无人机+AI：SDG&E如何重塑电网巡检与野火预防

我们大多数人并不会过多关注维持家庭制冷和企业运转的电网——直到停电或冰箱停止运行。但在加利福尼亚州、美国西海岸，以及澳大利亚和其他遭受干旱的地区，能源公司正在审视其基础设施，以识别除食物变质之外的风险，包括野火。随着火灾规模越来越大，且越来越多地发生在我们认为的非防火季节，能够在设备故障之前发现并解决问题变得尤为重要。

从“电线杆相册”到智能预警系统

大约两年前，圣地亚哥燃气与电力公司（SDG&E）将这一挑战与机遇摆在了其维护和数字创新团队面前。他们与埃森哲（Accenture）团队合作构建的解决方案——并且仍在不断演进——优雅地融合了SDG&E合格电工的丰富经验、由无人机机队捕捉到的公用事业设备鸟瞰图，以及在亚马逊网络服务（AWS）云上运行的强大机器学习模型。

2019年，SDG&E最初考虑的想法是使用无人机飞越其24万根电线杆中的约7.5万根——即那些处于野火高风险区域的电线杆——拍摄图像并识别可能需要维修的设备。当负责监督大型输电、配电和变电站项目的SDG&E项目经理詹妮弗·卡明斯基（Jennifer Kaminsky）听到关于飞行无人机的想法时，她对此可能性产生了浓厚兴趣。

“我想确保这不仅仅是一个漂亮的电线杆相册，”卡明斯基说。它必须超越一种收集图像的整洁方式。无人机项目必须有助于避免野火风险。为此，卡明斯基和她的团队需要一个不仅能拍摄图像，还能识别需要立即关注的高优先级问题的机制。

技术赋能：让数据产生实际价值

在引导公用事业项目通过加州众多监管机构以及公共和私人利益相关方方面，卡明斯基是一位专家。她并不为了娱乐而驾驶无人机（“我有专人负责这个，”她开玩笑说），但她非常清楚自己想要无人机收集何种数据、详细程度如何，以及这些数据能用于什么目的。

卡明斯基邀请了一位技术方面的专家盟友——SDG&E的数字战略与创新负责人加布·米卡（Gabe Mika）。当米卡听说无人机被作为概念验证投入使用时，他与卡明斯基有着相同的直觉：如何利用这些图像做更多事情？

“我知道他们在收集图像，所以问题是，‘我们能否应用计算机视觉模型，以更高效地长期支持我们的维护和防火工作？’，”米卡说。“我们能否利用无人机拍摄的图像构建机器学习模型，使这种无人机项目不仅成为现实，而且能为我们的客户带来切实的好处？”

对卡明斯基而言，真正的客户好处可以通过一个直白的理念来定义：“你们在东西坏掉之前就进行修复。”她说。

人机协作：传统巡检的数字化升级

公用事业业务往往非常依赖人工。按照固定的时间表，一支高度熟练的 crews 会检查数英里甚至数十英里的输电和配电线路——对于 SDG&E 而言，还包括成千上万根电线杆——他们 literally 停下卡车，抬头观察，做笔记，并将记录录入系统。维护团队优先修复系统中最关键和最脆弱的部分，然后依次处理列表中紧急程度较低的维修事项。随后，他们重复这一过程，同时应对由天气事件和各种其他不可预测情况带来的紧急维修任务。

在合格无人机飞行员的协助下，Mika 的团队以及埃森哲（Accenture）的机器学习顾问与 Kaminsky 和 SDG&E 合作，将无人机升空，开始拍摄那些难以到达且风险最高的区域的照片：高火灾威胁地区。SDG&E 为圣地亚哥县和奥兰治县南部约 360 万人口提供服务，因此可以想象圣地亚哥市中心以东和以北的所有山坡和山脉地带。那里地形崎岖、干燥且偏远；换句话说，非常适合无人机飞行。

核心突破：基于经验的状况评分体系

Kaminsky 希望获得的不仅仅是照片，这预示了接下来的任务：开发图像识别算法——即机器学习模型——这些模型不仅能识别他们正在查看的变压器、绝缘子、避雷器、横担和电线杆，还能确定设备的状况并对其进行评分。该评分将指示哪些图片需要进一步审查，并识别可能需要维修的设备。

这正是埃森哲团队在计算机视觉、数据科学以及开发相关应用程序方面深厚经验发挥作用的地方。他们着手构建一个智能系统，该系统引入了另一个关键组成部分：专家的人类经验。系统必须完成的最后一部分——评估设备状况——需要专业的眼光和经验。幸运的是，SDG&E 在其线路工人（正式称为合格电气工人）中正好具备这样的能力，而这起到了决定性作用。正如 SDG&E 的智能图像处理项目团队所描述的那样：计算机视觉代表了面向未来资产检查的人机协作伙伴关系。

在通过标注让图像识别模型准确识别设备，并确认了230万张照片中的每一张内容——即机器学习中所谓的“标注图像数据”之后，SDG&E团队将自己的经验应用于对设备状况进行评级。“那根电线杆是否完好？”或“那个避雷器是爆裂还是受损？”这些问题并不总是容易回答，正确的答案只能依靠经验。通过在标注阶段加入资深SDG&E团队成员的见解，数据集和模型在分析图像时变得更为准确。如果存在任何歧义，机器学习模型会将任务转交给人类专家进行进一步审查和处理。这可能意味着后续进行实地物理检查，或直接进入维修环节。

云端提速：从评估到修复的无缝衔接

“云技术的引入真正改变了游戏规则。”Kaminsky表示。“能够存储所有这些数据，并使多个用户能够快速访问，我们有可能非常迅速地从评估过渡到现场修复。”她是认真的。

作为Mika领导的创新项目的一部分，SDG&E采用了一个称为“学习、验证、扩展”的框架。其核心理念是识别并试点那些能在解决公用事业最棘手问题时显著提升速度和降低成本的新解决方案。应用该框架，他们以无人机和机器学习辅助的图像识别启动了“学习”阶段。他们很快发现，Kaminsky所追求的速度是真实存在的，并且在计算人员进入现场进行类似检查所需的时间后，这种速度转化为实际的节省，从而推动他们进入“验证”阶段。

使用Amazon Rekognition和Amazon Lookout for Vision，SDG&E的机器学习模型每小时可评估近16,000张图片中的损坏情况。短期内，SDG&E计划为三辆专用车辆及其司机配备移动设备和运行于云边缘的AWS机器学习模型，以便在90天内捕获高火灾威胁区域的影像。若使用无人机拍摄相同电线杆的影像，公用事业公司将需要花费更长的时间。该计划的设想是将此方案扩展到其1,500辆车队中的更多车辆，以更频繁地覆盖服务区域的大部分范围。

行业展望：应对气候变化的变革性一步

两年时间和230万张变压器、绝缘子、连接器和电线杆的照片之后，SDG&E团队及其合作伙伴埃森哲（Accenture）正大力推动在整个组织范围内实现该方法 transformative 潜力。这始于对“扩展”阶段的思考：如何将这一方法不仅应用于野火风险降低，还应用于资产管理、植被管理和气候变化下的整体可靠性？

“我们获取的数据越多样化，就越能训练出能够处理多种任务的模型。”Mika表示，“希望有一天我们能将这些成果分享给整个行业，因为我们面临着相同的问题，并且拥有许多相似的基础设施。野火已不再仅仅是加州的问题——它已成为西海岸乃至全球性的问题。”

气候变化正在全球各地的社区和景观中引发规模宏大且强度空前的转变，这要求我们以新的思维方式和新的方法来应对这些前所未有的挑战。SDG&E的努力正是朝着这一方向迈出的重要一步。

“火灾季并非一个有明确起止时间的概念；相反，我们需要通过追踪天气模式、测量降雨量以及监测植被含水量等方式，持续做好预防和准备工作。”Kaminsky指出，“全年我们都在关注火灾科学与气候适应性问题。随着我们对这类数据收集与分析工作的不断深入，我们愈发相信，这不仅对公用事业行业具有变革性意义，也可适用于其他众多行业。”

“安全是我们的首要任务。通过将人类专业知识与机器学习和这些模型相结合，我们能够揭示以往未能察觉的问题。”她继续说道，“这些发现有助于我们预防火灾，并确保为客户持续供电。”