F O Q U M

Cargando

  • Cliente Empresa l铆der nacional
  • Industria El茅ctrica
  • Servicios Anomal铆as en cables de alta tensi贸n

El sector energ茅tico y los algoritmos de aprendizaje autom谩tico tienen mucho que ofrecerse mutuamente, desde las bater铆as inteligentes al control log铆stico a gran escala. En este caso espec铆fico hablamos de la distribuci贸n de energ铆a el茅ctrica a escala nacional.

Este es un gran reto que debe asegurar la estabilidad y la seguridad de la red el茅ctrica de un gran territorio, desde los sistemas de producci贸n a los elementos de transporte de energ铆a, incluyendo conexiones locales, regionales y tambi茅n internacionales.

La producci贸n y distribuci贸n de energ铆a est谩n en el foco pol铆tico y social por su importante relaci贸n con el medio ambiente y el cambio clim谩tico, lo que resalta a煤n m谩s la importancia de saber utilizar todas las herramientas a nuestro alcance para mejorar la eficiencia y seguridad del sector.

En este contexto, Foqum puso a disposici贸n de la compa帽铆a su experiencia y funcionalidades de optimizaci贸n, predicci贸n y detecci贸n de anomal铆as, que sin duda estar谩n en la base del sector energ茅tico del futuro.

Estudiante universitaria
01

Reto

M铆nimas perturbaciones en la distribuci贸n energ茅tica suponen un impacto importante en la calidad de vida de la poblaci贸n. Adem谩s, pueden ser un gran riesgo ambiental y conllevar un alto coste econ贸mico. Por todo ello, el mantenimiento de la red el茅ctrica es una prioridad de primer orden en el sector, que dedica una gran cantidad de recursos humanos a este trabajo.

Esto explica el marco del reto, en el que se busca identificar de forma autom谩tica un amplio rango de anomal铆as en las torres de la red. El objetivo es ser capaces de localizar con precisi贸n roturas, corrosi贸n y otros indicadores de riesgo a partir de fotograf铆as de baja resoluci贸n, lo que se traducir铆a en una mayor capacidad de an谩lisis diario del estado de la red.

Torre de alta tensi贸n
02

Soluci贸n

Este reto destaca por el amplio abanico de t茅cnicas de computer vision que abarca. Incluye clasificaci贸n de imagen multietiqueta, detecci贸n de objetos (para situar ciertas anomal铆as en la imagen) y segmentaci贸n (para se帽alar de forma precisa 谩reas afectadas por corrosi贸n). Es importante destacar que los datos est谩n etiquetados a nivel cualitativo (es decir, sin informaci贸n para detecci贸n de objetos y segmentaci贸n). Adem谩s, las categor铆as est谩n fuertemente desbalanceadas.

Por tanto, la soluci贸n planteada por Foqum consisti贸 en una suite de herramientas trabajando de forma coordinada.

La segmentaci贸n de 贸xido supone un reto particularmente duro e importante en el mundo industrial, ya que las fotograf铆as abarcaban un amplio rango de 鈥渢exturas鈥, curvas de brillo y color, escala y fondos, incluyendo tierra en colores t铆picos del 贸xido. A煤n as铆, desarrollamos una serie de algoritmos espec铆ficos de funcionalidades espec铆ficas de an谩lisis de la granularidad de la imagen que fueron capaces de identificar zonas comprometidas con una gran precisi贸n.

A pesar de las dificultades mencionadas en el etiquetado, conseguimos unos resultados muy competitivos, con precisiones entre el 90 y el 95% para 5 de las 6 categor铆as de anomal铆as (la sexta, la categor铆a menos representada, alcanz贸 el 83%). Adem谩s, se complement贸 la propuesta con una herramienta de visualizaci贸n de 鈥渮onas de inter茅s鈥 para facilitar la inspecci贸n visual de los resultados por parte de operarios.

Contacto

Contacta con Foqum y descubre lo que podemos hacer por ti

y recuerda lo que no se mide no se puede mejorar.

CONT脕CTANOS RESERVAR SESI脫N DE ESTRATEGIA