Northpower, una empresa que provee servicios de electricidad y fibra óptica en la región de Northland en Nueva Zelanda, ha enfrentado un desafío significativo para mejorar la infraestructura crítica de sus comunidades. La compañía, que es también uno de los contratistas de infraestructura más importantes del país, ha reconocido la necesidad de modernizar sus sistemas para adaptarse a las exigencias de un sector energético en constante evolución, marcado 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 afrontando nuevas dificultades relacionadas con la integración de recursos energéticos descentralizados, incluyendo grandes proyectos solares y eólicos. Para hacer frente a estos retos, Northpower ha colaborado con su socio tecnológico Sculpt, con el objetivo de reducir el esfuerzo y la huella de carbono en la identificación y mitigación de riesgos de seguridad pública. Utilizando técnicas de visión computacional e inteligencia artificial (IA), Northpower ha mejorado la eficiencia en la priorización de las tareas de su equipo de campo.
Uno de los problemas más urgentes para Northpower es identificar cuántos de sus 57,230 postes tienen cables de sujeción sin aisladores. La inspección manual de una red tan vasta y mayormente rural es costosa y laboriosa, y métodos alternativos, como las inspecciones aéreas, son también inviables económicamente y logísticamente complicadas. No obstante, Northpower contaba con conjuntos de datos digitales y datos históricos digitalizados, incluyendo 765,933 fotografías de inspección de calidad variable.
Buscando una solución más eficiente, Northpower utilizó Amazon SageMaker, un servicio gestionado que facilita a desarrolladores y científicos de datos la creación, entrenamiento y despliegue de modelos de aprendizaje automático (ML). Con 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 de mayor riesgo. El proceso de post-inferencia y análisis de datos incluyó el uso de 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, disminuyendo la necesidad de investigar solo 141 postes de los 57,230, lo que significó una reducción significativa de costos e impacto ambiental.
En conclusión, Northpower ha demostrado que incluso los retos más complejos de inspección de infraestructura pueden ser gestionados eficazmente mediante el uso de visión computacional y IA, maximizando el valor de datos anteriormente inactivos y permitiendo intervenciones más sostenibles y precisas. Este proyecto resalta cómo las tecnologías avanzadas proporcionadas por Amazon SageMaker pueden inducir una transformación operativa significativa en el sector de la distribución eléctrica.
