据收集,而且可以确保由于数据收集不准确而无需重复飞行或提前结束飞行,从而节省了宝贵的时间和资源。
机器学习技术可以在空中发现传感器或无人机的飞行路径中的任何故障,根据需要进行重新校准,并在数据通过传感器的视频馈送时识别出数据中的各个元素。
分解孤岛以创建整体数据方法
所有这些的关键是消除在不同数据段之间自然形成的孤岛。在公用事业检查空间、资产管理和植被管理中,不同的传感器等都产生各自不同的、相互隔离的数据集。
当数据保持这种孤立状态时,团队从收集的信息中得出公司范围内的见解或结论将造成不必要地困难。如果不能将其用于检查自己和补充其他数据集,那么所有这些数据有什么好处?
好的数据管理不可能零星地存在。它需要是整体的,而AI为实现这一目标提供了动力。人工智能为将所有这些数据源汇集在一起,提供了一个中央资源,从而使对潜在问题(例如易生火的植被或损坏的组件)的数据分析更加容易。将这些问题收集到一个系统中后,识别故障并加以解决变得容易得多,而且比手动筛选无数的杆或植被图图像要快得多。
尽管人们普遍担心AI会消除人类的工作,但在公用事业公司,AI确实增强了人们在网络和电力线检查过程中必须扮演的角色。因为AI是执行数据分析的工具,所以它既不是依赖于专业检查员可能偏颇的专业知识,也不是容易疲劳和由此产生的异常结果,而是无人机检查软件。
但与此同时,人工智能本身无法做任何事情。它是一种提供更清晰/更准确和更具操作性的信息的方法,人们可以根据自己的判断采取行动。
关于AI有很多容易做出的好坏假设。随着社区开始从封锁中逐步开放,社交距离预示着日常生活的显着变化,人工智能对公用事业行业的真正意义在于减少了对人工检查的依赖,并且提供了有关电力公司的正确信息的更有效的工具基础设施-它的输配电线路,电线杆和附近的植被-掌握在关键决策者的手中。