Loading...
Publication
Automated visual inspection of electrical grid assets using deep learning
| Name: | Description: | Size: | Format: | |
|---|---|---|---|---|
| 105.61 MB | Adobe PDF |
Authors
Advisor(s)
Abstract(s)
The global growing demand for electric power, projected to double by 2050, requires
extensive upgrades in both Power Generation and Transport and Distribution (T&D)
systems. To address these needs, new infrastructures are required. Meanwhile, the
reliability of the aging electrical generation and distribution systems is critical.
On the one hand, one main direction for power generation is the increased use of
Photovoltaic (PV) technologies, with the global solar power capacity exceeding 1 TW
in 2022. With the rapid expansion of PV systems, manual image collection for asset inspection becomes increasingly impractical, leading to imagery collected by UAVs. On
the other hand, in the next three decades, worldwide T&D systems may exceed 160
million lan, where High Voltage (HV) power line insulators account for over 50% of
the maintenance costs. Electric utility companies are increasingly collecting visual data
as part of their inspection process of electrical T &D infrastructures.
In both PV power generation and T&D systems, the increasing volume of collected data
and its processing, is currently being limited by human interpretation tasks, mainly
because escalating this pipeline element trough training is very expensive. However,
most inspection tasks with minor responsibility can be automated using computer vision
and deep learning techniques to support the system’s growing demand.
This work demonstrates the potential of computer vision and deep learning for automated
visual inspection of electrical grid assets, validated with real-world data, to
reveal advantages and limitations. The project reviews recent advancements in automated
visual inspection of electrical assets, namely PV panels and HV insulators, and
outlines the essential knowledge in asset inspection, computer vision and deep learning.
It also introduces a set of tools currently used to deploy deep learning projects.
The developed work includes example applications on automated visual inspection of
PV Cells, PV Modules and HV Insulators. PV Cells’ operational condition is classified
by processing EL images using the VGG19, resulting in AUC values of 0.95,0.94, and
0.90 for the poly, mono, and mixed datasets, respectively, with overall improvements
compared to those reported in the literature. IR images of PV Modules are analyzed
using four custom shallow CNNs with varying levels of complexity to classify thermographic patterns into predefined defective classes, achieving Precision, Recall, and F1-score values of 0.87,0.86, and 0.86, respectively. Defects in HV insulators are detected
using two SOTA deep learning models with visible light images. YOLOv8s achieves a
mAP@50 of 87.9% while Faster R-CNN X101-FPN achieves 87.2% for the same metric.
This work can serve as an encouragement in developing a robust model, allowing utility
companies to benefit from higher efficiency inspection processes.
A crescente procura por energia elétrica, estimada para duplicar até 2050, obriga a atualizações nos sistemas de Produção de Energia e Transporte e Distribuição (T&D). Para atender às necessidades, são necessárias novas infraestruturas. No entanto, a fiabilidade dos sistemas de produção e distribuição elétrica em serviço é bem mais critica. Por um lado, uma das direções seguidas para a produção de energia é o aumento do uso de tecnologias fotovoltaicas (PV), com a capacidade global de energia solar a ultrapassar 1 TW em 2022. Com a expansão dos sistemas PV, a inspeção manual de ativos torna-se impraticável, levando à utilização de drones para a recolha remota de imagens. Por outro lado, nas próximas três décadas, os sistemas de T&D podem exceder 160 milhões de km mundialmente, onde os isoladores de AT representam mais de 50% dos custos de manutenção. As empresas do sector estão a colecionar quantidades insustentáveis de imagens como parte do processo de inspeção de infraestruturas elétricas. Tanto na produção de energia PV quanto nos sistemas de T&D, o aumento do volume de dados adquiridos e o seu processamento está atualmente a ser estrangulado por tarefas de interpretação humana, dado que aumentar a escala desse processo através de formação é muito demorado. No entanto, a maioria das tarefas de inspeção com responsabilidade reduzida pode ser automatizada através da utilização de tecnologia. Este trabalho demonstra o potencial da visão computacional e aprendizagem profunda para inspeção visual automatizada, validada por dados reais, expondo vantagens e limitações. O projeto revê avanços recentes na inspeção de ativos elétricos, nomeadamente painéis fotovoltaicos e isoladores, e condensa o conhecimento essencial em inspeção de ativos, visão computacional e inteligência artificial. Apresenta ainda um conjunto de ferramentas atualmente usadas para desenvolver projetos de aprendizagem profunda. O trabalho desenvolvido inclui exemplos de aplicações de inspeção visual automatizada de Células PV, Módulos PV e Isoladores de AT. A condição operacional de Células PV é classificada ao processar imagens EL com a rede VGG19, obtendo os valores de AUC de 0,95, 0,94 e 0,90 para os datasets poli, mono e misto, respetivamente, apresentando melhorias globais em comparação com as reportadas na literatura. Imagens IR de Módulos PV são analisadas usando quatro CNNs personalizadas com diferentes níveis de complexidade para classificar padrões termográficos em classes defeituosas pré-definidas, alcançando valores de Precisão, Recall e F1-score de 0,87, 0,86 e 0,86, respetivamente. Defeitos em isoladores de AT são detectados por dois modelos de ultima geração com recurso a imagens de luz visível. O YOLOv8s alcança uma mAP@50 de 87,9%, enquanto o Faster R-CNN X101-FPN alcança 87,2% para a mesma métrica. Este trabalho pode promover o desenvolvimento de um modelo robusto que permita que empresas do sector beneficiem de processos de inspeção mais eficientes.
A crescente procura por energia elétrica, estimada para duplicar até 2050, obriga a atualizações nos sistemas de Produção de Energia e Transporte e Distribuição (T&D). Para atender às necessidades, são necessárias novas infraestruturas. No entanto, a fiabilidade dos sistemas de produção e distribuição elétrica em serviço é bem mais critica. Por um lado, uma das direções seguidas para a produção de energia é o aumento do uso de tecnologias fotovoltaicas (PV), com a capacidade global de energia solar a ultrapassar 1 TW em 2022. Com a expansão dos sistemas PV, a inspeção manual de ativos torna-se impraticável, levando à utilização de drones para a recolha remota de imagens. Por outro lado, nas próximas três décadas, os sistemas de T&D podem exceder 160 milhões de km mundialmente, onde os isoladores de AT representam mais de 50% dos custos de manutenção. As empresas do sector estão a colecionar quantidades insustentáveis de imagens como parte do processo de inspeção de infraestruturas elétricas. Tanto na produção de energia PV quanto nos sistemas de T&D, o aumento do volume de dados adquiridos e o seu processamento está atualmente a ser estrangulado por tarefas de interpretação humana, dado que aumentar a escala desse processo através de formação é muito demorado. No entanto, a maioria das tarefas de inspeção com responsabilidade reduzida pode ser automatizada através da utilização de tecnologia. Este trabalho demonstra o potencial da visão computacional e aprendizagem profunda para inspeção visual automatizada, validada por dados reais, expondo vantagens e limitações. O projeto revê avanços recentes na inspeção de ativos elétricos, nomeadamente painéis fotovoltaicos e isoladores, e condensa o conhecimento essencial em inspeção de ativos, visão computacional e inteligência artificial. Apresenta ainda um conjunto de ferramentas atualmente usadas para desenvolver projetos de aprendizagem profunda. O trabalho desenvolvido inclui exemplos de aplicações de inspeção visual automatizada de Células PV, Módulos PV e Isoladores de AT. A condição operacional de Células PV é classificada ao processar imagens EL com a rede VGG19, obtendo os valores de AUC de 0,95, 0,94 e 0,90 para os datasets poli, mono e misto, respetivamente, apresentando melhorias globais em comparação com as reportadas na literatura. Imagens IR de Módulos PV são analisadas usando quatro CNNs personalizadas com diferentes níveis de complexidade para classificar padrões termográficos em classes defeituosas pré-definidas, alcançando valores de Precisão, Recall e F1-score de 0,87, 0,86 e 0,86, respetivamente. Defeitos em isoladores de AT são detectados por dois modelos de ultima geração com recurso a imagens de luz visível. O YOLOv8s alcança uma mAP@50 de 87,9%, enquanto o Faster R-CNN X101-FPN alcança 87,2% para a mesma métrica. Este trabalho pode promover o desenvolvimento de um modelo robusto que permita que empresas do sector beneficiem de processos de inspeção mais eficientes.
Description
Keywords
Visão Aprendizagem Profunda Inspeção de Ativos Fotovoltaico Isolador