O projeto “Plataforma de big data e inteligência artificial para mapeamento de vulnerabilidades em distribuição” visa ao desenvolvimento de dispositivo de captura de imagens georreferenciadas com cameras estéreas, com o fim de melhorar a gestão de vegetação nas proximidades das redes elétricas de distribuição. Além de aumentar a assertividade de arvores a serem podadas, assim como reduzir o custo e adequar a necessidade.
Este projeto foi um dos participantes finalistas da etapa nacional do Premio CIER de inovação 2022, na categoria Digitalização.
O Prêmio CIER de Inovação 2023 está com as inscrições abertas. Participe com seu projeto! Entre em contato!
Resumo
As interferências causadas por vegetação próximas à rede elétrica estão entre as principais causas de interrupções do serviço de fornecimento de energia. Embora esforços consideráveis sejam realizados com equipes de roçagem e poda, a tomada de decisão é realizada por meio da experiência de gestão da equipe de manutenção considerando-se os limites orçamentários previamente definidos. O projeto visa o desenvolvimento de dispositivo de captura de imagens georreferenciadas com câmeras estéreas, em conjunto com sensores do tipo LiDAR para aquisição de nuvem de pontos da rede. A partir da aquisição dessas imagens, um sistema desenvolvido de visão computacional detecta os pontos de vegetação nas imagens, bem como a rede elétrica próxima. Com a projeção desses pontos para as point clouds aquisitadas pelo LiDAR, um modelo de analytics determina a distância da vegetação da rede elétrica, mensurando o grau de vulnerabilidade da rede nesse local.
Autor principal: Rodrigo Zempulski Fanucchi (COPEL)
Outros autores: Anderson da Silva Soares (UFG)
Motivação
Melhorar a gestão de vegetação nas proximidades das redes elétricas de distribuição, de forma a otimizar os custos orçamentários dessa atividade. Com isso, pretende-se:
- Aumentar a assertividade do apontamento de árvores a serem podadas – atualmente esse processo é manual e feito por pessoas especialistas.
- Definir de maneira assertiva quais árvores devem ser podadas a partir da vulnerabilidade da rede no local.
- Adequar a necessidade de poda ao orçamento de custeio disponível para a atividade.
- Reduzir custos de levantamento – Não haveria mais a necessidade de especialistas para o levantamento em campo. As imagens poderiam ser aquisitadas por equipes não especialistas e o resultado antes do despacho para poda, analisado por um único especialista.
- Em última instância, busca-se reduzir o custo no processo de gestão da vegetação, e, consequentemente, reduzir os indicadores de continuidade.
Fases do desenvolvimento do projeto
Todas as atividades foram desenvolvidas em conjunto entre a Universidade Federal de Goiás e a Copel. Para melhor tratativa do projeto, foram criadas equipes para desenvolvimento das diversas atividades: Visão Computacional, Plataforma de Big Data, Sistemas embarcados/Dispositivo e Plataforma de Analytics. Visão Computacional – Parte do projeto responsável pela entrega do modelo de detecção de vegetação e rede elétrica através das imagens aquisitadas do dispositivo e da nuvem de pontos do LiDAR. Etapas desse desenvolvimento:
- Inicialmente foi feito um levantamento do estado da arte do tipo de problema e solução empregado;
- Após isso, verificou-se que a utilização de um algoritmo de visão computacional com transfer learning a partir de modelos de carros autônomos seria uma das formas de tratativa.
- Para o treinamento e desenvolvimento do modelo, foi criado um dataset próprio.
- Treinamento e validação de maneira incremental do modelo de detecção de vegetação.
- Na parte do LiDAR, a mesma equipe estudou as arquiteturas disponíveis e a forma de aquisição.
- Após a maturidade dos dois itens, foi feita a integração entre os dados aquisitados pelo LiDAR e as imagens aquisitadas, possibilitando, dessa forma, que a equipe de analytics pudesse determinar o grau de vulnerabilidade da rede.
Plataforma de Big Data – Devido a tamanho dos dados vinculados aos vídeos aquisitados, faz-se necessária uma plataforma de big data para o desenvolvimento do pipeline em um tempo computacional viável. Etapas desse desenvolvimento:
- Inicialmente foram estudas as arquiteturas de Big Data disponíveis.
- Determinou-se a arquitetura a ser utilizada e a equipe fez a implantação, utilizando máquinas blade, na infraestrutura da Copel
- Houve treinamento de profissionais da Copel para operação.
- Equipe foi responsável pela junção de todas as etapas do pipeline – desde o arquivamento das imagens aquisitadas, passando pela disponibilização das mesmas para a Visão Computacional,
fechando na apresentação dos resultados e imagens na parte do Analytics.
Sistemas Embarcados/Dispositivo – Equipe responsável pela construção do dispositivo para aquisição das imagens e nuvem de pontos com georrefenciamento. Etapas desse desenvolvimento:
- Primeiramente foi realizado estudo de configurações de câmeras estéreas e sensores LiDAR.
- Determinou-se a melhor configuração a ser utilizada, buscando corrigir, através do georreferenciamento possíveis erros de deslocamento que deslocassem o local estampado da imagem aquisitada do local real.
- Montagem de dois protótipos do dispositivo.
- Testes em Curitiba e Londrina
Plataforma de Analytics – Parte do projeto que tem como foco definir a metodologia de quantificação do grau de vulnerabilidade da rede e de apresentação dos dados ao analista da Copel.
- Ao longo de todo o projeto, trabalhou-se no desenvolvimento de aplicativo similar ao google street view que possibilitasse visualizar as imagens, nuvem de pontos e distância da rede à vegetação.
- Estudo de metodologias de definição de priorização de execução de tarefas com base no grau de criticidade, risco e severidade da não execução.
- Apresentação em heatmap da metodologia para suporte a tomada de decisão.
Ao longo de todo o processo houve a integração, conforme descrito na parte de Big Data, das etapas de forma a validade todo o pipeline da solução.
Sobre o negócio
O custo médio de empregado na área de manutenção é de cerca de R$ 189 mil. Atualmente, há cerca de 106 inspetores de linhas e rede, os quais, via de regra, acabam atuando em dupla. Sendo assim, o custo atual de inspeção, tanto para manutenção corretiva, quanto para poda e roçada, é de cerca de R$ 20 milhões apenas com OAP. Esse custo de inspeção busca gera maior assertividade em um orçamento de manutenção de cerca de R$ 85 milhões por ano, sendo que apenas a parte de poda e roçada é de cerca de R$ 41 milhões por ano.
Considera-se que a aplicação em escala do objeto do projeto em questão, possibilitaria reduzir cerca de 25% da mão-de-obra relacionada a inspeção – uma redução de custos do processo de cerca de R$ 5 milhões -, haja vista que cerca de 50% do tempo das duplas são gastos em inspeção para poda e roçada e, esse processo poderia ser reduzido para apenas uma pessoa mapeando a rede com a modernização do processo ou analisando os pontos de vulnerabilidade verificados pelo sistema de inferência de imagens.
Além disso, estima-se que haverá aumento de cerca de 20% da assertividade nos apontamentos, haja vista que a utilização de IA trará maior padronização no processo. Monetizando essa estimativa, acredita-se que esses 20% poderão ser utilizados em trechos e ações mais importantes, fazendo manutenções mais críticas com o valor, ou seja, utilizando melhor cerca de R$ 8 milhões. Dessa forma, a implantação em escala traria um benefício de cerca de R$ 13 milhões por ano
Sobre o impacto sócio-ambiental
Estima-se que 20% das podas atualmente realizadas não seriam necessárias, tendo impacto positivo na geração de resíduos de poda.