Northpower, una empresa que ofrece servicios confiables y asequibles de electricidad y fibra óptica en la región de Northland en Nueva Zelanda, se enfrenta a un desafío significativo en la mejora de la infraestructura crítica para sus comunidades. La empresa, que también es uno de los contratistas de infraestructura más grandes del país, ha detectado la necesidad de adaptar sus sistemas a las exigencias de un sector energético en transformación, influenciado por la creciente demanda de descarbonización y resiliencia ante eventos climáticos extremos, como el Ciclón Tropical Gabrielle.

Las Empresas de Distribución de Electricidad (EDBs) están encontrando nuevas dificultades con la integración de recursos energéticos descentralizados, tales como proyectos de energía solar y eólica de gran escala. Para abordar estos desafíos, Northpower ha colaborado con su socio tecnológico Sculpt para reducir el esfuerzo y la huella de carbono necesarios en la identificación y mitigación de riesgos de seguridad pública. Gracias a técnicas de visión computarizada e inteligencia artificial (IA), Northpower ha sido capaz de priorizar las tareas de su equipo de campo de manera eficiente.

Uno de los problemas más acuciantes para Northpower es determinar cuántos de sus 57,230 postes tienen cables de sujeción sin aisladores. Inspeccionar manualmente una red tan extensa y mayormente rural es una tarea costosa y laboriosa, y métodos alternativos, como las inspecciones aéreas, también son económicamente inviables y logísticamente complicadas. Sin embargo, Northpower disponía de algunos conjuntos de datos digitales y datos históricos en formato digitalizado, que incluían 765,933 fotografías de inspección de calidad variada.

Para encontrar una solución más eficiente, Northpower recurrió a Amazon SageMaker, un servicio administrado que facilita a los desarrolladores y científicos de datos la creación, entrenamiento y despliegue de modelos de aprendizaje automático (ML). Utilizando Amazon SageMaker Studio y modelos de detección de objetos preentrenados, el equipo pudo anotar un conjunto inicial de 10,000 imágenes y entrenar un modelo de ML para identificar cables de sujeción y aisladores.

Los modelos entrenados permitieron a Northpower identificar los postes con mayor riesgo. El proceso de post-inferencia y análisis de datos incluyó servicios como Amazon Athena y Amazon QuickSight para visualizar y evaluar los riesgos. Los resultados mostraron que 1,853 postes eran de alta prioridad, 3,922 de prioridad media, 36,260 de baja prioridad y 15,195 de la prioridad más baja. Estas categorizaciones permitieron priorizar las inspecciones físicas, lo que resultó en la necesidad de investigar solo 141 postes de los 57,230, reduciendo significativamente costos y el impacto ambiental.

En conclusión, Northpower ha demostrado que incluso los retos más complejos de inspección de infraestructura pueden gestionarse eficazmente mediante el uso de visión computarizada y IA, maximizando el valor de datos previamente inactivos y permitiendo una intervención más sostenible y precisa. Este proyecto destaca cómo las tecnologías avanzadas proporcionadas por Amazon SageMaker pueden facilitar una transformación operativa significativa en el sector de distribución eléctrica.
vía: AWS machine learning blog