Na přenosovou soustavu dohlíží umělá inteligence

The Czech electricity TSO ČEPS has joined forces with the Institute of Information Theory and Automation of the Czech Academy of Sciences to develop an AI tool for the discovery and identification of malfunctions in its transmission lines from video footage. The application employs neural networks for automated video analysis and enables grid operators to deal with the detected defects efficiently.

Zajištění spolehlivosti a bezpečnosti elektrických sítí je v oblasti energetiky klíčové. Jedním z největších problémů je identifikace a oprava závad na vedení vysokého napětí. Tradiční metody inspekce, které často spoléhají pouze na zrak a znalost operátora provádějícího kontrolu, jsou časově náročné a mohou být neefektivní.

Společnost ČEPS proto ve spolupráci s Ústavem teorie informace a automatizace Akademie věd ČR vyvinula nový softwarový nástroj s názvem AI_not využívající umělou inteligenci (AI) pro vyhledávání a identifikaci závad na vedení velmi vysokého a zvláště vysokého napětí z vizuálních dat pořízených při leteckých kontrolách.

POPIS NÁSTROJE

Nástroj AI_not je určen pro efektivní anotační proces zjištění závad na elektrickém vedení. Skládá se ze dvou částí.

První část běží čistě na pozadí a stará se o automatickou analýzu videa pomocí neuronových sítí. Druhou částí je aplikace, ve které operátor anotuje. K dispozici má video přehrávač a anotační funkce pro označení místa výskytu zjištění a označení jeho typu. Obě části mezi sebou komunikují skrze strukturované textové seznamy obsahující metadata ke každé anotaci.

Zjištění spadají do několika kategorií:

• Vzhled – Detekce vizuálních poruch, jako je rez, rozpletení vodiče nebo mechanické poškození.

• Geometrie – Analýza prostorových deformací, například ohnutých nebo vychýlených prvků.

• Kontext – Zjištění chybějících, nadbytečných nebo zaměněných prvků. Tento druh závad vyžaduje hlubší pochopení situace, a proto na něj není momentálně cíleno. V budoucnu by ale mohly podobné závady být automaticky detekovány pomocí porovnání s projektovou dokumentací.

PRVOTNÍ TRÉNOVACÍ DATA

Společnost ČEPS disponuje rozsáhlým množstvím vizuálního materiálu pořízeného historicky nejen při leteckých kontrolách, ale také při kontrolách pochůzkových a lezeckých. Díky tomu byl při vývoji nástroje k dispozici naprosto dostačující objem dat, na kterém bylo možné algoritmus strojového učení „natrénovat“.

Data byla manuálně označena, čímž vzniklo několik tisíc obrázků zachycujících různé prvky a zjištění. Jednotlivé snímky byly pečlivě tříděny a anotovány odborníky, což zajistilo jejich vysokou kvalitu a relevanci pro trénink modelů. Tento proces zahrnoval identifikaci různých typů závad od drobných korozí po vážnější mechanická poškození.

Jelikož se pracovalo s videem, ve kterém je každý prvek zachycen na několika sousedních snímcích, k dispozici byly i snímky, které byly poškozeny kompresí, rozmazáním nebo zachycením pouze části prvku. Tato data byla k trénování použita také, čímž bylo dosaženo vyšší robustnosti systému při vyhodnocování nekvalitního obrazového materiálu.

Obrázek č. 1: Ptačí hnízdo nad izolátorovým závěsem – příklad nadbytečného prvku

Obrázek č. 2: Detekce závady na izolátorovém závěsu

AUTOMATICKÁ ANALÝZA POMOCÍ NEURONOVÝCH SÍTÍ

Automatické vyhledávání zjištění se skládá ze dvou hlavních výzev: „kde“ a „co“. Krok „kde“ se zaměřuje na lokalizaci místa na snímku, ve kterém se poškozený prvek nachází. Pro tento účel využívá nástroj AI_not architekturu YOLO (You Only Look Once). Krok „co“ klasifikuje prvky na ty, které jsou v pořádku a na ty poškozené, jimž posléze přiřadí typ poškození. Pro tento účel je využívána architektura InceptionV3.

Architektura YOLO: Tato neuronová síť je optimalizována pro rychlou a přesnou lokalizaci prvků vedení. YOLO pracuje na principu rozděl a panuj, kdy snímek videa rozdělí do mřížky a v každé buňce odhaduje, zda se tam nachází objekt. Každá buňka mřížky je zodpovědná za detekci objektu, pokud střed objektu spadá do této buňky. Každá buňka také předpovídá pevný počet ohraničujících boxů B (např. B = 2).

Pro každý box se odhaduje relativní pozice boxu v rámci buňky, šířka a výška boxu (obvykle normalizované vzhledem k velikosti celého obrazu) a „confidence“, neboli důvěra, že daný box skutečně obsahuje objekt. Kromě toho buňka předpovídá pravděpodobnosti příslušnosti boxu ke třídám (např. „izolátor“, „tlu­- mič vibrací“, „číslo stožáru“ atd.).

Detekce se provádí v jediném průchodu sítě (tzv. „single-shot“ přístup). Tato metoda zajišťuje vysokou rychlost detekce, což je klíčové pro zpracování dlouhých videosekvencí.

Architektura InceptionV3: Tato síť je navržena pro klasifikaci a analýzu detailů. InceptionV3 exceluje v identifikaci komplexních vzorů a je obzvláště vhodná pro řešení složitých klasifikačních problémů. Jde o kombinaci různě velkých konvolučních filtrů (např. 1 × 1, 3 × 3, 5 × 5) a poolingových operací, které pracují paralelně. Myšlenka je taková, že v rámci jednoho „Inception“ bloku síť extrahuje rysy (features) různých prostorových velikostí, protože ne­existuje jedna „ideální“ velikost filtru pro všechny typy obrazových rysů. Výstup jednotlivých paralelních větví se následně sloučí (konkatenací hloubkově, tj. v dimenzi kanálů), čímž je dosaženo „širší“ sítě.

ANOTAČNÍ APLIKACE

Druhou částí nástroje je front-end aplikace, která umožňuje operátorům provádět a upravovat anotace. Napsána je jako webová aplikace v JavaScriptu, což zajišťuje její flexibilitu a snadnou přístupnost. Disponuje těmito anotačními módy:

• Manuální mód – Operátor ručně vytváří bounding boxy (obdélníky) kolem zjištěných závad a přiřazuje jim příslušný typ zjištění. Tyto bounding boxy vizuálně vymezují poškozenou část vedení.

• Mód rada – Software navrhuje bounding boxy, které operátor potvrzuje nebo odmítá. Tato spolupráce mezi AI a člověkem zajišťuje větší efektivitu.

• Mód auto – AI generuje bounding boxy plně automaticky, operátor pouze dozoruje proces a opravuje chyby.

Průběh samotného anotování je velice snadný. Operátor nejprve importuje video z letecké kontroly, které zachycuje detailní záznam průletu kolem vedení. Pomocí intuitivních ovládacích prvků může vytvářet (manuální mód), případně potvrzovat či zamítat (mód rada nebo auto) bounding boxy, přiřazovat typy zjištění a doplňovat poznámky. Každá anotace je okamžitě uložena a propojena s metadaty.

OPTIMALIZACE DETEKCE NEJLEPŠÍHO SNÍMKU

Jednou z klíčových funkcí softwaru je eliminace nadbytečných anotací. Nechceme zaznamenávat jednu závadu na všech snímcích videa, ale pouze na nejvhodnějším snímku. K tomu se využívají následující metriky:

• velikost bounding boxu (větší je lepší),

• confidence level detekce YOLO (vyšší hodnoty jsou preferovány),

• pozice boxu na snímku (středová pozice je lepší než okrajová).

Aby bylo možné sledovat jednotlivé závady v časové ose videa, využívá AI_not algoritmus SORT (Simple Online and Realtime Tracking). Tento algoritmus umožňuje přiřadit unikátní ID každému zjištění a sledovat jeho pohyb mezi snímky, což zajišťuje kontinuitu a konzistenci anotací.

Obrázek č. 3: Detekce jednotlivých prvků vedení

STRUKTUROVANÉ JSON SOUBORY

Obě části aplikace mezi sebou komunikují prostřednictvím strukturovaných JSON (JavaScript Object Notation) souborů. Tyto soubory obsahují klíčové informace:

• ID anotace,

• souřadnice bounding boxu,

• název prvku a typ zjištění,

• označení, zda je daná anotace nejlepší podle rozhodovacího algoritmu popsaného výše.

JSON soubor je využíván jak anotační aplikací na zobrazování již vytvořených anotací, tak i modulem pro učení sítí, kde je z něj čerpáno při vytváření nových trénovacích dat.

PROCES ITERATIVNÍHO UČENÍ

Schopnost přesné detekce a klasifikace se zlepšuje s množstvím dat, které byly použity k trénovaní sítí. Čím více toho síť během trénování „uvidí“, tím lepší pak bude při následném vyhodnocování.

Zpracovaná videa jsou proto nadále využívána. Jakmile je video anotováno, nástroj AI_not provádí automatickou analýzu dat, k níž jsou využívána metadata uložená v JSON souborech. Všechna zaznamenaná zjištění jsou utříděna a uložena do databáze, která slouží jako zdroj pro další trénování.

Tento interaktivní proces nejen usnadňuje práci operátorům, ale také vytváří velké množství nových trénovacích dat, která dále zlepšují schopnosti neuronových sítí. To je základem pro tzv. „self-learning“ systém, ve kterém každá interakce uživatele přispívá k vyšší přesnosti a spolehlivosti celého systému. Systém se tak tímto iterativním způsobem stává stále efektivnějším.

TESTOVÁNÍ A IMPLEMENTACE

Na ručně vytvořeném datasetu byla natrénována první generace sítí. Ta byla poté otestována na několika nových videích. Prvky a zjištění, které nebyly zachyceny, byly přidány do trénovací množiny a sítě přetrénovány, čímž vznikla jejich druhá generace.

Pro její další testování byly vybrány rozdílné typy vedení různého stáří a stupně poškození, aby se ověřila univerzálnost modelu. Na nich už druhá generace sítí dosahovala úspěšnosti okolo 90 %. Další zvyšování úspěšnosti pak bude dosahováno samotným používáním aplikace a s tím spojeným vznikem nových trénovacích dat.

VÝZNAMNÝ KROK VPŘED

Nástroj AI_not představuje významný krok vpřed v oblasti kontrol vedení přenosové soustavy: díky své schopnosti automaticky detekovat a klasifikovat závady z vizuálních dat nejenže zkracuje čas potřebný k identifikaci závad, ale také minimalizuje riziko lidské chyby, a tím zvyšuje efektivitu a přesnost kontrol.

Díky kombinaci pokročilých neuronových sítí a intuitivní anotační aplikace se tak operátoři budou moci v budoucnu soustředit na kritické úkoly, zatímco AI_not provede rutinní analýzy. S pokračujícím vývojem a iterativním učením se očekává, že AI_not bude hrát klíčovou roli v udržování a zlepšování spolehlivosti vedení přenosové soustavy, čímž přispěje k bezpečnější a stabilnější energetické infrastruktuře jako celku.

O AUTORECH

Šimon Greško vystudoval Fakultu jadernou a fyzikálně inženýrskou na ČVUT v Praze a několik let působil v Akademii věd ČR v oblasti zpracování obrazové informace s využitím specializovaných AI modelů. Nyní pracuje ve společnosti MND Energie, kde se zaměřuje na využití statistických modelů a strojového učení pro predikce v energetice.

Matyáš Merunka zahájil svou kariéru v ČEPS, a.s., jako nákupčí se specializací na provoz a údržbu. V současnosti pracuje v oddělení Inovační rozvoj přenosové soustavy, kde je zodpovědný za řízení inovačních a digitalizačních projektů. Má také zkušenosti z působení u provozovatele plynárenské distribuční soustavy GasNet, s.r.o.

Kontakty: gresko.simon@gmail.com, merunka@ceps.cz