So tragen KI-gestützte Datenerkenntnisse zur Verbesserung des Vegetationsmanagements bei

Verbessern Sie Ihre Strategie für das Vegetationsmanagement mit genaueren Prognosen

Für viele Unternehmen ist das Vegetationsmanagement (VM) der größte nicht brennstoffbezogene Betriebskostenfaktor. Um VM-Arbeiten zu priorisieren, müssen Unternehmen Daten aus verschiedenen Quellen erfassen und zusammenführen, wie z. B. Bilder, Daten aus Wartungsauftragsmanagement-Systemen, gesetzliche Anforderungen, Wetterinformationen, Risikomodelle, Geodaten und vieles mehr. Anschließend müssen sie in der Lage sein, diese Daten zu nutzen, um den Abstand zwischen Anlagen und Vegetation genau zu planen und vorherzusagen, indem sie 3D-Modelle des Netzes und der umgebenden Vegetation sorgfältig registrieren und kombinieren. Durch die Nutzung von Daten aus topografischen Erhebungen in Verbindung mit Analysen (z. B. Pflanzengesundheitsindizes) können Versorgungsunternehmen ihre Ressourcen, Budgets und Arbeitsroutinen für die Vegetationspflege optimieren.

Kostensenkung und Verbesserung der Strategie für das Vegetationsmanagement mit fortschrittlichen Bildverarbeitungstechniken

Die Bewertung der Baumkronenhöhe und allgemeiner der Höhe jeder Vegetationsart als Teil eines Vegetationsmanagementplans ist eine der bekanntesten Anwendungen sowohl von Light Detection and Ranging (LiDAR) als auch von Fotogrammetrie. Beide Techniken, die häufig kombiniert werden, erfordern fortschrittliche Klassifizierungs- und Filteralgorithmen, um die Höhe und den Zustand der Vegetation genau zu bestimmen. Versorgungsunternehmen setzen diese Techniken ein, um strukturell unsichere Bäume zu identifizieren, Kletterpflanzen zu analysieren, die Leitungen und Schaltanlagen beeinträchtigen könnten, und die Vegetation zu kontrollieren, die unerwünschte Wildtiere in der Nähe wichtiger Anlagen anziehen könnte.

Die folgende Architektur zeigt, wie wir die Oracle Modern Data Platform in Verbindung mit fortschrittlichen ML/AI-Techniken und NVIDIA GPUs nutzen können, um nicht nur ein zweidimensionales Bild der Vegetation zu erhalten, sondern auch eine dritte Dimension hinzuzufügen, die feinere Details liefert. Dank dieser Details können wir dann den Baumtyp, sein Wachstum und seine Entfernung von der Infrastruktur sowie andere Einzelheiten genauer bestimmen.

Diese Abbildung zeigt, wie die Oracle Data Platform für die Energie- und Wasserwirtschaft zur Unterstützung eines Anwendungsfalls im Bereich Vegetationsmanagement eingesetzt werden kann. Die Plattform umfasst die folgenden fünf Säulen:

1. 1. Datenquellen, Entdeckung
2. 2. Aufnehmen, transformieren
3. 3. Beibehalten, kuratieren, erstellen
4. 4. Analysieren, lernen, prognostizieren
5. 5. Messen, handeln

Die Säule „Datenquellen, Entdeckung“ umfasst drei Datenkategorien.

1. 1. First-Party-Daten bestehen aus Metadaten, GIS-Daten, LiDAR-Bildern und Satellitenbildern.
2. 2. Die Anwendungen umfassen Ausfall- und Wartungsmanagementsysteme.
3. 3. Zu den Third-Party-Daten gehören Daten aus Wetterquellen.

Die Säule „Aufnehmen, transformieren“ umfasst zwei Funktionen.

1. 1. Die Batchaufnahme verwendet Oracle Integration Cloud, Spatial Studio, OCI Data Integration und Data Studio.
2. 2. Die Datenänderungserfassung verwendet OCI GoldenGate und Oracle Data Integrator.

Beide Funktionen stellen eine unidirektionale Verbindung zum Serving Data Store und zum Cloud-Speicher innerhalb der Säule „Beibehalten, kuratieren, erstellen“ her.

Die Säule „Beibehalten, kuratieren, erstellen“ umfasst vier Funktionen.

1. 1. Der zugrunde liegende Datenspeicher verwendet Autonomous Data Warehouse.
2. 2. Der Cloud-Speicher verwendet OCI Object Storage.
3. 3. Die Batch-Verarbeitung verwendet OCI Data Integration, Functions und Data Flow.
4. 4. Governance verwendet OCI Data Catalog.

Diese Funktionen sind innerhalb der Säule miteinander verbunden. Der Cloud-Speicher ist unidirektional mit dem zugrunde liegenden Datenspeicher und außerdem bidirektional mit der Batch-Verarbeitung verbunden.

Die Metadatenleitungen verbinden unidirektional den zugrunde liegenden Datenspeicher und Cloud-Speicher mit der Governance.

Zwei Funktionen sind mit der Säule „Analysieren, lernen, prognostizieren“ verbunden: Der zugrunde liegende Datenspeicher und der Cloud-Speicher sind unidirektional mit den Analyse- und Visualisierungs-, Low-Code-AppDev-, Prognose-, Lern- und AI-Services verbunden.

Die Säule „Analysieren, lernen, prognostizieren“ umfasst zwei Funktionen.

1. 1. Analyse und Visualisierung mit Spatial Studio, Oracle Analytics Cloud und ISVs.
2. 2. Datenprodukte, APIs verwenden OCI API Gateway, Oracle Integration Cloud und OCI Functions.
3. 3. Low-Code AppDev verwendet APEX und Oracle Visual Builder.
4. 4. „Prognose“ nutzt die Services von OCI Data Science und Oracle Machine Learning.
5. 5. „Lernen“ nutzt OCI Data Science und Oracle Machine Learning Notebooks.
6. 6. Die KI-Services nutzen OCI Vision, OCI Language und Drittanbietern.

Die Funktion der Datenprodukte und APIs ist unidirektional mit der Prognosefähigkeit verbunden.

Der zugrunde liegende Datenspeicher und der Objektspeicher liefern Metadaten an den OCI Data Catalog.

Die Säule „Messen, handeln“ erfasst, wie die Datenanalyse zur Unterstützung eines Vegetationsmanagementmodells und zur Leistungsüberwachung eingesetzt werden kann. Diese Anwendungen sind in zwei Gruppen unterteilt.

1. 1. Die erste Gruppe „Menschen and Partner“ umfasst das Vegetationsmanagementteam, die Systemzuverlässigkeit sowie den Betrieb und die Wartung.
2. 2. Die zweite Gruppe „Anwendungen“ umfasst Oracle Field Service, Oracle Utilities Work and Asset Management, Enterprise Asset Management, Work Management System und Field Service Management.

Die drei zentralen Säulen – Aufnehmen, transformieren; Beibehalten, kurieren, erstellen; und Analysieren, lernen, prognostizieren – werden durch Infrastruktur, Netzwerk, Sicherheit und IAM unterstützt.

Logische Architektur des Vegetationsmanagements

Es gibt zwei Möglichkeiten, Daten in eine Architektur einzuspeisen, damit Versorgungsunternehmen eine Vegetationsmanagementstrategie effektiv entwickeln können.

• Wir werden die Batchaufnahme verwenden, um Daten aus Systemen zu importieren, die kein Streaming unterstützen (z. B. ältere SCADA-Systeme [Supervisory Control and Data Acquisition] oder Wartungsmanagementsysteme). In diesem Anwendungsfall werden hochauflösende Bilder, Wetterdaten und Daten aus GPS-, Wartungs- und Ausfallmanagementsystemen in unterschiedlichen Intervallen aufgenommen. Wir werden Oracle Integration Cloud verwenden, um diese Datensätze in Oracle Cloud Infrastructure (OCI) Object Storage oder direkt in Oracle Autonomous Data Warehouse (ADW) zu laden. Außerdem erfassen wir LiDAR- und andere Bilder der relevanten Infrastruktur und der umgebenden Vegetation und laden sie in den OCI Object Storage – normalerweise über eine API oder die OCI-Befehlszeilenschnittstelle.
• Darüber hinaus werden wir Oracle Cloud Infrastructure GoldenGate verwenden, um Daten aus Betriebssystemen wie Ausfallsystemen, Wartungsmanagementsystemen und Ressourcenplanungssystemen über Change Data Capture aufzunehmen.

Die Datenpersistenz und -verarbeitung basiert auf drei Komponenten.

• Die aufgenommenen Rohdaten aus allen Quellen werden im Cloud-Speicher gespeichert. Zunächst beschriften oder kommentieren wir die Bilder direkt mit OCI Vision oder einer Drittanbieteroption. Während des Anmerkungsprozesses werden verschiedene Bereiche jedes Bildes nach Vegetationstyp, Übertragungsleitung, Verteilungsleitung, Strommast usw. klassifiziert. In diesem Anwendungsfall verwenden wir eine Kombination aus OCI Data Science und der NVIDIA-Plattform und -Bibliotheken, um ein dreidimensionales Bild zu erstellen. Anschließend verwenden wir OCI Data Integration oder OCI Data Flow für die Batch-Verarbeitung, um die erfassten Daten nach Bedarf zu konsolidieren, zu kuratieren oder zu verbessern. Mit OCI Data Integration werden die Datenpipelines erstellt und verwaltet. Obwohl OCI Data Integration über eine Vielzahl von Connectors für verschiedene Datenbestände (Datenbanken, Anwendungen, Objektspeicher, REST-APIs usw.) verfügt, kann es nicht alle Ihre Anforderungen erfüllen. In diesem Fall können Sie eine OCI Data Flow-Anwendung erstellen, um alle über Spark verfügbaren Connectors zu nutzen. In diesem Beispiel werden die Ergebnisse der Bildverarbeitung, GPS, historischer Ausfälle und Wartungsdaten kombiniert So kann ein Modell erstellt werden, um die physischen Anlagenstandorte zu identifizieren, die Aufmerksamkeit erfordern, und das als Teil einer Vegetationsmanagementlösung verwendet werden kann.
• Wir haben nun verarbeitete Datensätze erstellt, die bereit sind, in optimierter relationaler Form für die Kuratierung und Abfrageleistung im von ADW bereitgestellten zugrunde liegenden Datenspeicher gespeichert zu werden. So können wir die Ergebnisse der Modellvorhersagen visualisieren. Wir können sogar die integrierten räumlichen Funktionen nutzen, um mögliche Hotspots zu visualisieren, die sofortige Aufmerksamkeit erfordern.

Die Fähigkeit zum Analysieren, Lernen und Vorhersagen wird durch drei Technologien erleichtert.

• Analyse- und Visualisierungsservices wie Oracle Analytics Cloud, Spatial Studio und Oracle APEX können interaktive Dashboards liefern, mit denen wir Bildinformationen visualisieren und die künftigen Auswirkungen der Vegetation auf bestimmte Übermittlungs- oder Übertragungsanlagen vorhersagen können. Diese Services bieten
  • Deskriptive Analysen, mit denen wir die aktuellen Wachstums- und Beeinträchtigungsraten mit Histogrammen und Diagrammen veranschaulichen können, um Bereiche zu identifizieren, die sofortige Aufmerksamkeit erfordern.
  • Prädiktive Analysen, die wir zur Planung und Bestimmung des längerfristigen Wartungsbedarfs nutzen können, indem wir künftiges Wachstum und Beeinträchtigungen vorhersagen, Trends erkennen und die Wahrscheinlichkeit ungewisser Ergebnisse bestimmen.
  • Präskriptive Analysen, die geeignete Maßnahmen vorschlagen können, um die strategische Entscheidungsfindung im Vegetationsmanagement zu optimieren.
• Neben dem Einsatz von erweiterten Analysen werden mit OCI Data Science auch Modelle für maschinelles Lernen entwickelt, trainiert und bereitgestellt. Diese Modelle nutzen künstliche Intelligenz, um große Mengen von LiDAR-Bilddaten zu analysieren und dreidimensionale Bilder zu erstellen, damit wir genau verstehen können, wie weit die Vegetation von kritischen Infrastrukturen entfernt ist. In Kombination mit gesetzlichen Vorschriften, Wetterdaten, Wartungsplänen und anderen wertvollen Daten können diese feinkörnigen Messungen den Versorgungsunternehmen helfen, die zu erledigenden Arbeiten und die dafür erforderlichen Teams auf die effizienteste und kostengünstigste Weise zu priorisieren. Sobald diese Modelle trainiert sind, können sie je nach Wunsch des Benutzers auf verschiedene Weise eingesetzt werden. Die Modelle können über REST-Endpunkte mit der OCI Data Science-Plattform oder der datenbankinternen REST-API für Oracle Machine Learning Services aufgerufen werden. Darüber hinaus kann der Benutzer diese Modelle in einem Open Neural Network Exchange-(ONNX-)Format verpacken und als Teil einer Anwendung einsetzen.
• Auf unsere kuratierten, getesteten und qualitativ hochwertigen Daten und Modelle können Governance-Regeln und -Richtlinien angewendet werden, indem der OCI Data Catalog in Verbindung mit anderen Services verwendet wird, und sie können als „Datenprodukt“ (API) innerhalb einer Data-Mesh-Architektur zur Verteilung im gesamten Unternehmen bereitgestellt werden.

Verbessern Sie Ihre Strategie für das Vegetationsmanagement mit der Oracle Modern Data Platform

Effizientes und zeitnahes Asset-Management ist immer wichtig, aber es ist noch wichtiger, wenn Anlagen Stromleitungen umfassen, die aufgrund von Vegetationsüberwucherungen ein Feuer oder einen Ausfall verursachen könnten. Für Energieversorger in den Vereinigten Staaten stellt die Vegetationsbewirtschaftung den größten Aufwand für die vorbeugende Wartung dar und liegt bei vielen größeren Versorgungsunternehmen bei über 100 Millionen US-Dollar pro Jahr. VM leistet jedoch auch den größten Beitrag zur Zuverlässigkeit des Versorgungssystems und zum effektiven Ausfallmanagement. Mit Oracle Modern Data Platform können Sie detaillierte Informationen über Ihre Infrastruktur und die umgebende Vegetation erfassen und diese Daten nutzen, um Ihre VM-Strategie und die Ergebnisse auf folgende Weise zu verbessern:

• Weniger Beeinträchtigung von Stromleitungen durch die Vegetation
• Validierung der erwarteten Wachstumsraten der Vegetation
• Förderung einer effektiven Vegetationsplanung und -überwachung
• Weniger Einnahmeverluste durch Stromausfälle
• Reduzieren Sie Ihr jährliches Budget für das Vegetationsmanagement
• Erhöhung der Kundenzufriedenheit und Arbeitssicherheit