Enel automatiza la gestión de activos de la red eléctrica a gran escala y la detección de anomalías utilizando Amazon SageMaker

Enel automatiza gestión activos red eléctrica gran escala y detección anomalías usando Amazon SageMaker

Este es un artículo de invitado escrito por Mario Namtao Shianti Larcher, Jefe de Visión por Computadora en 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 de red privada del mundo con 74 millones de usuarios. También es reconocida como el primer jugador en energías renovables con una capacidad instalada de 55.4 GW. En los últimos años, la compañía ha invertido mucho en el sector de aprendizaje automático (ML) mediante el desarrollo de conocimientos internos sólidos que le han permitido llevar a cabo proyectos muy ambiciosos, como el monitoreo automático de sus 2.3 millones de kilómetros de red de distribución.

Cada año, Enel inspecciona su red de distribución de electricidad con helicópteros, automóviles u otros medios; toma millones de fotografías y reconstruye la imagen 3D de su red, que es una reconstrucción de nube de puntos 3D de la red, obtenida utilizando la 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 activos instalados, y permite un control detallado de la infraestructura hasta el material y el estado del aislador más pequeño instalado en un poste dado. Dada la cantidad de datos (más de 40 millones de imágenes cada año solo en Italia), el número 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 enormes avances en el mundo de la visión por computadora y el aprendizaje profundo, así como a la madurez y democratización de estas tecnologías, es posible automatizar parcial o incluso completamente este costoso proceso.

• Las mejores herramientas de IA para proteger tu futuro (2023)
• Guía paso a paso de Word2Vec con Gensim
• Desbloquea el éxito de DataOps con DataOps.live ¡Destacado en la Guía de Mercado de Gartner!

Por supuesto, la tarea sigue siendo muy desafiante y, al igual que todas las aplicaciones modernas de IA, requiere potencia de cálculo y capacidad para manejar grandes volúmenes de datos de manera eficiente.

Enel construyó su propia plataforma de ML (llamada internamente la fábrica de ML) basada en Amazon SageMaker, y la plataforma se ha establecido como la solución estándar para construir y entrenar modelos en Enel para diferentes casos de uso, en diferentes centros digitales (unidades de negocio) con decenas de proyectos de ML en desarrollo en Amazon SageMaker Training, Amazon SageMaker Processing y otros servicios de AWS como AWS Step Functions.

Enel recopila imágenes y datos de dos fuentes diferentes:

1. Inspecciones de red aérea:
   • Nubes de puntos LiDAR – Tienen la ventaja de ser una reconstrucción 3D extremadamente precisa y geolocalizada de la infraestructura, y por lo tanto son muy útiles para calcular distancias o tomar medidas con una precisión que no se puede obtener del análisis de imágenes 2D.
   • Imágenes de alta resolución – Estas imágenes de la infraestructura se toman en segundos unas de otras. Esto permite detectar elementos y anomalías que son demasiado pequeños para ser identificados en la nube de puntos.
2. Imágenes de satélite – Aunque pueden ser más accesibles que una inspección de líneas eléctricas (algunas están disponibles de forma gratuita o por un precio), 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 de los bosques o la macrocategoría o encontrar edificios.

En este artículo, discutiremos los detalles de cómo Enel utiliza estas tres fuentes y compartiremos cómo Enel automatiza su gestión de evaluación y detección de anomalías en la red eléctrica a gran escala utilizando SageMaker.

Analizando 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 Amazon Simple Storage Service (Amazon S3). Algunas de ellas se etiquetan manualmente con el objetivo de entrenar diferentes modelos de aprendizaje profundo para diferentes tareas de visión por computadora.

Conceptualmente, el proceso y la inferencia se llevan a cabo de manera jerárquica en múltiples pasos: primero se identifican las regiones de interés en la imagen, luego se recortan, se identifican los activos en ellas y finalmente se clasifican de acuerdo con el material o la presencia de anomalías en ellos. Debido a que el mismo poste a menudo aparece en más de una imagen, también es necesario agrupar sus imágenes para evitar duplicados, una operación llamada reidentificación.

Para todas estas tareas, Enel utiliza el marco de trabajo PyTorch y las últimas arquitecturas para la clasificación de imágenes y la detección de objetos, como EfficientNet/EfficientDet u otros para la segmentación semántica de ciertas anomalías, como fugas de aceite en transformadores. Para la tarea de reidentificación, si no pueden hacerlo geométricamente porque carecen de parámetros de la cámara, se utilizan métodos auto-supervisados basados en SimCLR o arquitecturas basadas en Transformer. Sería imposible entrenar todos estos modelos sin tener acceso a un gran número de instancias equipadas con GPU de alto rendimiento, por lo que todos los modelos se entrenaron en paralelo utilizando trabajos de entrenamiento de Amazon SageMaker con instancias de ML aceleradas por GPU. La inferencia tiene la misma estructura y es orquestada por una máquina de estados Step Functions que gobierna varios trabajos de procesamiento y entrenamiento de SageMaker que, a pesar del nombre, son tan utilizables para entrenar como para inferir.

El siguiente es una arquitectura de alto nivel del pipeline de ML con sus principales pasos.

Este diagrama muestra la arquitectura simplificada del pipeline de inferencia de imágenes ODIN, que extrae y analiza regiones de interés (ROIs) (como postes de electricidad) de imágenes de conjunto de datos. El pipeline profundiza aún más en las ROIs, extrayendo y analizando elementos eléctricos (transformadores, aisladores, entre otros). Después de que los componentes (ROIs y elementos) se finalizan, comienza el proceso de reidentificación: las imágenes y los postes en el mapa de la red se emparejan en función de los metadatos 3D. Esto permite la agrupación de ROIs que se refieren al mismo poste. 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. Aquí es donde entran en juego las nubes de puntos LiDAR, ya que son 3D y cada punto en la nube tiene una posición con un error asociado de menos de unos pocos centímetros.

Sin embargo, en muchos casos, una nube de puntos sin procesar no es útil, porque no se puede hacer mucho con ella si no se sabe si un conjunto de puntos representa un árbol, una línea eléctrica o una casa. Por esta razón, Enel utiliza KPConv, un algoritmo de segmentación semántica de nubes de puntos, para asignar una clase a cada punto. Después de que la nube se clasifica, 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, el pipeline de esta solución no difiere mucho del ya descrito, con la única diferencia de que en este caso es necesario utilizar instancias de GPU para la inferencia también.

Los siguientes son algunos ejemplos de imágenes de nubes de puntos.

Observando la red eléctrica desde el espacio: Mapeo de vegetación para prevenir interrupciones del servicio

Inspeccionar la red eléctrica con helicópteros y otros medios es generalmente muy costoso y no se puede hacer con demasiada frecuencia. Por otro lado, tener un sistema para monitorear las tendencias de la vegetación en intervalos de tiempo cortos es extremadamente útil para optimizar uno de los procesos más costosos de un distribuidor de energía: la poda de árboles. Es por esto que Enel también incluyó en su solución el análisis de imágenes satelitales, a partir de las cuales, con un enfoque multitarea, se identifica dónde hay vegetación, su densidad y el tipo de plantas dividido en macroclases.

Para este caso de uso, después de experimentar con diferentes resoluciones, Enel concluyó que las imágenes gratuitas del Sentinel 2 proporcionadas por el programa Copernicus tenían la mejor relación costo-beneficio. Además de la vegetación, Enel también utiliza imágenes de satélite para identificar edificios, que es información útil para comprender si hay discrepancias entre su presencia y donde Enel suministra energía y, por lo tanto, cualquier conexión irregular o problemas en las bases de datos. Para este último caso de uso, la resolución del Sentinel 2, donde un píxel representa un área de 10 metros cuadrados, no es suficiente, por lo que se adquieren imágenes pagadas 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 imagen aérea con la identificación de activos (poste e aisladores).

Angela Italiano, Directora de Ciencia de Datos en 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 un gran número de instancias equipadas con GPUs 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 Amazon SageMaker escala los recursos informáticos según sea necesario. Utilizando Amazon SageMaker, podemos construir imágenes 3D de nuestros sistemas, monitorear anomalías y brindar un servicio eficiente a más de 60 millones de clientes.”

Conclusion

En esta publicación, vimos cómo un jugador destacado en el mundo de la energía como Enel utilizó modelos de visión por computadora y trabajos de entrenamiento y procesamiento de SageMaker para resolver uno de los principales problemas de aquellos que tienen que gestionar una infraestructura de este tamaño colosal, hacer un seguimiento de los activos instalados e identificar anomalías y fuentes de peligro para una línea de energía, como la vegetación demasiado cerca de ella.

Aprende más sobre las características relacionadas de SageMaker.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!