Inspekcie energetickej infraštruktúry: termografia a AI detekcie porúch

Prečo termografia a AI pri inšpekciách energetickej infraštruktúry

Bezpilotné lietadlá (UAV) s termografickými senzormi sa stali kľúčovou technológiou pre rýchlu, bezpečnú a konzistentnú diagnostiku energetickej infraštruktúry – od prenosových vedení a rozvodní, cez fotovoltické (PV) parky a veterné turbíny, až po teplovodné siete a ropovody. Kombinácia presnej radiometrickej termografie a pokročilých modelov umelej inteligencie (AI) umožňuje automatizovanú detekciu porúch, kvantifikáciu závažnosti a prioritizáciu zásahov, čím skracuje čas odstávok a znižuje prevádzkové náklady (OPEX).

Domény použitia a typológia porúch

• Prenosové a distribučné vedenia: prehrievanie spojov a svoriek, uvoľnené spoje, poškodené izolátory, nesymetrické zaťaženie fáz, vegetačné kolízie, anomálie na tlmičoch kmitov.
• Rozvodne a transformátory: horúce body na prepínačoch odbočiek (OLTC), vývodoch, priechodkách, chladiacich radiátoroch, nerovnomerný ohrev vinutí indikovaný teplotným gradientom oleja.
• Fotovoltické parky: defekty článkov (hot-spoty), PID (potential induced degradation), microcracky, nefunkčné stringy, tieňovanie, degradované prepojenia a bypass diódy.
• Veterné turbíny: tepelné anomálie ložísk a generátorov, nerovnováha bŕzd, lokálne prehrievanie výkonovej elektroniky v gondole.
• Teplovodné a parovodné siete: úniky tepla, porušené izolácie a vodotesné obaly, anomálie dilatačných kompenzátorov; termálne mapovanie na identifikáciu infiltrácií a prestupov.
• Ropovody a plynovody: sekundárne indikátory únikov (chladiace alebo otepľujúce zóny v závislosti od média), zmeny vlhkosti pôdy detegované cez termálny kontrast.

Základy infračervenej termografie pre UAV

• Radiometrický vs. neradiometrický záznam: radiometrické kamery ukladajú plné pole teplotných dát (typicky 14 bitov), čo je nutné pre kvantitatívnu diagnostiku a AI tréning s kalibráciou; neradiometrické slúžia skôr na vizuálnu orientáciu.
• NEΔT (Noise-Equivalent Delta Temperature): citlivosť senzora; hodnoty ≤ 40 mK sú vhodné na PV a rozvodne, ≤ 60 mK na vedenia.
• IFOV a GSD: okamžitý zorný uhol a pozemný rozmer pixelu určujú detekovateľnú veľkosť vady. Pre PV moduly sa odporúča GSD 2–5 cm/px, pre vedenia 1–3 cm/px na úrovni armatúr.
• Emisivita a odrazivosť: správne nastavenie emisivity (ε) podľa materiálu: sklo a matné povrchy ~0,90–0,95, oxidované kovy ~0,70–0,85, leštené kovy vyžadujú referenčné terče alebo nástrek matným čiernym lakom.
• Atmosféricke korekcie: teplota a vlhkosť vzduchu, vzdialenosť snímky a prenos atmosférou ovplyvňujú nameranú teplotu. Pri dĺžkach > 50 m je vhodná korekcia podľa modelu prenosu alebo použitie lokálnych referencií.

Výber senzorov a integračné konfigurácie

• Detektor a spektrálne pásmo: nechladené mikrobolometre (8–14 μm) pre bežné inšpekcie; chladené LWIR/MWIR pre vysoký dynamický rozsah a menší šum pri dlhších vzdialenostiach.
• Rozlíšenie: 640×512 je minimum pre detailné PV a armatúry vedení; 1024×768 alebo vyššie zlepšuje detekciu drobných hot-spotov a umožňuje vyššiu výšku letu.
• Duálny payload: ko-registrácia RGB a termálu zvyšuje presnosť AI (multimodálne učenie) a uľahčuje verifikáciu nálezov.
• Radiometrická kalibrácia: interné čierne teleso (shutter) pre NUC (non-uniformity correction) a periodická in-flight kalibrácia podľa teploty senzora.
• Georeferencovanie: RTK/PPK GNSS a IMU pre presnú ortorektifikáciu; pri PV farmách je dôležitá konzistencia medzi misiami na trendovanie degradácie.

Plánovanie letov: trajektórie, výšky a osvetlenie

• Prenosové vedenia: pozdĺžny prelet vo výške 20–50 m od vodiča, doplnený šikmými preletmi pod rôznymi azimutmi; bezpečnostné laterálne odstupy podľa regulácie a riziková analýza SORA.
• Rozvodne: mriežkové trajektórie s viacerými hladinami výšky; obchôdzky okolo transformátorov a priechodiek pre zachytenie gradientov.
• PV parky: priamkové prelety paralelné s radmi panelov; GSD 2–5 cm/px, rýchlosť 3–7 m/s podľa expozície senzora.
• Osvetlenie a čas dňa: PV inšpekcie pri vysokom irradianci (≥ 600 W/m²) a ustálenom zaťažení; vedenia a rozvodne večer alebo pri stabilnom zaťažení pre zvýraznenie teplotných rozdielov.
• Meteorológia: minimalizovať vietor a turbulenciu (stabilita GSD), vyhnúť sa dažďu a hmle (atmosféricke pohlcovanie), predhriať senzor na pracovnú teplotu.

Akvizičný workflow a kontrola kvality

1. Predletová kalibrácia: NUC, kontrola emisivity a reflektovanej teploty, nastavenie rozsahu palety a automatickej expozície (AWB pre termál vypnuté, preferovať manuálny rozsah).
2. Telemetria a synchronizácia: záznam GNSS, attitude, teploty senzora a vojna rámcov; časové značky pre koreláciu s SCADA/AMR údajmi, ak sú dostupné.
3. Vzorkovanie: pre video aspoň 30 fps pre dynamické scény, pre snímky 1–3 Hz s prekrývaním 70–80 % na ortomozaiku.
4. QA/QC po lete: kontrola rozmazania, saturácie, driftu offsetu; vytvorenie radiometrických ortomozaík a termálnych map s metadátami (EXIF, parametre kalibrácie).

AI detekcia porúch: architektúry a trénovanie

• Úlohy: detekcia objektov (poruchy ako bounding boxy), segmentácia (hot-spot masky), klasifikácia závažnosti, a change detection pre trendovanie.
• Modely: moderné detektory (rodina YOLO, Anchor-Free detektory), transformerové backbone (ViT/DeiT), segmentačné siete (UNet, DeepLab). Multimodálne fúzne siete pre RGB+termál (early/late fusion, cross-attention).
• Značkovanie dát: radiometrické hodnoty ukladať spolu s maskami; normalizovať na jednotnú emisivitu a korekcie atmosféry. Vytvoriť taxonómiu porúch (napr. PV: hot-spot článku, string-out, tieň, znečistenie; vedenia: izolátor crack, uvoľnený spoj, korózia).
• Augmentácie: fotometrické (teplotný offset, šum), geometrické (rotácie, mierka), špecifické pre termál (syntetické gradienty a odrazy).
• Metodika trénovania: stratifikované rozdelenie podľa lokality a ročného obdobia, aby model generalizoval; validačné lokality mimo tréningovej distribúcie.
• Metri ky: mAP@0.5–0.75 pre detekciu, IoU pre segmentáciu, F1 a ROC-AUC pre klasifikáciu; pre regresné úlohy ΔT RMSE. Prevádzkové KPI: precision@top-K pre plánovanie zásahov, time-to-flag pri near-real-time streamingu.

Edge vs. cloud: architektúra spracovania

• Edge inference: kompaktné modely (quantized INT8) na palube alebo v mobilnom termináli, latencia pod 200 ms, vhodné pre bezpečnostné alarmy (napr. abnormálne prehrievanie). Limitované energeticky a pamäťovo.
• Cloud/batch: plnorozsahové radiometrické ortomozaiky, zložité modely a change detection nad historickými dátami; orchestrácia cez pipeline (ETL, validácia, model monitoring).
• Hybrid: predvýber kandidátov na edge, verifikácia a kvantifikácia v cloude, spätná väzba na plánovanie ďalších preletov (active learning).

Kalibrácia na scénu a kompenzácia rušivých vplyvov

• Reflektovaná zložka: pre lesklé kovy používať referenčné pásky s vysokou emisivitou (ε ≈ 0,95) na kalibračných bodoch; minimalizovať uhly odrazu voči Slnku.
• Prúd a zaťaženie: pri vedeniach a transformátoroch anotovať záťaž v čase letu; prahové ΔT hodnoty viazať na percento nominálneho prúdu.
• Poveternostné podmienky: korelovať nálezy s ambientnou teplotou, vetrom a irradianciou (PV); modelovať teplotný drift komponentov.

Analytika závažnosti a prioritizácia zásahov

• ΔT klasifikácia: rozdiel voči referenčnému bodu komponentu alebo voči susedným fázam/stringom (napr. mierna 5–10 °C, stredná 10–25 °C, kritická > 25 °C nad referenciou).
• Rizikové skóre: kombinácia ΔT, typu komponentu, veku, histórie porúch a kritickosti uzla v sieti.
• Trendovanie: exponenciálne vyhladené časové rady ΔT a počtu detekcií; spúšťače pre preventívnu údržbu.

Integrácia so systémami údržby a asset managementom

• GIS a digitálne dvojča: georeferencované nálezy sa mapujú na digitálne objekty (stožiare, panely, transformátory); vizualizácia v 2D/3D s historickými vrstvami.
• CMMS/EAM prepojenie: automatické vytváranie pracovných príkazov s prílohami (radiometrické snímky, RGB, meracie protokoly), SLA a eskalácie podľa rizikového skóre.
• Reporty: generované v štandardizovanom formáte s galériami nálezov, tabuľkami ΔT, GPS súradnicami, záťažou a odporúčanými zásahmi.

Bezpečnosť, regulácia a riziká

• Prevádzkové limity: BVLOS operácie podľa lokálnej legislatívy; nad vedením rešpektovať ochranné pásma a elektrické riziká (koróna, indukované prúdy).
• Electromagnetic compatibility (EMC): odladenie RF na zabránenie rušeniu SCADA a telemetrie; pri rozvodniach preferovať optickú izoláciu pozemných liniek.
• Fyzické riziká: turbulence okolo stožiarov a v úžľabinách, aerodynamicý downdraft pri nízkych preletoch nad panelmi, vtáctvo.
• Ochrana dát: radiometrické dáta môžu obsahovať citlivé informácie o kritickej infraštruktúre; šifrovanie a kontrola prístupu, auditná stopa.

Štandardy a osvedčené postupy

• Termografia: uplatňovanie odporúčaní ITC/ISO pre kalibráciu a interpretáciu termálnych snímok; meracie protokoly s explicitnou emisivitou a atmosférickými parametrami.
• PV inšpekcie: metodiky ako IEC TS pre elektroluminiscenciu a IR interpretáciu, prahové ΔT pre hot-spoty a PID.
• Energetika: interné utility štandardy pre klasifikáciu závad (A/B/C), odporúčané časy zásahu a verifikačné postupy.

Prípadová štúdia A: Fotovoltický park 50 MW

Nasadenie UAV s termálnou kamerou 640×512 pri GSD 3 cm/px. Počas 4 hodín zmapovaných 92 000 panelov; AI detektor (YOLOv8, multimodálne RGB+IR) identifikoval 1,8 % panelov s hot-spotmi, z toho 0,3 % kritických (> 25 °C nad referenciou). Verifikácia vzorky 500 nálezov potvrdila precision 0,93 a recall 0,88. Očakávaná ročná úspora strát výroby ~1,2 %, návratnosť projektu do 7 mesiacov.

Prípadová štúdia B: 110 kV vedenie, úsek 37 km

Trajektórie vo výške 30–40 m laterálne od vodičov; duálny payload RGB+LWIR. AI detekcia izolátorových reťazcov a armatúr so segmentáciou komponentov; 17 kritických prehrievaní spojov (ΔT 18–31 °C), 24 stredných. Priemerný čas od zberu k hotovému reportu 6 hodín v hybridnom edge/cloud režime. Preventívne zásahy predišli dvom plánovaným odstávkam.

Ekonomika, KPI a ROI

• KPI zberu: plocha alebo dĺžka zmapovaná za hodinu, percento použiteľných snímok, podiel radiometrických mozaík bez medzier.
• KPI detekcie: precision, recall, mAP, priemerný čas na verifikáciu a schválenie nálezu.
• Biznis KPI: skrátenie mean-time-to-detect (MTTD) a mean-time-to-repair (MTTR), zníženie SAIDI/SAIFI v sieti, zníženie neplánovaných odstávok, zvýšenie kapacity výroby v PV.
• ROI faktory: automatizácia anotácie, opakované misie pre trendovanie, integrácia s CMMS, škálovanie multi-lokálne.

Implementačný plán a prevádzkový manuál

1. PoC fáza: výber reprezentatívnych lokalít, definícia taxonómie porúch a prahov ΔT, pilotný dataset a základný AI model.
2. Industrializácia: tvorba štandardných letových šablón, pipelines na spracovanie dát, MLOps (verziovanie modelov, monitoring driftu), bezpečnostné SOP.
3. Prevádzka: pravidelné inšpekčné kampane (štvrťročne pre vedenia, mesačne pre PV v sezóne), priebežné re-trénovanie modelov s aktívnym učením.
4. Kontinuálne zlepšovanie: spätná väzba technikov z terénu, korelácia so SCADA a zásahmi, úprava prahov a priorít.

Check-list pred misiou a po misii

• Pred misiou: emisivita a atmosféria nastavená, NUC vykonaná, plán trajektórií a GSD, záloha napájania UAV, povolenia a NOTAM, bezpečnostný brífing.
• Po misii: QA/QC, radiometrické dorovnanie, generovanie nálezov AI, manuálna verifikácia vzorky, export do CMMS, plán zásahov.

Termografia s UAV, posilnená AI detekciou porúch, predstavuje zrelý a vysoko efektívny nástroj na správu a údržbu energetickej infraštruktúry. Kľúčom k úspechu je kvalitná radiometrická akvizícia, dôsledná kalibrácia a robustná dátová pipeline s modelmi trénovanými na reprezentatívnych scenároch. Pri správnej implementácii prináša táto kombinácia merateľné zlepšenia spoľahlivosti, bezpečnosti a ekonomiky prevádzky.