Slik effektiviserte de vedlikehold av komplekst strømnett med AI på noen få uker

I PwC i Oslo er det et stort tech-miljø som jobber med å effektivisere tunge og tidkrevende prosesser for kunder. Deriblant for nettselskapet Lede.

Lede, som distribuerer strøm til flere hundre tusen kunder i Vestfold og Telemark, og selv drifter 17.600 kilometer strømnett, trengte hjelp til å gjøre drift og vedlikehold av dette massive strømnettet mer effektivt.

Strømnettet er tross alt essensielt infrastruktur som må fungere, samtidig som det krever mye jobb å vedlikeholde det. Strømmaster og linjer er utsatt for naturkrefter og andre potensielle feil. Lede tok kontakt med PwC for å finne ut hvordan alt dette vedlikeholdet kan gjøres enklere.

Fra helikopter til drone

En tradisjonell måte å inspisere infrastrukturen etter feil er å rett og slett fly over nettet med helikopter og ta store mengder bilder, som deretter analyseres for skader og feil på utstyret.

– Lede flyr i dag droner på alt av høyspent nett i stedet for helikoptre for å ta disse bildene. Det har klare fordeler med tanke på reduksjon av støy, bedre miljøaspekt, lavere kostnader og større sikkerhet. Piloten baserte seg på bilder tatt fra linjebefaringen på Hjartdal i Telemark, en linjebefaring som ble gjennomført som et utgangspunkt for Lede sin satsning på droneinspeksjon, forklarer Herman Johan Bomholt i PwC.

Herman Bomholt og Karoline Bonnerud er to av konsulentene i PwC som har jobbet sammen med Lede for å effektivisere vedlikeholdsprosesser.

Dette var starten på et større samarbeidsprosjekt med dataplattformteamet og vedlikeholdsteamet i strømselskapet, som altså skulle fokusere på effektivisering og fornyelse av vedlikeholdsprosessene deres.

– Lede identifiserte en rekke områder som man ønsket å jobbe videre med, og teste litt ulike, nye konsepter, forteller Herman.

Han nevner at linjebefaring var nettopp et av områdene Lede ønsket å effektivisere.

Tradisjonelt sett har helikopter blitt brukt til linjebefaring, hvor en montør tar bilder av samtlige master og linjestrekk, og gjør en subjektiv vurdering om det er feil på mastene eller ikke.

En drone gjør det enklere og raskere å ta bilder, men det er fortsatt en manuell jobb å gå gjennom disse.

Slik løste PwC det

I det Lede satt med et stort utvalg bilder og lurte på hvordan de kunne effektivisere analysen av dem, kom PwC inn med sine innspill.

– Lede hadde allerede kuttet ned på bruk av helikopter og det å ta bilder manuelt. Men det var fortsatt muligheter til å spare tid på å gå gjennom bildene. Det er vanlig å ta en subjektiv vurdering på bildene for å se om det er noe galt, og det er veldig tidkrevende, sier Herman.

PwC utviklet en AI-løsning som kunne detektere feil gjennom automatisert analyse av bildene. Den ble en del av hele den automatiserte prosessen fra fotografering med drone, gjennom analyse og resultat.

Karoline Bonnerud forteller at det er svært mange muligheter for forskjellige feil på en mast eller en linje som kompliserer inspeksjon og vedlikehold:

– Det kan være råte, det kan være hakkespett-skader, det kan være slakke linjer eller det som kalles skjeve traverser, altså master. Det kan også mangle topphatter, det vil si plasthatter som sitter på toppen av mastene. Vi ønsket å vise tidlig at en sånn type modell har en verdi, men for å vise den verdien måtte vi begrense caset noe. Derfor fokuserte vi først på to ulike feiltyper, og ville vise effekten av en modell med disse.

Finner feil med kunstig intelligens

PwC valgte skjeve traverser og identifisering av manglende topphatter som de aktuelle feilene. De ble valgt sammen med Lede. Og det er fullt mulig å skalere modellen opp til å identifisere alle typer feil etter hvert.

– Prosjektet foregikk over 10 uker. Caset handlet om å vise verdien, og vise at dette er noe Lede kan være med på å utvikle og forvalte selv i fremtiden. At det er et relevant alternativ til å kanskje kjøpe inn en ferdig løsning fra en tredjeparts-leverandør.

Bonnerud sier at de hadde noe utfordringer med nok datagrunnlag for fullstendig analyse. Det ble tatt rundt 6000 bilder til prosjektet, og det er ikke en stor mengde i dataperspektiv. Det ble derfor brukt en del teknikker for å generere flere bilder fra eksisterende datasett, også kjent som «data augmentation» teknikker. Disse grepene gav gode resultater for modellen, og viste at man selv med begrenset datamengde kan gi indikasjoner på hvordan en modell presterer, ifølge Karoline.

– Vi brukte også en løsning fra Microsoft som heter Azure Custom Vision, som stiller med hele modell-infrastrukturen. For denne probemstillingen var det en god løsning som muliggjorde rask utvikling, og enkel fremtidig forvaltning for kunden. Samtidig som det var ønskelig å se hvordan en «ut-av-boksen»-løsning presterer på kompliserte problemstillinger. Dette var også et grep for å vise mulighetsrommet for den eksisterende dataplattformen Lede utvikler gjennom Microsoft, forklarer Karoline.

– Likevel ser vi at dersom Lede ønsker å bygge videre på dette, er det behov for å samle inn og manuelt kategorisere flere bilder slik at det er et større datagrunnlag å trene modellen på, sier hun.

En sentral del av leveransen var derfor også i samarbeid med dataplattformteamet til Lede å evaluere hvordan man samler inn og håndterer denne typen ustrukturert data på en god måte for fremtidig lagring og brukt til modellering.

Modell som kan brukes til mange anledninger

Data & Analytics-avdelingen hos PwC består av 30 dyktige rådgivere som jobber med datastrategi, kunstig intelligens, dataarkitektur og implementering av ulike teknologier i hele dataverdikjeden. Det er flere lærdommer miljøet hos PwC har gjort seg etter å ha utviklet og testet modellen. Caset var i utgangspunktet komplisert, med mange muligheter for feil, men det er klart at metoden kan tas i bruk i andre, mindre kompliserte caser. Dette er noe som også mange andre bransjer kan relatere seg til.

Samtidig er det tydelig at gjennomføringen var smidig:

– Av de ti ukene vi brukte på prosjektet, gikk halvparten av tiden på å hente inn tilganger, datagrunnlag og lisenser. Vi brukte kanskje 4-6 uker med faktisk utvikling. I denne perioden samarbeidet vi tett med dataplattformteamet og vedlikeholdsteamet i Lede, hvor vi blant annet kartla behovet, fant ut hva de trengte, og utviklet løsning. Modellen fra piloten ble presentert for store deler av selskapet, og gir et solid utgangspunkt for videre effektivisering av vedlikeholdsprosessene, sier Herman. Lede jobber nå med flere større digitaliseringsprosjekt, og utvikler en egen dataplattform som tilrettelegger for skalering og bruk av slike dataprodukter.

– Teamet fra PwC benyttet seg av smidig-metodikken, noe som gav hurtig utvikling og kontinuerlig brukerinvolvering. Vi fikk tydelig illustrert og kommunisert verdi, samt involvert domeneeksperter for å sikre en brukerrettet tilnærming. Denne tankegangen og metodikken er nå også blitt implementert av Lede i deres digitale produktteam, avslutter han.