Hoe vegetatiebeheer kan worden verbeterd met AI-gestuurde gegevensinzichten

Verbeter uw strategie voor vegetatiebeheer met nauwkeurigere prognoses

Voor veel organisaties vormt vegetatiebeheer (vegetation management, VM) de grootste niet-brandstofgerelateerde bedrijfskostenpost. Om prioriteit te geven aan werk op het gebied van vegetatiebeheer, moeten organisaties gegevens uit meerdere bronnen vastleggen en samenvoegen, waaronder beelden, gegevens uit werkbeheersystemen, wettelijke vereisten, weerberichten, risicomodellen, georuimtelijke gegevens en meer. Vervolgens moeten deze gegevens kunnen worden gebruikt om de afstand tussen activa en vegetatie nauwkeurig te plannen en te voorspellen, door zorgvuldig 3D-modellen van het netwerk en de omringende vegetatie te registreren en te combineren. Door gebruik te maken van gegevens uit topografische onderzoeken en analytics (bijvoorbeeld fytosanitaire indices), kunnen nutsbedrijven hun resources voor vegetatieonderhoud, budgetten en werkroutines optimaliseren.

Verlaag de kosten en verbeter de strategieën voor vegetatiebeheer met geavanceerde beeldverwerkingstechnieken

Het evalueren van de hoogte van het bladerdak van bomen, meer in het algemeen de hoogte van de verschillende typen vegetatie, als onderdeel van een vegetatiebeheerplan, is een van de meest bekende toepassingen van LiDAR (Light Detection And Ranging) en fotogrammetrie. Deze twee technieken worden vaak gecombineerd en maken gebruik van geavanceerde classificatie- en filteralgoritmen om de hoogte en conditie van de vegetatie nauwkeurig af te leiden. Nutsbedrijven gebruiken deze technieken om structureel ongezonde bomen te identificeren, klimranken te analyseren die van invloed kunnen zijn op elektriciteitsdraden en schakelcomponenten, en vegetatie te beheren die ongewenste dieren kan aantrekken in de buurt van kritieke apparatuur.

Aan de hand van de volgende architectuur laten we zien hoe Oracle Modern Data Platform kan worden gebruikt in combinatie met geavanceerde ML/AI-technieken en NVIDIA GPU's om niet alleen een tweedimensionaal beeld van de vegetatie te krijgen, maar ook een derde dimensie toe te voegen die gedetailleerder is. Met deze details kan nauwkeuriger worden bepaald om welk type boom het gaat, hoe deze groeit, wat de afstand is tot de infrastructuur, enzovoort.

In deze afbeelding wordt weergegeven hoe Oracle Data Platform voor energie en water kan worden gebruikt als ondersteuning van een gebruiksscenario voor vegetatiebeheer. Het platform omvat deze vijf pijlers:

1. 1. Databronnen, discovery
2. 2. Opnemen, transformeren
3. 3. Persistent maken, samenstellen, maken
4. 4. Analyseren, leren, voorspellen
5. 5. Meten, handelen

De pijler Databronnen, discovery omvat drie categorieën data.

1. 1. De gegevens van de eerste partij bestaan uit metagegevens van activa, GIS-gegevens, LiDAR-beelden en satellietbeelden.
2. 2. De applicaties omvatten systemen voor uitval- en onderhoudsbeheer.
3. 3. De gegevens van derden omvatten gegevens uit weerstations.

De pijler Opnemen, transformeren bevat twee functionaliteiten.

1. 1. Voor de batchopname worden Oracle Integration Cloud, Spatial Studio, OCI Data Integration en Data Studio gebruikt.
2. 2. Wijzigingsdata vastleggen maakt gebruik van OCI GoldenGate en Oracle Data Integrator.

Beide functionaliteiten worden unidirectioneel verbonden met de aanbiedende gegevensopslag en cloudopslag in de pijler Persistent maken, samenstellen, maken.

De pijler Persistent maken, samenstellen, maken omvat vier functionaliteiten.

1. 1. De aanbiedende dataopslag maakt gebruik van Autonomous Data Warehouse.
2. 2. Cloudopslag maakt gebruik van OCI Object Storage.
3. 3. Voor de batchverwerking wordt gebruikgemaakt van OCI Data Integration, Functions en Data Flow.
4. 4.Governance maakt gebruik van OCI Data Catalog.

Deze functionaliteiten verbinden binnen de pijler onderling naar elkaar door. Cloudopslag verbindt unidirectioneel door naar de aanbiedende dataopslag en ook bidirectioneel naar Batchverwerking.

De regels met metagegevens worden unidirectioneel van de aanbiedende gegevensopslag en cloudopslag verbonden met governance.

De twee functionaliteiten worden verbonden met de pijler Analyseren, leren, voorspellen: de aanbiedende gegevensopslag en cloudopslag worden unidirectioneel verbonden met de analytics en visualisatie, AppDev met Low-Code, voorspellen, leren en AI-services.

De pijler Analyseren, leren, voorspellen bevat zes functionaliteiten.

1. 1. Voor de analytics en visualisatie wordt gebruikgemaakt van Spatial Studio, Oracle Analytics Cloud en ISV's.
2. 2. De functionaliteit Gegevensproducten, API's maakt gebruik van OCI API Gateway, Oracle Integration Cloud en OCI Functions.
3. 3. Voor AppDev met Low-Code worden APEX en Oracle Visual Builder gebruikt.
4. 4. Voor de functionaliteit Voorspellen wordt gebruikgemaakt van OCI Data Science en Oracle Machine Learning-services.
5. 5. Voor Leren worden OCI Data Science en Oracle Machine Learning Notebooks gebruikt.
6. 6. Voor de AI-services wordt gebruikgemaakt van OCI Vision, OCI Language en oplossingen van derden.

De functionaliteit Gegevensproducten, API's is unidirectioneel verbonden met de functionaliteit Voorspellen.

De aanbiedende gegevensopslag en objectopslag leveren metagegevens aan OCI Data Catalog.

In de pijler Meten, handelen wordt vastgelegd hoe de gegevensanalyse kan worden toegepast om een leveringsmodel voor vegetatiebeheer te ondersteunen en de prestaties te bewaken. Deze toepassingen worden in twee groepen verdeeld.

1. 1. De eerste groep Mensen en partners omvat het vegetatiebeheerteam, de betrouwbaarheid van het systeem, en de werking en het onderhoud.
2. 2. De tweede groep Applicaties omvat Oracle Field Service, Oracle Utilities Work and Asset Management, Enterprise Asset Management, Work Management System en Field Service Management.

De drie centrale pijlers, Opnemen, transformeren; Persistent maken, samenstellen, maken; en Analyseren, leren, voorspellen, worden ondersteund door infrastructuur, netwerk, beveiliging en IAM.

Logische architectuur van vegetatiebeheer

Er zijn twee belangrijke manieren om gegevens in een architectuur in te voeren zodat nutsbedrijven effectief een strategie voor vegetatiebeheer kunnen ontwikkelen.

• We gebruiken batchopname om gegevens te importeren uit systemen die geen ondersteuning bieden voor streaming (bijvoorbeeld oudere systemen voor toezichtscontrole en data-acquisitie (SCADA) of systemen voor onderhoudsbeheer). In dit geval worden beelden met een hoge resolutie, weergegevens en gegevens van GPS-, onderhouds- en uitvalbeheersystemen met verschillende intervallen opgenomen. Met Oracle Integration Cloud worden deze gegevenssets in Oracle Cloud Infrastructure (OCI) Object Storage of rechtstreeks in Oracle Autonomous Data Warehouse (ADW) geladen. We leggen ook LiDAR-beelden en andere beelden van de relevante infrastructuur en omringende vegetatie vast en laden deze in OCI Object Storage, meestal via een API of de OCI-opdrachtregelinterface.
• Daarnaast gebruiken we Oracle Cloud Infrastructure GoldenGate om gegevens op te nemen uit operationele systemen, zoals uitvalbeheersystemen, onderhoudsbeheersystemen en resourceplanningssystemen, via wijzigingsgegevens vastleggen.

Datapersistentie en -verwerking zijn gebaseerd op drie componenten.

• De opgenomen, onbewerkte gegevens uit alle bronnen worden opgeslagen in de cloudopslag. In eerste instantie labelen of annoteren we de beelden rechtstreeks met OCI Vision of een optie van derden. Tijdens het annotatieproces worden de verschillende gebieden van een beeld geclassificeerd volgens type vegetatie, transmissielijn, distributielijn, elektriciteitspaal, enzovoort. In dit gebruiksscenario gebruiken we een combinatie van OCI Data Science en het platform en de bibliotheken van NVIDIA om een driedimensionaal beeld te verkrijgen. Vervolgens gebruiken we OCI Data Integration of OCI Data Flow voor batchverwerking om de verzamelde gegevens zo nodig te consolideren, te cureren of te verbeteren. Met OCI Data Integration worden de gegevenspijplijnen gebouwd en onderhouden. OCI Data Integration wordt geleverd met diverse connectoren voor verschillende gegevensactiva (databases, applicaties, objectopslag, REST-API's, enzovoort), maar het kan zijn dat deze oplossing voor u niet helemaal voldoet. In dat geval kunt u een OCI Data Flow-applicatie bouwen om te profiteren van alle connectoren die beschikbaar zijn via Spark. In dit voorbeeld worden de resultaten van de beeldverwerking, GPS, uitvalsgeschiedenis en onderhoudsgegevens gecombineerd in een model waarmee kan worden bepaald welke fysieke locaties van activa aandacht nodig hebben en welke kunnen worden gebruikt als onderdeel van een vegetatiebeheeroplossing.
• We hebben nu verwerkte gegevenssets gemaakt die persistent kunnen worden gemaakt in geoptimaliseerde relationele vorm voor curatie en queryprestaties in de aanbiedende gegevensopslag die ADW biedt. Hierdoor kunnen we de resultaten van de modelvoorspellingen visualiseren. We kunnen zelfs de ingebouwde ruimtelijke mogelijkheden gebruiken om mogelijke hotspots te visualiseren waar onmiddellijk aandacht aan moet worden besteed.

De functionaliteit Analyseren, leren, voorspellen wordt mogelijk gemaakt door drie technologieën.

• Services voor analytics en visualisatie, zoals Oracle Analytics Cloud, Spatial Studio en Oracle APEX, kunnen interactieve dashboards leveren waarmee we beeldgegevens kunnen visualiseren en de toekomstige impact van vegetatie op specifieke transmissie- of overdrachtsactiva kunnen voorspellen. Deze services bieden:
  • Descriptieve analytics: hiermee kunnen we het huidige groei- en aantastingspercentage illustreren met histogrammen en grafieken om gebieden te identificeren waar onmiddellijk onderhoud nodig is.
  • Predictieve analytics: hiermee kunnen we onderhoudsbehoeften op de langere termijn bepalen en plannen door de toekomstige groei en aantasting te voorspellen, trends te identificeren en de kans op onzekere uitkomsten te bepalen.
  • Prescriptieve analytics: hiermee kunnen geschikte acties worden voorgesteld om de strategische besluitvorming over vegetatiebeheer te optimaliseren.
• Naast het gebruik van geavanceerde analytics worden modellen voor machine learning ontwikkeld, getraind en geïmplementeerd met behulp van OCI Data Science. Deze modellen maken gebruik van kunstmatige intelligentie om grote hoeveelheden LiDAR-beeldgegevens te analyseren en driedimensionale afbeeldingen te ontwikkelen, zodat we precies kunnen begrijpen hoe ver de vegetatie verwijderd is van kritieke infrastructuur. Met deze gedetailleerde metingen in combinatie met wettelijke vereisten, gegevens over het weer, onderhoudsschema's en andere waardevolle gegevens kunnen nutsbedrijven voortdurend inschatten welke prioriteit het uit te voeren werk heeft en welke teams dit op de meest efficiënte en kosteneffectieve manier kunnen doen. Nadat deze modellen zijn getraind, kunnen ze op verschillende manieren worden geïmplementeerd, afhankelijk van de voorkeur van de gebruiker. De modellen kunnen worden aangeroepen via REST-eindpunten met behulp van het OCI Data Science-platform of de in-database REST-API van Oracle Machine Learning Services. Bovendien kan de gebruiker deze modellen exporteren naar een ONNX-indeling (Open Neural Network Exchange) en implementeren als onderdeel van een applicatie.
• Op onze gecureerde, geteste en hoogwaardige gegevens en modellen kunnen regels voor governance en beleid worden toegepast met behulp van OCI Data Catalog in combinatie met andere services. Ze kunnen ook worden weergegeven als een 'gegevensproduct' (API) in een datamesh-architectuur voor distributie binnen de organisatie.

Breng uw strategie voor vegetatiebeheer naar een hoger niveau met Oracle Modern Data Platform

Een efficiënt en tijdig beheer van activa is altijd essentieel, maar nog belangrijker wanneer deze activa elektriciteitsleidingen omvatten die brand of storingen kunnen veroorzaken als gevolg van overwoekering door vegetatie. Voor elektriciteitsbedrijven in de Verenigde Staten is vegetatiebeheer de grootste kostenpost voor preventief onderhoud. Bij grotere nutsbedrijven kunnen deze kosten zelfs oplopen tot meer dan 100 miljoen dollar per jaar. Vegetatiebeheer levert echter ook de grootste bijdrage aan de betrouwbaarheid van het nutssysteem en een effectief uitvalbeheer. Met Oracle Modern Data Platform kunt u gedetailleerde informatie verzamelen over uw infrastructuur en de omringende vegetatie, en deze gegevens gebruiken om uw strategie voor en resultaten van vegetatiebeheer op de volgende manieren te verbeteren:

• groei van vegetatie over elektriciteitsleidingen verminderen;
• het verwachte groeipercentage van vegetatie valideren;
• een effectieve planning en monitoring van vegetatie bevorderen;
• omzetverlies door stroomuitval verminderen;
• het jaarlijkse budget voor vegetatiebeheer verlagen;
• de klanttevredenheid en de veiligheid van werknemers verbeteren.