Владимир Игнатьев: Нейросети для энергетиков: как с помощью приложения обнаружить зарастание ЛЭП

Владимир Игнатьев, сооснователь Research director

Владимир Игнатьев, сооснователь Research director

Владимир Игнатьев, сооснователь Research director

Частой причиной аварий на российских электросетях становятся деревья, растущие вдоль ЛЭП. Москва помнит масштабное ЧП, когда ледяной дождь обрушил ветви деревьев на провода и оставил без света десятки тысяч человек. И это в крупном городе, когда потенциально опасные деревья видны обходчикам. Для труднодоступных мест, далеких от человеческого жилья, решение предложила компания “Геоалерт” (резидент “Сколково”), специализирующая на технологиях, связанных с анализом космических изображений.

Долгое  время основным способом получения информации о зарастании ДРК были осмотры обходчиков. Это достаточно трудоемкий, ресурсозатратный процесс, который осложняется человеческим фактором. По той или иной причине специалист может ошибиться при оценке состоянии трассы.

В последние годы все чаще проводятся обследования с применением различных технологий дистанционного зондирования Земли

– Лазерное сканирование (воздушное и наземное)

– Аэрофотосъемка и стереофотограмметрия

– Спутниковый мониторинг.

Эти методы позволяют объективно расследовать причины аварии на ЛЭП, контролировать соблюдение нормативов, а также получать информацию о состоянии просек. С их помощью нельзя оценить состояние фундамента, но данные о геометрических параметрах ЛЭП помогут обратить внимание специалистов электросетевых компаний на возможные аварии.

Лазерное аэроска

нирование применяется в труднодоступных местах, куда доставлять обходчиков и технику неэффективно и дорого. На вертолеты устанавливаются специальные сканеры, в результате облета специалисты собирают пространственную информацию о координатах объектов. По результатам составляются электронные таблицы с данными о техническом состоянии каждой опоры, в ходе анализа снимков определяется ширина трасс, выявляются опасные деревья, растущие за пределами охранной зоны, фиксируются провисы высоковольтных линий (ВЛ) и дефекты опор.

Аэрофотосъёмка – фотографирование местности с беспилотных летательных аппаратов (БПЛА), самолета, вертолета, это наиболее эффективный способ оценить состояние проводов и установить факт несанкционированной деятельности в охранной зоне.  Сначала дрон в автоматическом режиме делает аэрофотосъемку воздушных ЛЭП и охранных зон. Специальная программа их обрабатывает и  выдает ортофотоплан, который анализируется в геоинформационной системе. Дроны могут использоваться в условиях ЧС, опасных и труднодоступных местах. Кроме того, в ходе аэрофотосъемки с БПЛА данные собираются быстро, и они объективны.

Спутниковый мониторинг — наблюдение поверхности земли с борта космических летательных аппаратов, оснащённых различной аппаратурой, регистрирующей электромагнитное излучение от объектов. Спутниковый мониторинг не может дать исчерпывающей информации о техническом состоянии ЛЭП, поскольку провода на спутниковых снимках не отображаются, но это идеальный способ получить информацию о состоянии растительности в охранной зоне ВЛ. Но мало эти снимки получить, их нужно еще расшифровать. Наше решение для семантического анализа спутниковых снимков – платформа Геоалерт, сервис с возможностью обработки спутниковых изображений сверхвысокого пространственного разрешения по области интереса. Результат обработки может быть представлен либо в виде базы данных, либо через GeoAlert platform API.

Работа над платформой началась в лаборатории Сколтеха около полутора лет назад, когда глубокие нейросети отрабатывали  на комбинации данных воздушного лазерного сканирования и мультиспектральных спутниковых изображениях субметрового пространственного разрешения. Для дистанционных методов все еще остается проблема высоты древостоя: ее можно измерить с 3D-облаком точек с лидара, но это будет очень дорого. Поэтому наша команда решила обучить нейросеть генерить  высоты по субметровому снимку, например, с сенсора WorldView 3.

В качестве эталонных данных использовалась цифровая модель лесного полога (СНМ), входные данные – снимки RGB (либо RGB+NIR) с разрешением 0.3–0.8 м/пискель, сделанные в сезон активной вегетации. CHM — это геопривязанный растр с абсолютным значением высоты в каждом пикселе, вычисленным по 3D-облаку точек посредством интерполяции. Пришлось поработать со сдвигом между растром CHM и спутниковых снимков, вызванном различиями в условиях съемки и в пространственном разрешении данных. Однако оказалось достаточным выбрать пространственное разрешение, на котором сдвиг перестает влиять на точность предсказания.

Первая версия технологии платформы была представлена на ежегодном соревновании “Энергопрорыв 2019”, организуемом Фондом Сколково и ПАО Россети. И тогда же от экспертов был получен грамотный фидбек и несколько предложений тестирования.

Сейчас мы реализовали несколько значимых проектов, включая детальную карту зарастаний ДКР охранных зон ЛЭП по всей Ленинградской области – это около 35 тыс. км. С помощью платформы удалось установить, что площадь зарастаний трасс в Ленобласти составила 30%  (границы охранных зон получены на основе открытых данных OSM).  Приблизительно половина этих площадей заросла средневысокой растительностью от 4 до 10 м высотой. Зарастание высокими деревьями более компактно, в то время как низкие кустарники имеют хаотичный характер зарастания.

В основе работы нашего сервиса – глубокие нейросетевые модели анализа спутниковых изображений субметрового разрешения. Нейронная сеть обучена прогнозировать высоту древесно-кустарниковой растительности в каждом пикселе изображения. Добиться высокой точности определения высоты оказалось возможным благодаря обучению моделей на больших площадях, занятых растительностью, информация о которой была зарегистрирована двумя типами сенсоров: спутник и лидар. В процессе обучения нейросети предъявляют фрагменты спутникового изображения и карты высот растительности для одной и той же территории таким образом, что после обучения модель способна генерировать значение высоты для новых фрагментов изображения растительности уже без привлечения дополнительной информации от лидара. Технология запатентована, идет масштабирование в региональном масштабе.

https://www.geoalert.io/ru-RU/

сайт проекта – https://www.power.geoalert.io/

Поделиться:
Спецпроект

Цифровые цели спортивной индустрии

Подробнее
Спецпроект

Перекуем аналог в цифру! Итоги второго международного отраслевого форума «Информационные технологии в металлургии и металлообработке»

Подробнее

Подпишитесь
на нашу рассылку