Niniejsze studium przypadku przedstawia hipotetyczny projekt monitorowania infrastruktury elektroenergetycznej w czasie rzeczywistym przy użyciu dronów i algorytmów sztucznej inteligencji. Celem projektu jest opracowanie zaawansowanego systemu, który umożliwia wykrywanie usterek, zakłóceń i innych problemów w infrastrukturze elektroenergetycznej, poprawiając w ten sposób jej bezpieczeństwo i efektywność.
Cele projektu
- Monitorowanie infrastruktury elektroenergetycznej w czasie rzeczywistym.
- Identyfikacja potencjalnych zagrożeń, takich jak uszkodzenia linii przesyłowych, roślinność porastająca linie, uszkodzenia izolatorów i zanieczyszczenia na liniach.
- Generowanie raportów z monitoringu elektroenergetyki.
Przebieg projektu
1. Zebranie danych obrazowych z kamer
Nagrano kilkaset godzin materiałów wideo z dronów, skupiając się na linach przesyłowych elektroenergetycznych.
2. Etykietowanie danych
Anotatorzy dokonali etykietowania danych, zaznaczając na danych obrazowych różne obszary do monitorowania, takie jak:
– widoczne usterki w liniach przesyłowych,
– roślinność porastająca linie,
– szkodzenia izolatorów,
– zanieczyszczenia na liniach,
3. Wykorzystanie pretrenowanych algorytmów AI
Zastosowano pretrenowane modele oparte na głębokim uczeniu maszynowym i Konwolucyjnych Sieciach Neuronowych (CNN).
4. Dotrenowanie algorytmów
Algorytmy zostały dostosowane do zadania przewidywania zakłóceń w infrastrukturze elektroenergetycznej poprzez trenowanie na danych etykietowanych.
5. Eksperymenty offline na danych historycznych
Osiągnięto skuteczność wynoszącą 92% na danych historycznych, co stanowiło punkt wyjścia do dalszych usprawnień.
6. Zebranie nowych danych i walidacja algorytmu
Dodatkowe dane zostały zebrane i wykorzystane do oceny algorytmu, osiągając skuteczność na poziomie 89,5%.
7. Iteracje mające na celu poprawienie algorytmu
Zastosowano technikę ensemblingu, łącząc wyniki różnych modeli, co pozwoliło osiągnąć skuteczność na poziomie 94%.
8. Prace nad zmniejszeniem rozmiaru modelu AI
Dla umożliwienia uruchomienia algorytmu na urządzeniach docelowych, dokonano optymalizacji modelu, zachowując jego skuteczność.
9. Pilot – uruchomienie algorytmu w dwóch lokalizacjach testowych
Algorytm został przetestowany w warunkach rzeczywistych w dwóch lokalizacjach, co umożliwiło ocenę jego działania i dostosowanie do różnych warunków terenowych.
10. Generowanie raportów z przelotu drona
Algorytm został zintegrowany z dronami, umożliwiając generowanie raportów z wynikami monitorowania infrastruktury elektroenergetycznej po każdym przelocie drona.
Inwestycje i alokacja zasobów
Łączny koszt projektu wyniósł 800 tys. PLN.
Na ten koszt złożyły się następujące kwoty:
- Zebranie, przygotowanie i etykietowanie danych: 50 tys. PLN.
- Budowa wstępnej wersji modelu (Proof of Concept): 150 tys. PLN.
- Testy: 80 tys. PLN.
- Poprawki i budowa ostatecznej wersji modelu: 420 tys. PLN.
- Wdrożenie, dokumentacja, generowanie raportów: 100 tys. PLN.
Rezultaty i korzyści
- Obniżenie kosztów operacyjnych: Dzięki zastosowaniu algorytmu AI w monitorowaniu infrastruktury elektroenergetycznej, udało się obniżyć koszty operacyjne o 15%. Koszty te obejmują zarówno inspekcje terenowe, jak i czasochłonne analizy.
- Zredukowanie kosztów awarii: Dzięki wczesnemu wykrywaniu usterek, udało się obniżyć koszty związane z awariami o 18%. Oszczędności wynikają z uniknięcia katastrofalnych uszkodzeń i długotrwałych przestojów.
- Oszczędności finansowe w skali roku: Przy założeniu stałego obniżenia kosztów operacyjnych i unikania kosztów związanych z awariami, oszacowano, że roczne oszczędności wynoszą 2,5 mln PLN.
- Skrócenie czasu reakcji na incydenty: Średni czas reakcji na incydent elektroenergetyczny zmniejszył się o 70%, co przekłada się na szybsze rozwiązanie problemów i minimalizację skutków incydentów.
