Scalable Geospatial Machine Learning for Power-Line Asset Risk: Integrating Remote Sensing for Lightning and Vegetation Risk Modelling

Stromleitungen sind die unsichtbaren Adern des modernen Lebens; sie transportieren Elektrizität von fernen Quellen zu unseren Häusern und Unternehmen. Doch diese Netzwerke stehen unter ständigem Beschuss durch die natürliche Welt. Stürme, sich verändernde Landschaften und die unmittelbar angrenzende Vegetation können dazu führen, dass Drähte reißen oder Masten versagen, was zu Stromausfällen führt, die das tägliche Leben unterbrechen und Milliarden kosten. Jahrzehntelang haben Versorgungsunternehmen diese Risiken gemanagt, indem sie das System als Ganzes betrachteten und tausend Masten in einer Region als eine einzige Einheit behandelten. Doch die Natur behandelt nicht jeden Mast gleich. Ein Baum kann für einen Draht gefährlich sein, für einen anderen nur wenige hundert Meter entfernt jedoch harmlos, und ein Blitzschlag könnte gezielt einen Hügel treffen, während das Tal darunter verschont bleibt. Um das Licht am Brennen zu halten, müssen Ingenieure das Risiko auf der Ebene des einzelnen Assets verstehen – sie müssen genau wissen, welcher Mast am wahrscheinlichsten ausfallen wird und warum.

Dies ist die Herausforderung, der sich ein Forscherteam von SA Power Networks in Adelaide, Australien, gestellt hat. Sie setzten sich zum Ziel, eine neue Art von digitaler Karte zu erstellen, die die Ausfallwahrscheinlichkeit für jeden einzelnen Strommast in ihrem Netz vorhersagen kann, wobei sie sich speziell auf zwei Hauptbedrohungen konzentrierten: Blitzeinschläge und Vegetation. Anstatt sich auf einfache Faustregeln zu verlassen, entwickelten sie ein System, das aus der Vergangenheit lernt. Indem sie einem Computer eine enorme Menge an historischen Daten zuführten – eine Kombination aus Aufzeichnungen darüber, wann und wo Masten tatsächlich ausgefallen sind, mit detaillierten Karten des umliegenden Geländes, der Dichte der nahegelegenen Bäume und der Geschichte von Blitzeinschlägen in der Gegend –, trainierten sie ein Modell für maschinelles Lernen, um die subtilen Muster zu erkennen, die einem Ausfall vorausgehen. Das Ergebnis ist ein Framework, das nicht bloß rät, sondern eine spezifische Ausfallwahrscheinlichkeit für jedes einzelne Asset berechnet und so vage Bedenken über das „Sturmrisiko“ in eine präzise, handlungsrelevante Liste verwandelt, welche Masten zuerst Aufmerksamkeit benötigen.

Die Forscher begannen damit, eine vielfältige Sammlung von Informationen über die Umgebung jedes Strommasts zu sammeln. Sie nutzten Satellitendaten, um die Höhe und Rauheit des Bodens, die Entfernung zur nächsten Küste oder zu Gewässern sowie die Nähe zu Gebäuden zu messen. Sie untersuchten auch den Zustand der Vegetation und nutzten Satellitenbilder, um zu verfolgen, wie grün und dicht die Pflanzen in der unmittelbaren Umgebung der Leitungen waren. Entscheidend war, dass sie diese Umweltdaten mit den eigenen Aufzeichnungen des Versorgungsunternehmens über vergangene Ausfälle kombinierten, indem sie jeden Ausfall mit den spezifischen Bedingungen an diesem Ort verknüpften. Dies ermöglichte es ihnen, ein Bild davon zu zeichnen, wie eine „gefährliche“ Umgebung für einen Strommast aussieht. Beispielsweise fanden sie heraus, dass Masten in der Nähe von Wasser oder in Gebieten mit dichter, schnell wachsender Vegetation eher anfällig für Ausfälle durch herabstürzende Bäume oder Äste, die die Leitungen berühren, sind. Ebenso wurden Masten, die auf höher gelegenen Ebenen oder in flacherem, offenem Gelände standen, als besonders anfällig für Blitzeinschläge identifiziert.

Um dieses komplexe Geflecht aus Daten zu entwirren, nutzte das Team einen hochentwickelten Computer-Algorithmus, der in der Lage ist, nicht-lineare Verbindungen zwischen der Umgebung und den Ausfällen zu finden. Sie versuchten nicht, alle Risiken in eine einzige, unübersichtliche Gleichung zu zwingen. Stattdessen bauten sie zwei separate, aber miteinander verbundene Modelle auf: eines, das speziell für die Vorhersage vegetationsbedingter Ausfälle zuständig ist, und ein weiteres für blitzbedingte Ausfälle. Dieser Ansatz ermöglichte es ihnen, die spezifischen Faktoren zu isolieren, die die jeweilige Art des Risikos antreiben. Das System wurde so konzipiert, dass es effizient genug ist, um Millionen von Assets zu verarbeiten – eine Notwendigkeit für jedes Versorgungsunternehmen, das ein riesiges Netz verwaltet. Durch die Verarbeitung der Daten in einer Cloud-basierten Umgebung konnten sie die Risikowerte für das gesamte Netzwerk schnell berechnen, ohne durch das schiere Volumen der Informationen aufgehalten zu werden. Das Modell wurde streng getestet, indem die historischen Daten in verschiedene Gruppen aufgeteilt wurden, um sicherzustellen, dass es Ausfallmuster, die es zuvor noch nie gesehen hatte, korrekt identifizieren konnte; dies bestätigte, dass die gefundenen Muster real und nicht bloß zufälliges Rauschen waren.

Die Ergebnisse zeichneten ein klares und logisches Bild des Risikos im gesamten Netzwerk. In Bezug auf die Vegetation waren die signifikantesten Faktoren die Art der Stromleitung, die Nähe zu Wasser und die Frage, ob bereits Bäume über den Leitungen hingen. Masten in städtischen Gebieten und Stadtzentren zeigten ein höheres Risiko für Vegetationsschäden, was wahrscheinlich darauf zurückzuführen ist, dass strenge Vorschriften in diesen Zonen manchmal das aggressive Beschneiden von Bäumen verhindern, das ansonsten vielleicht notwendig wäre. Für Blitzeinschläge zeigte das Modell, dass Masten auf höher gelegenem Grund und in ländlichen Gebieten einem größeren Risiko ausgesetzt sind, während die Anwesenheit nahegelegener Gebäude eine gewisse Schutzwirkung zu bieten schien, da diese möglicherweise die Bewegung elektrischer Ladungen in der Luft beeinflussen. Das System bestätigte auch, dass die Art des Geländes eine Rolle spielt; Masten in unwegsamem, hügeligem Gelände waren tatsächlich weniger wahrscheinlich von Blitzen betroffen als solche in flachen, offenen Landschaften. Diese Erkenntnisse sind nicht nur theoretischer Natur; sie liefern den Netzbetreibern eine priorisierte Liste von Assets, sodass sie Inspektionen, das Beschneiden der Vegetation oder die Verstärkung von Masten dort priorisieren können, wo das Risiko am höchsten ist, anstatt jeden Teil des Netzes gleich zu behandeln.

Einer der wichtigsten Aspekte dieser Arbeit ist ihre Flexibilität. Das System ist wie ein Satz modularer Blöcke aufgebaut, was bedeutet, dass die Forscher neue Datentypen – wie etwa Informationen über tierbedingte Störungen oder neue Satellitensensoren – hinzufügen können, ohne das gesamte System von Grund auf neu aufbauen zu müssen. Diese Skalierbarkeit ist entscheidend, da sich das Klima verändert und neue Gefahren entstehen. Die Forscher räumen ein, dass ihr aktuelles Modell auf historischen Daten basiert und die Zukunft noch nicht mit absoluter Sicherheit vorhersagt, noch berücksichtigt es alle möglichen Variablen. Dennoch bietet das von ihnen geschaffene Framework eine leistungsstarke neue Möglichkeit, über die Resilienz der Infrastruktur nachzudenken. Indem sie von einer breiten, durchschnittlichen Sicht auf das Risiko zu einem detaillierten Verständnis auf Ebene des einzelnen Assets übergehen, können Versorgungsunternehmen heute klügere Entscheidungen treffen, die den Strom auch morgen fließen lassen – selbst wenn das Wetter unberechenbarer wird. Die Arbeit zeigt, dass wir mit den richtigen Daten und den richtigen Werkzeugen die verborgenen Schwachstellen in unserem Stromnetz erkennen und beheben können, bevor sie zu einem Blackout führen.