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

Elektriciteitskabels zijn de onzichtbare aders van het moderne leven; ze transporteren elektriciteit van verre bronnen naar onze huizen en bedrijven. Toch staan deze netwerken constant onder vuur van de natuurlijke wereld. Stormen, verschuivende landschappen en de planten die er vlakbij groeien, kunnen ervoor zorgen dat draden breken of masten falen, wat leidt tot stroomuitval die het dagelijks leven verstoort en miljarden kost. Decennialang hebben nutsbedrijven deze risico's beheerd door naar het systeem als geheel te kijken, waarbij duizend palen in een regio als één enkele eenheid werden behandeld. Maar de natuur behandelt niet elke paal op dezelfde manier. Een boom kan gevaarlijk zijn voor de ene draad, maar onschadelijk voor een andere slechts een paar honderd meter verderop, en een blikseminslag kan een specifieke heuveltop viseren terwijl de vallei eronder wordt gespaard. Om het licht aan te houden, moeten ingenieurs het risico op het niveau van het individuele object begrijpen, wetende welke paal precies het meest waarschijnlijk zal falen en waarom.

Dit is de uitdaging waar een team onderzoekers van SA Power Networks in Adelaide, Australië, zich mee bezighoudt. Zij zetten zich het doel om een nieuw soort digitale kaart te bouwen die de waarschijnlijkheid van falen voor elke afzonderlijke stroompaal in hun netwerk kan voorspellen, met een specifieke focus op twee grote bedreigingen: bliksem en vegetatie. In plaats van te vertrouwen op eenvoudige vuistregels, creëerden zij een systeem dat leert van het verleden. Door een computer te voeden met een enorme hoeveelheid historische gegevens — een combinatie van records over wanneer en waar palen daadwerkelijk faalden met gedetailleerde kaarten van het omliggende terrein, de dichtheid van nabijgelegen bomen en de geschiedenis van blikseminslagen in het gebied — trainden zij een machine learning-model om de subtiele patronen te herkennen die aan een defect voorafgaan. Het resultaat is een raamwerk dat niet simpelweg gokt, maar een specifieke faalkans voor elk object berekent, waardoor vage zorgen over "stormrisico" worden omgezet in een precieze, actiegerichte lijst van welke palen eerst aandacht nodig hebben.

De onderzoekers begonnen met het verzamelen van een diverse collectie informatie over de omgeving rondom elke stroompaal. Ze gebruikten satellietgegevens om de hoogte en ruwheid van de grond te meten, de afstand tot de dichtstbijzijnde kustlijn of watermassa, en de nabijheid van gebouwen. Ze keken ook naar de gezondheid van de vegetatie door satellietbeelden te gebruiken om te volgen hoe groen en dicht de planten in de directe omgeving van de draden waren. Cruciaal was dat zij deze omgevingsgegevens koppelden aan de eigen gegevens van het nutsbedrijf over eerdere stroomuitval, waarbij elke storing werd gekoppeld aan de specifieke omstandigheden op die locatie. Hierdoor konden zij een beeld vormen van hoe een "gevaarlijke" omgeving eruitziet voor een stroompaal. Zo ontdekten zij dat palen in de buurt van water of in gebieden met dichte, snelgroeiende vegetatie een grotere kans hebben op defecten veroorzaakt door vallende bomen of takken die de lijnen raken. Op dezelfde wijze werden palen op hogere grond of in vlakkere, meer open terreinen geïdentificeerd als kwetsbaarder voor blikseminslagen.

Om deze complexe web van gegevens te begrijpen, gebruikte het team een geavanceerd computeralgoritme dat in staat is om niet-lineaire verbanden tussen de omgeving en de defecten te vinden. Ze probeerden niet alle risico's in één enkele, rommelige vergelijking te dwingen. In plaats daarvan bouwden zij twee aparte, maar verbonden modellen: één gewijd aan het voorspellen van door vegetatie veroorzaakte defecten en een andere voor bliksemgerelateerde defecten. Deze aanpak stelde hen in staat om de specifieke factoren die elk type risico aansturen, te isoleren. Het systeem werd zo ontworpen dat het efficiënt genoeg was om miljoenen objecten te verwerken, een noodzaak voor elk nutsbedrijf dat een enorm netwerk beheert. Door de gegevens in een cloud-omgeving te verwerken, konden zij de risicoscores voor het hele netwerk snel berekenen zonder te verdrinken in de enorme hoeveelheid informatie. Het model werd rigoureus getest door de historische gegevens op te splitsen in verschillende groepen om te garanderen dat het accuraat patronen van defecten kon identificeren die het nog nooit eerder had gezien, waarmee werd bevestigd dat de gevonden patronen echt waren en niet slechts willekeurige ruis.

De bevindingen onthulden een helder en logisch beeld van het risico binnen het netwerk. Voor vegetatie waren de belangrijkste factoren het type stroomlijn, de nabijheid van water en of er al bomen boven de draden hingen. Palen in stedelijke gebieden en stadscentra vertoonden een hoger risico op vegetatiegerelateerde defecten, waarschijnlijk omdat strikte regelgeving in deze zones soms het agressief snoeien van bomen verhindert die anders misschien noodzakelijk zou zijn. Voor bliksem toonde het model aan dat palen op hogere grond en in landelijke gebieden een groter risico lopen, terwijl de aanwezigheid van nabijgelegen gebouwen een zekere bescherming leek te bieden, mogelijk door de manier waarop elektrische ladingen door de lucht bewegen te beïnvloeden. Het systeem bevestigde ook dat het type terrein ertoe deed; palen in ruig, heuvelachtig gebied waren in feite minder waarschijnlijk het doelwit van bliksem dan palen in vlakke, open landschappen. Deze inzichten zijn niet louter theoretisch; ze voorzien netwerkbeheerders van een gerangschikte lijst met objecten, waardoor zij inspecties kunnen prioriteren, vegetatie kunnen snoeien of palen kunnen versterken waar het risico het hoogst is, in plaats van elk deel van het netwerk gelijk te behanden.

Een van de belangrijkste aspecten van dit werk is de flexibiliteit ervan. Het systeem is gebouwd als een reeks modulaire blokken, wat betekent dat als er nieuwe soorten gegevens beschikbaar komen — zoals informatie over door dieren veroorzaakte storingen of nieuwe satelliet-sensoren — de onderzoekers deze aan het model kunnen toevoegen zonder het hele systeem vanaf nul opnieuw te hoeven opbouwen. Deze schaalbaarheid is essentieel naarmate het klimaat verandert en nieuwe gevaren ontstaan. De onderzoekers erkennen dat hun huidige model steunt op historische gegevens en nog niet met absolute zekerheid de toekomst voorspelt, noch rekening houdt met elke mogelijke variabele. Echter, het raamwerk dat zij hebben gecreëerd biedt een krachtige nieuwe manier om te denken over de veerkracht van infrastructuur. Door over te stappen van een breed, gemiddeld risicovisie naar een gedetailleerd begrip per object, kunnen nutsbedrijven vandaag slimmere beslissingen nemen die de stroomvoorziening morgen draaiende houden, zelfs wanneer het weer onvoorspelbaarder wordt. Het werk demonstreert dat we met de juiste gegevens en de juiste instrumenten de verborgen kwetsbaarheden in ons elektriciteitsnet kunnen zien en kunnen oplossen voordat ze een stroomstoring veroorzaken.