人工智能(AI)在幾乎可以想象到的每個行業(yè)中都有廣泛的潛在應用，醫(yī)療保健、汽車、零售甚至快餐。

但是，在公用事業(yè)行業(yè)中，人工智能和機器學習(ML)開始展示其對業(yè)務許多方面的某些最有影響力的影響。電力公司越來越依賴AI來改善電力供應，例如在亞馬遜和加利福尼亞州，通過無人機管理軟件和植被管理來防止?jié)撛诘囊盎稹?/p>

在后疫情時代，減少的現(xiàn)場勞動力正在迅速成為一種常態(tài)，人工智能實際上正在改善人類的工作。

從數(shù)據(jù)收集和分析到可行見解的呈現(xiàn)，人工智能和機器學習算法正在迅速重新定義公用事業(yè)公司如何管理其電力基礎設施。

合并和分類數(shù)據(jù)

公用事業(yè)公司監(jiān)督著龐大的基礎設施網(wǎng)絡，包括電線桿、導體、變電站。包含這些關鍵組件的傳輸線和配電線跨越數(shù)千英里。由于存在著火或停電的危險，因此還必須監(jiān)視圍繞該關鍵基礎設施的植被管理。

全面了解這些資產意味著要使用各種不同的傳感器進行電力線檢查。這些傳感器包括光檢測和測距(LiDAR)、彩色(RGB)、高光譜和熱成像。

這使無人機地圖繪制軟件可以捕獲一切，從植被附近到基礎設施資產，再到單個組件(例如變壓器上的絕緣子)，其操作完整性到指示潛在火災隱患的熱點。

這是要捕獲、分類和處理的大量數(shù)據(jù)。而且，數(shù)據(jù)中有很多單獨的元素(即使只有一張圖像)也可以精確定位和分類，更不用說準確地進行分類了。在所有這些傳感器上對數(shù)十億個數(shù)據(jù)點進行分類是一項非常耗時的手動任務。

AI和ML工具可以完成相同的工作。在幾秒鐘內掃描在數(shù)千英里的公用事業(yè)基礎架構中收集的數(shù)千張圖像。LiDAR點云分割可以檢測導體(相當難于分割的組件類型)，每個點的準確度都超過95%，而高光譜圖像分割可以識別植物物種，準確度高達99%。

不僅如此，當與無人機傳感器配對時，這些算法還可以改善前期數(shù)據(jù)收集。AI和ML工具有助于實時調整傳感器系統(tǒng)的位置。如果信號丟失或無人機偏離其檢查飛行路線，則在專業(yè)無人機或飛行員硬件上運行的EDGE AI算法可以幫助無人機通過物體檢測重新調整其焦點，或者避免機載碰撞造成的事故。

通過幫助在飛行中重新調整傳感器的方位，AI不僅可以確保更準確的數(shù)據(jù)收集，而且可以確保由于數(shù)據(jù)收集不準確而無需重復飛行或提前結束飛行，從而節(jié)省了寶貴的時間和資源。

機器學習技術可以在空中發(fā)現(xiàn)傳感器或無人機的飛行路徑中的任何故障，根據(jù)需要進行重新校準，并在數(shù)據(jù)通過傳感器的視頻饋送時識別出數(shù)據(jù)中的各個元素。

分解孤島以創(chuàng)建整體數(shù)據(jù)方法

所有這些的關鍵是消除在不同數(shù)據(jù)段之間自然形成的孤島。在公用事業(yè)檢查空間、資產管理和植被管理中，不同的傳感器等都產生各自不同的、相互隔離的數(shù)據(jù)集。

當數(shù)據(jù)保持這種孤立狀態(tài)時，團隊從收集的信息中得出公司范圍內的見解或結論將造成不必要地困難。如果不能將其用于檢查自己和補充其他數(shù)據(jù)集，那么所有這些數(shù)據(jù)有什么好處?

好的數(shù)據(jù)管理不可能零星地存在。它需要是整體的，而AI為實現(xiàn)這一目標提供了動力。人工智能為將所有這些數(shù)據(jù)源匯集在一起，提供了一個中央資源，從而使對潛在問題(例如易生火的植被或損壞的組件)的數(shù)據(jù)分析更加容易。將這些問題收集到一個系統(tǒng)中后，識別故障并加以解決變得容易得多，而且比手動篩選無數(shù)的桿或植被圖圖像要快得多。

盡管人們普遍擔心AI會消除人類的工作，但在公用事業(yè)公司，AI確實增強了人們在網(wǎng)絡和電力線檢查過程中必須扮演的角色。因為AI是執(zhí)行數(shù)據(jù)分析的工具，所以它既不是依賴于專業(yè)檢查員可能偏頗的專業(yè)知識，也不是容易疲勞和由此產生的異常結果，而是無人機檢查軟件。

但與此同時，人工智能本身無法做任何事情。它是一種提供更清晰/更準確和更具操作性的信息的方法，人們可以根據(jù)自己的判斷采取行動。

關于AI有很多容易做出的好壞假設。隨著社區(qū)開始從封鎖中逐步開放，社交距離預示著日常生活的顯著變化，人工智能對公用事業(yè)行業(yè)的真正意義在于減少了對人工檢查的依賴，并且提供了有關電力公司的正確信息的更有效的工具基礎設施-它的輸配電線路，電線桿和附近的植被-掌握在關鍵決策者的手中。