Northpower, una destacada empresa de energía eléctrica y fibra óptica en Northland, Nueva Zelanda, se enfrenta a un desafío crítico: la mejora de la infraestructura para sus comunidades. Como uno de los contratistas de infraestructura más grandes del país, Northpower debe adaptar sus sistemas a un sector energético en transformación, impulsado por la creciente demanda de descarbonización y mayor resiliencia ante eventos climáticos extremos, como el Ciclón Tropical Gabrielle.
Las Empresas de Distribución de Electricidad (EDBs) se encuentran en una encrucijada con la integración de recursos energéticos descentralizados, incluyendo proyectos de energía solar y eólica a gran escala. En respuesta a estos desafíos, Northpower ha colaborado con el socio tecnológico Sculpt para reducir el esfuerzo y la huella de carbono en la identificación y mitigación de riesgos de seguridad pública. Utilizando técnicas de visión computarizada e inteligencia artificial (IA), Northpower ha logrado priorizar eficientemente las tareas de su equipo de campo.
Uno de los problemas más urgentes radica en identificar cuántos de los 57,230 postes de Northpower tienen cables de sujeción sin aisladores. Llevar a cabo inspecciones manuales en una red tan vasta y mayormente rural es una tarea costosa y ardua. Alternativas como las inspecciones aéreas resultan igualmente inviables en términos económicos y logísticos. Sin embargo, Northpower contaba con algunos conjuntos de datos digitales e históricos, incluyendo 765,933 fotografías de inspección de diversas calidades.
En busca de una solución más eficiente, Northpower recurrió a Amazon SageMaker, un servicio que permite a desarrolladores y científicos de datos crear, entrenar y desplegar modelos de aprendizaje automático (ML). Utilizando Amazon SageMaker Studio y modelos preentrenados de detección de objetos, el equipo anotó un conjunto inicial de 10,000 imágenes y entrenó 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. Gracias a estas categorizaciones, Northpower pudo priorizar las inspecciones físicas, reduciendo la necesidad de investigar solo 141 postes de los 57,230, lo que significó una notable reducción de costos y del impacto ambiental.
En resumen, Northpower ha demostrado que los retos complejos de inspección de infraestructura pueden gestionarse eficazmente mediante el uso de visión computarizada y IA. Esta estrategia no solo maximiza el valor de datos previamente inactivos, sino que también permite una intervención más sostenible y precisa. Este proyecto subraya cómo las tecnologías avanzadas de Amazon SageMaker pueden facilitar una transformación operativa significativa en el sector de distribución eléctrica.
