Les plus grandes entreprises technologiques construisent désormais les plus gros canaux de données

La façon dont les inspections sont effectuées a également peu changé.

Historiquement, la vérification de l’état de l’infrastructure électrique était la responsabilité d’hommes marchant sur la ligne. Quand ils ont de la chance et qu’il y a une route d’accès, les monteurs utilisent des camions-nacelles. Mais lorsque les structures électriques se trouvent dans une servitude d’arrière-cour, sur le flanc d’une montagne ou hors de portée d’un ascenseur mécanique, les monteurs de lignes doivent toujours attacher leurs outils et commencer à grimper. Dans les régions éloignées, les hélicoptères transportent des inspecteurs avec des caméras à zoom optique qui leur permettent d’inspecter les lignes électriques à distance. Ces inspections à longue distance peuvent couvrir plus de terrain mais ne peuvent pas vraiment remplacer un examen plus approfondi.

Récemment, les services publics d’électricité ont commencé à utiliser des drones pour capturer plus d’informations plus fréquemment sur leurs lignes électriques et leurs infrastructures. En plus des zooms, certains ajoutent des capteurs thermiques et un lidar sur les drones.

Les capteurs thermiques captent l’excès de chaleur des composants électriques tels que les isolants, les conducteurs et les transformateurs. S’ils sont ignorés, ces composants électriques peuvent provoquer des étincelles ou, pire encore, exploser. Le lidar peut aider à la gestion de la végétation, en balayant la zone autour d’une ligne et en collectant des données que le logiciel utilisera plus tard pour créer un modèle 3D de la zone. Le modèle permet aux gestionnaires de réseau électrique de déterminer la distance exacte entre la végétation et les lignes électriques. C’est important car lorsque les branches d’arbres s’approchent trop près des lignes électriques, elles peuvent provoquer un court-circuit ou provoquer une étincelle provenant d’autres composants électriques défectueux.

Les algorithmes basés sur l’IA peuvent repérer les zones dans lesquelles la végétation empiète sur les lignes électriques, traitant des dizaines de milliers d’images aériennes en quelques jours.Solutions de buzz

L’intégration de toute technologie permettant des inspections plus fréquentes et de meilleure qualité est une bonne nouvelle. Et cela signifie qu’en utilisant des outils de surveillance de pointe ainsi que des outils de surveillance traditionnels, les principaux services publics capturent désormais plus d’un million d’images de leur infrastructure de réseau et de l’environnement qui l’entoure chaque année.

L’IA n’est pas seulement bonne pour analyser des images. Il peut prédire l’avenir en examinant les modèles de données au fil du temps.

Maintenant pour les mauvaises nouvelles. Lorsque toutes ces données visuelles reviennent aux centres de données des services publics, les techniciens de terrain, les ingénieurs et les monteurs de lignes passent des mois à les analyser, jusqu’à six à huit mois par cycle d’inspection. Cela les éloigne de leur travail de maintenance sur le terrain. Et c’est tout simplement trop long : au moment où elles sont analysées, les données sont obsolètes.

Il est temps que l’IA intervienne. Et elle a commencé à le faire. L’IA et l’apprentissage automatique ont commencé à être déployés pour détecter les défauts et les ruptures dans les lignes électriques.

Plusieurs services publics d’électricité, dont Xcel Energy et Florida Power and Light, testent l’IA pour détecter les problèmes de composants électriques sur les lignes électriques à haute et basse tension. Ces services publics d’électricité intensifient leurs programmes d’inspection de drones pour augmenter la quantité de données qu’ils collectent (optiques, thermiques et lidar), dans l’espoir que l’IA puisse rendre ces données plus immédiatement utiles.

Mon organisation, Buzz Solutions, est l’une des sociétés qui fournissent aujourd’hui ce type d’outils d’IA pour le secteur de l’énergie. Mais nous voulons faire plus que détecter les problèmes qui se sont déjà produits, nous voulons les prédire avant qu’ils ne surviennent. Imaginez ce qu’une compagnie d’électricité pourrait faire si elle connaissait l’emplacement de l’équipement se dirigeant vers une panne, permettant aux équipes d’entrer et de prendre des mesures de maintenance préventive, avant qu’une étincelle ne crée le prochain incendie de forêt massif.

Il est temps de se demander si une IA peut être la version moderne de l’ancienne mascotte Smokey Bear du United States Forest Service : prévenir les incendies de forêt
avant ils arrivent.

Les dommages à l’équipement de la ligne électrique dus à la surchauffe, à la corrosion ou à d’autres problèmes peuvent déclencher un incendie.Solutions de buzz

Nous avons commencé à construire nos systèmes à l’aide de données recueillies par des agences gouvernementales, des organisations à but non lucratif telles que l’Electric Power Research Institute (EPRI), des services publics d’électricité et des fournisseurs de services d’inspection aérienne qui proposent la surveillance d’hélicoptères et de drones à la location. Ensemble, cet ensemble de données comprend des milliers d’images de composants électriques sur des lignes électriques, notamment des isolateurs, des conducteurs, des connecteurs, du matériel, des poteaux et des tours. Il comprend également des collections d’images de composants endommagés, tels que des isolants cassés, des connecteurs corrodés, des conducteurs endommagés, des structures matérielles rouillées et des pôles fissurés.

Nous avons travaillé avec l’EPRI et les services publics d’électricité pour créer des directives et une taxonomie pour l’étiquetage des données d’image. Par exemple, à quoi ressemble exactement un isolant cassé ou un connecteur corrodé ? A quoi ressemble un bon isolant ?

Nous avons ensuite dû unifier les données disparates, les images prises depuis les airs et depuis le sol à l’aide de différents types de capteurs de caméra fonctionnant sous différents angles et résolutions et prises dans diverses conditions d’éclairage. Nous avons augmenté le contraste et la luminosité de certaines images pour essayer de les amener dans une plage cohérente, nous avons standardisé les résolutions d’images et nous avons créé des ensembles d’images du même objet prises sous différents angles. Nous avons également dû ajuster nos algorithmes pour nous concentrer sur l’objet d’intérêt dans chaque image, comme un isolant, plutôt que de considérer l’image entière. Nous avons utilisé des algorithmes d’apprentissage automatique fonctionnant sur un réseau de neurones artificiels pour la plupart de ces ajustements.

Aujourd’hui, nos algorithmes d’IA peuvent reconnaître les dommages ou les défauts impliquant des isolateurs, des connecteurs, des amortisseurs, des poteaux, des traverses et d’autres structures, et mettre en évidence les problèmes de maintenance en personne. Par exemple, il peut détecter ce que nous appelons des isolateurs flashés, des dommages dus à une surchauffe causée par une décharge électrique excessive. Il peut également détecter l’effilochage des conducteurs (également causé par des lignes surchauffées), des connecteurs corrodés, des dommages aux poteaux et traverses en bois, et bien d’autres problèmes.

Le développement d’algorithmes pour analyser l’équipement du système d’alimentation nécessitait de déterminer à quoi ressemblaient exactement les composants endommagés sous divers angles dans des conditions d’éclairage disparates. Ici, le logiciel signale les problèmes liés aux équipements utilisés pour réduire les vibrations causées par les vents.Solutions de buzz

Mais l’un des problèmes les plus importants, en particulier en Californie, est que notre IA reconnaisse où et quand la végétation pousse trop près des lignes électriques à haute tension, en particulier en combinaison avec des composants défectueux, une combinaison dangereuse dans le pays du feu.

Aujourd’hui, notre système peut analyser des dizaines de milliers d’images et repérer les problèmes en quelques heures et jours, contre des mois pour une analyse manuelle. C’est une aide énorme pour les services publics qui tentent de maintenir l’infrastructure électrique.

Mais l’IA n’est pas seulement bonne pour analyser des images. Il peut prédire l’avenir en examinant les modèles de données au fil du temps. L’IA le fait déjà pour prédire les conditions météorologiques, la croissance des entreprises et la probabilité d’apparition de maladies, pour ne citer que quelques exemples.

Nous pensons que l’IA sera en mesure de fournir des outils prédictifs similaires pour les services publics d’électricité, en anticipant les défauts et en signalant les zones où ces défauts pourraient potentiellement provoquer des incendies de forêt. Nous développons un système pour le faire en coopération avec des partenaires de l’industrie et des services publics.

Nous utilisons des données historiques provenant d’inspections de lignes électriques combinées à des conditions météorologiques historiques pour la région concernée et les transmettons à nos systèmes d’apprentissage automatique. Nous demandons à nos systèmes d’apprentissage automatique de trouver des modèles liés aux composants cassés ou endommagés, aux composants sains et à la végétation envahissante autour des lignes, ainsi que les conditions météorologiques liées à tous ces éléments, et d’utiliser les modèles pour prédire la santé future de l’alimentation la ligne ou les composants électriques et la croissance de la végétation autour d’eux.

À l’heure actuelle, nos algorithmes peuvent prédire six mois dans le futur que, par exemple, il y a une probabilité que cinq isolateurs soient endommagés dans une zone spécifique, ainsi qu’une forte probabilité de prolifération de végétation près de la ligne à ce moment-là, qui, combinés, créent un risque d’incendie.

Nous utilisons maintenant ce système de détection de pannes prédictif dans des programmes pilotes avec plusieurs grands services publics, un à New York, un dans la région de la Nouvelle-Angleterre et un au Canada. Depuis que nous avons commencé nos pilotes en décembre 2019, nous avons analysé environ 3 500 pylônes électriques. Nous avons détecté, parmi quelque 19 000 composants électriques sains, 5 500 défectueux qui auraient pu entraîner des pannes de courant ou des étincelles. (Nous n’avons pas de données sur les réparations ou les remplacements effectués.)

Où allons-nous à partir d’ici? Pour aller au-delà de ces pilotes et déployer plus largement l’IA prédictive, nous aurons besoin d’une énorme quantité de données, collectées au fil du temps et dans différentes zones géographiques. Cela nécessite de travailler avec plusieurs compagnies d’électricité, en collaboration avec leurs équipes d’inspection, d’entretien et de gestion de la végétation. Les principaux services publics d’électricité aux États-Unis ont les budgets et les ressources nécessaires pour collecter des données à une échelle aussi massive avec des programmes d’inspection par drone et par aviation. Mais les services publics plus petits sont également en mesure de collecter davantage de données à mesure que le coût des drones diminue. Rendre des outils comme le nôtre largement utiles nécessitera une collaboration entre les grands et les petits services publics, ainsi que les fournisseurs de technologies de drones et de capteurs.

Avance rapide jusqu’en octobre 2025. Il n’est pas difficile d’imaginer l’ouest des États-Unis face à une autre saison des incendies chaude, sèche et extrêmement dangereuse, au cours de laquelle une petite étincelle pourrait conduire à une catastrophe géante. Les gens qui vivent au pays du feu prennent soin d’éviter toute activité qui pourrait déclencher un incendie. Mais ces jours-ci, ils s’inquiètent beaucoup moins des risques liés à leur réseau électrique, car, il y a des mois, les travailleurs des services publics sont passés par là, réparant et remplaçant les isolateurs, transformateurs et autres composants électriques défectueux et coupant les arbres, même ceux qui n’avaient pas encore atteindre les lignes électriques. Certains ont demandé aux travailleurs pourquoi toute l’activité. “Oh”, leur a-t-on dit, “nos systèmes d’IA suggèrent que ce transformateur, juste à côté de cet arbre, pourrait déclencher à l’automne, et nous ne voulons pas que cela se produise.”

En effet, nous ne le faisons certainement pas.