エネルは、Amazon SageMakerを使用して大規模な電力グリッド資産管理と異常検知を自動化しています

エネルは、Amazon SageMakerを使用して電力グリッド資産管理と異常検知を自動化しています

これはエネルのコンピュータビジョン部門のリーダーであるマリオ・ナムタオ・シャイアンティ・ラルケルによるゲスト投稿です。

エネルは、かつてイタリアの国営電力会社として始まり、現在では32か国に展開する多国籍企業であり、世界最大の民間ネットワーク運営会社であり、7400万人のユーザーを抱えています。また、55.4 GWの設置容量を持つ最初の再生可能エネルギー事業者としても認知されています。近年、同社は機械学習（ML）セクターに大きく投資し、自社内での強力なノウハウを開発することで、2,300万キロの配電ネットワークの自動監視など非常に野心的なプロジェクトを実現しています。

エネルは毎年、ヘリコプター、車両、その他の手段で電力配電ネットワークを点検し、数百万枚の写真を撮影し、LiDAR技術を使用してネットワークのポイントクラウド3D再構築を行います。

このデータの検証は、電力グリッドの状態の監視、インフラの異常の特定、設置資産のデータベースの更新に非常に重要であり、特定のポールに設置された最も小さい絶縁体の素材と状態まで、インフラの細かい制御を可能にします。データの量（イタリアだけでも年間4,000万枚以上の画像）、特定のアイテムの数、およびそれらの特異性を考慮すると、完全に手動での分析は非常にコストがかかり、時間とお金を要し、エラーが生じやすいです。幸いなことに、コンピュータビジョンと深層学習の世界での大きな進歩、およびこれらの技術の成熟と民主化により、この高額なプロセスを部分的にまたは完全に自動化することが可能になりました。

• 「Amazon SageMakerを使用して、効率的にカスタムアンサンブルをトレーニング、チューニング、デプロイする」
• 「車泥棒を阻止する驚くほどシンプルな方法」
• 「従業員は職場でChatGPTを望む上司は秘密を漏らすことを心配している」

もちろん、このタスクは非常に困難であり、他のすべての現代のAIアプリケーションと同様に、計算能力と大量のデータを効率的に処理する能力が必要です。

エネルは自社のMLプラットフォーム（内部ではMLファクトリーと呼ばれています）をAmazon SageMakerを基に構築し、このプラットフォームをエネルで異なるユースケースのモデルを構築および訓練するための標準ソリューションとして確立しています。これにより、Amazon SageMaker TrainingやAmazon SageMaker ProcessingなどのAWSの他のサービスを使用して、複数のデジタルハブ（ビジネスユニット）で開発されている数十のMLプロジェクトが進行中です。

エネルは2つの異なるソースからイメージとデータを収集しています：

1. 空中ネットワーク点検：
   • LiDARポイントクラウド – インフラストラクチャの非常に正確なジオローカライズされた3D再構築であり、2D画像分析では得られない精度で距離を計算したり、測定したりするのに非常に便利です。
   • 高解像度画像 – インフラストラクチャのこれらの画像は、お互いに数秒以内に撮影されます。これにより、ポイントクラウドでは特定できないほど小さな要素や異常を検出することができます。
2. 衛星画像 – これらは電力線の点検よりも手ごろな価格で入手できる場合がありますが、その解像度と品質はエネルが直接撮影した画像とは比べ物になりません。これらの画像の特性は、森林密度やマクロカテゴリの評価、建物の検索など特定のタスクに役立ちます。

この投稿では、エネルがこれらの3つのソースをどのように使用しているかの詳細について説明し、SageMakerを使用して大規模な電力グリッドの評価管理および異常検出プロセスを自動化している方法を共有します。

高解像度の写真を分析してアセットと異常を特定する

点検中に収集された他の非構造化データと同様に、撮影された写真はAmazon Simple Storage Service（Amazon S3）に保存されます。これらのうちいくつかは、異なるコンピュータビジョンのタスクのために異なる深層学習モデルを訓練することを目的として、手動でラベル付けされています。

概念的には、処理および推論パイプラインは階層的なアプローチを取り、複数のステップで行われます。まず、画像内の関心領域が特定され、それらが切り抜かれ、それらの中でアセットが特定され、最後にそれらが素材または異常の存在に応じて分類されます。同じポールが複数の画像に表示されることが多いため、重複を避けるためにこれらの画像をグループ化することができる必要もあります。これを再識別と呼びます。

これらのすべてのタスクについて、エネルはPyTorchフレームワークと画像分類およびオブジェクト検出のための最新のアーキテクチャ（EfficientNet/EfficientDetなど）を使用しています。また、特定の異常（例：トランスフォーマー上のオイル漏れ）のセマンティックセグメンテーションなどのタスクでは、SimCLRベースの自己教師ありメソッドやトランスフォーマーベースのアーキテクチャが使用されます。高性能のGPUを備えた多数のインスタンスにアクセスできないとこれらのモデルをすべて訓練することは不可能ですので、すべてのモデルはGPUアクセラレートされたMLインスタンスを使用してAmazon SageMakerトレーニングジョブで並列に訓練されました。推論は同じ構造を持ち、SageMakerの処理およびトレーニングジョブを制御するStep Functionsステートマシンによってオーケストレーションされます。このステートマシンは、トレーニングと推論の両方で使用できるようになっています。

以下は、MLパイプラインのハイレベルなアーキテクチャとその主要なステップです。

この図は、ODIN画像推論パイプラインの簡略化されたアーキテクチャを示しており、データセットの画像からROIs（電力ポストなど）を抽出して分析します。パイプラインはさらにROIsを詳しく調査し、電気要素（トランスフォーマ、絶縁体など）を抽出して分析します。コンポーネント（ROIsおよび要素）が最終決定された後、再識別プロセスが開始され、3Dメタデータに基づいて画像とネットワークマップ内のポールがマッチングされます。これにより、同じポールを参照するROIsをクラスタリングすることができます。その後、異常が最終決定され、レポートが生成されます。

LiDARポイントクラウドを使用した正確な測定値の抽出

高解像度の写真は非常に有用ですが、2Dなので正確な測定値を抽出することはできません。LiDARポイントクラウドは3Dであり、クラウド内の各ポイントは数センチメートル未満の誤差がある位置を持っています。

ただし、多くの場合、生のポイントクラウドは役に立ちません。なぜなら、一連のポイントが木、送電線、または家を表すかどうかを知らない場合、それには何もできないからです。このため、EnelはKPConvというセマンティックポイントクラウドセグメンテーションアルゴリズムを使用して、各ポイントにクラスを割り当てます。クラウドが分類された後、電力線に植生が近すぎるかどうかを測定するのではなく、ポールの傾きを測定することができます。SageMakerサービスの柔軟性により、このソリューションのパイプラインは既に説明したものとあまり変わりませんが、この場合は推論にGPUインスタンスを使用する必要があります。

以下は、いくつかのポイントクラウド画像の例です。

宇宙から電力網を見る：植生のマッピングによるサービス中断の防止

ヘリコプターやその他の手段で電力網を検査することは一般に非常に高価で、頻繁には行えません。一方、短い時間間隔で植生の傾向を監視するシステムを持つことは、エネルギー配信業者の最も高価なプロセスの1つである木の剪定を最適化するために非常に有用です。これがEnelがソリューションに衛星画像の分析を含めた理由です。マルチタスクアプローチを用いて、そこに植生が存在する場所、その密度、およびマクロクラスに分けられる植物の種類が特定されます。

このユースケースでは、さまざまな解像度で実験した結果、Copernicusプログラムが提供する無料のSentinel 2画像が最もコスト効果の高い比率を持っているとEnelは結論付けました。Enelは、植生に加えて、建物を特定するためにも衛星画像を使用しており、これは、Enelが電力を供給している場所と建物の存在との間に不整合があるかどうか、およびデータベースの問題や異常な接続があるかどうかを理解するための有用な情報です。後者のユースケースでは、Sentinel 2の解像度では1ピクセルが10平方メートルの領域を表すため、不十分であり、50平方センチメートルの解像度を持つ有料の画像が購入されます。このソリューションも、使用されるサービスとフローの点では以前のものとあまり変わりません。

以下は、アセット（ポールと絶縁体）の識別が行われた航空写真です。

ENEL GridのデータサイエンスディレクターであるAngela Italianoは次のように述べています。

「Enelでは、高品質の画像とLiDARポイントクラウドを数千万枚使用して電力配電ネットワークを検査するためにコンピュータビジョンモデルを使用しています。これらのMLモデルのトレーニングには、高性能のGPUを備えた大量のインスタンスへのアクセスと、大量のデータを効率的に処理する能力が必要です。 Amazon SageMakerを使用することで、Amazon SageMakerトレーニングが必要に応じて計算リソースをスケールアップおよびダウンさせるため、すべてのモデルを迅速に並列してトレーニングすることができます。 Amazon SageMakerを使用して、私たちはシステムの3D画像を構築し、異常を監視し、6000万人以上の顧客に効率的にサービスを提供することができます。」

結論

この記事では、エネルのようなエネルギー業界のトッププレーヤーが、コンピュータビジョンモデルとSageMakerのトレーニングおよび処理ジョブを使用して、この巨大な規模のインフラを管理する人々の主要な問題の1つである、設置された資産の追跡や、植物などが近くにあることによる異常や危険の源を特定する方法を解決する方法について見てきました。

SageMakerの関連機能について詳しく学びましょう。

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