人工智能（AI）在几乎可以想象到的每个行业中都有广泛的潜在应用，包括医疗保健，汽车，零售甚至快餐。但是，在公用事业行业中，人工智能和机器学习（ML）开始显示出它们对业务许多方面的最有影响力的影响。电力公司越来越依赖AI来改善电源供应。例如，在亚马逊和加利福尼亚州，无人机管理软件和植被管理用于防止潜在的野火。在后流行时代，减少的现场劳动正迅速成为一种规范，而人工智能实际上正在改善人类的工作。从数据收集和分析到可行见解的呈现，人工智能和机器学习算法正在迅速重新定义公用事业公司如何管理其电力基础设施。合并和分类的数据公用事业公司监督着巨大的基础设施网络，包括公用电线杆，导体和变电站。包含这些关键组件的传输线和配电线跨越数千英里。由于火灾或停电的风险，必须监控此关键基础设施周围的植被管理。对这些资产的全面了解意味着使用各种不同的传感器进行电力线检查。这些传感器包括光检测和测距（LiDAR），颜色（RGB），高光谱和热成像。这使无人机地图绘制软件可以捕获从植被附近到基础设施资产，单个组件（例如变压器上的绝缘子），其操作完整性到指示潜在火灾隐患的热点的所有信息。这是要捕获，分类和处理的大量数据。此外，数据中有很多单独的元素（即使只有一张图像）也可以准确定位和分类，更不用说准确分类了。对所有这些传感器上的数十亿个数据点进行分类是一项非常耗时的手动任务。 AI和ML工具可以完成相同的工作。只需几秒钟，即可扫描数千英里的公用事业基础设施中收集的数千张图像。 LiDAR点云分割可以检测导体（一种很难分割的组件类型），每个点的准确性都超过95％，而高光谱图像分割可以识别植物物种，准确性高达99％。不仅如此，当与无人机传感器配对时，这些算法还可以改善早期的数据收集。 AI和ML工具有助于实时调整传感器系统的位置。如果信号丢失或无人机偏离其检查飞行路线，则运行在专业无人机或飞行员硬件上的EDGE AI算法可以帮助无人机通过物体检测重新聚焦，或避免空中碰撞引起的事故。通过帮助在飞行过程中重新定位传感器，AI不仅可以确保更准确的数据收集，而且还可以确保由于数据收集不准确而无需重复飞行或尽早结束飞行，从而节省了宝贵的时间和资源。机器学习技术可以检测传感器飞行过程中的任何故障或空中无人驾驶飞机，根据需要进行重新校准，并在数据通过传感器视频馈送时识别数据中的各个元素。分解孤岛以创建整体数据方法所有这些的关键是消除在不同数据段之间自然形成的孤岛。在公用事业检查领域，资产管理和植被管理，不同的传感器等都产生不同且隔离的数据集。当数据保持这种孤立状态时，团队将不必要地难以从收集到的信息中得出公司范围内的见解或结论。如果您不能用它来检查自己并补充其他数据集，那么所有这些数据有什么好处？好的数据管理不可能偶发地存在。它需要是整体的，而AI为实现这一目标提供了动力。人工智能为将所有这些数据源整合在一起提供了中央资源，从而使分析数据中的潜在问题（例如易发火的植被或损坏的组件）更加容易。将这些问题收集到系统中之后，识别故障并解决问题要容易得多，并且比手动筛选无数杆或植被图图像要快得多。尽管人们普遍担心AI会消除人的工作，但在公用事业公司中，AI确实增强了人们在网络和电力线检查过程中必须扮演的角色。因为AI是执行数据分析的工具，所以它不依赖于专业检查员可能会偏见的专业知识，也不容易疲劳并导致异常结果，而是无人机检查软件