Proč termografie a AI při inspekcích energetické infrastruktury
Bezolovové letouny (UAV) s termografickými senzory se staly klíčovou technologií pro rychlou, bezpečnou a konzistentní diagnostiku energetické infrastruktury – od přenosových vedení a rozvoden, přes fotovoltaické (PV) parky a větrné turbíny, až po teplovodní sítě a ropovody. Kombinace přesné radiometrické termografie a pokročilých modelů umělé inteligence (AI) umožňuje automatizovanou detekci poruch, kvantifikaci závažnosti a prioritizaci zásahů, čímž zkracuje dobu odstávek a snižuje provozní náklady (OPEX).
Oblasti použití a typologie poruch
- Přenosová a distribuční vedení: přehřívání spojů a svorek, uvolněné spoje, poškozené izolátory, nesymetrické zatížení fází, vegetační kolize, anomálie na tlumičích kmitů.
- Rozvodny a transformátory: horká místa na přepínačích odboček (OLTC), vývodech, průchodkách, chladicích radiátorech, nerovnoměrný ohřev vinutí indikovaný teplotním gradientem oleje.
- Fotovoltaické parky: defekty článků (hot-spoty), PID (potential induced degradation), mikropraskliny, nefunkční stringy, stínění, degradované propojení a bypass diody.
- Větrné turbíny: tepelné anomálie ložisek a generátorů, nerovnováha brzd, lokální přehřívání výkonové elektroniky v gondole.
- Teplovodní a parovodní sítě: úniky tepla, porušené izolace a vodotěsné obaly, anomálie dilatačních kompenzátorů; termální mapování pro identifikaci infiltrací a průchodů.
- Ropovody a plynovody: sekundární indikátory úniků (chladicí nebo oteplující zóny v závislosti na médiu), změny vlhkosti půdy detekované přes termální kontrast.
Základy infračervené termografie pro UAV
- Radiometrický vs. neradiometrický zápis: radiometrické kamery ukládají celé pole teplotních dat (typicky 14 bitů), což je nezbytné pro kvantitativní diagnostiku a trénink AI s kalibrací; neradiometrické slouží spíše pro vizuální orientaci.
- NEΔT (Noise-Equivalent Delta Temperature): citlivost senzoru; hodnoty ≤ 40 mK jsou vhodné pro PV a rozvodny, ≤ 60 mK pro vedení.
- IFOV a GSD: okamžitý zorný úhel a pozemní rozměr pixelu určují detekovatelnou velikost vady. Pro PV moduly se doporučuje GSD 2–5 cm/px, pro vedení 1–3 cm/px na úrovni armatur.
- Emisivita a odrazivost: správné nastavení emisivity (ε) podle materiálu: sklo a matné povrchy ~0,90–0,95, oxidované kovy ~0,70–0,85, leštěné kovy vyžadují referenční terče nebo nastřik matným černým lakem.
- Atmosférické korekce: teplota a vlhkost vzduchu, vzdálenost snímku a přenos atmosférou ovlivňují naměřenou teplotu. Při délkách > 50 m je vhodná korekce podle modelu přenosu nebo použití lokálních referencí.
Výběr senzorů a integrační konfigurace
- Detektor a spektrální pásmo: nechlazené mikrobolometry (8–14 μm) pro běžné inspekce; chlazené LWIR/MWIR pro vysoký dynamický rozsah a menší šum při delších vzdálenostech.
- Rozlišení: 640×512 je minimum pro detailní PV a armatury vedení; 1024×768 nebo vyšší zvyšuje detekci drobných hot-spotů a umožňuje vyšší letovou výšku.
- Dvojitý payload: ko-registrace RGB a termálního obrazu zvýšuje přesnost AI (multimodální učení) a usnadňuje verifikaci nálezů.
- Radiometrická kalibrace: interní černé těleso (clona) pro NUC (non-uniformity correction) a periodická in-flight kalibrace dle teploty senzoru.
- Georeferencování: RTK/PPK GNSS a IMU pro přesnou ortorektifikaci; u PV farem je důležitá konzistence mezi misemi pro sledování degradace.
Plánování letů: trajektorie, výšky a osvětlení
- Přenosová vedení: podélný přelet ve výšce 20–50 m od vodiče, doplněný šikmými přeletami pod různými azimuty; bezpečnostní laterální odstupy dle regulace a riziková analýza SORA.
- Rozvodny: mřížkové trajektorie s více úrovněmi výšky; obchůzky kolem transformátorů a průchodek pro zachycení gradientů.
- PV parky: přímkové přeletové dráhy paralelní s řadami panelů; GSD 2–5 cm/px, rychlost 3–7 m/s dle expozice senzoru.
- Osvětlení a čas dne: PV inspekce při vysoké irradianci (≥ 600 W/m²) a stabilním zatížení; vedení a rozvodny večer nebo při stabilním zatížení pro zvýraznění teplotních rozdílů.
- Meteorologie: minimalizovat vítr a turbulence (stabilita GSD), vyhnout se dešti a mlze (atmosférické pohlcování), předehřát senzor na pracovní teplotu.
Akviziční workflow a kontrola kvality
- Předletová kalibrace: NUC, kontrola emisivity a reflektované teploty, nastavení rozsahu palety a automatické expozice (AWB pro termál vypnuto, preferovat manuální rozsah).
- Telemetrie a synchronizace: záznam GNSS, orientace, teploty senzoru a časových značek snímků; časové značky pro korelaci s SCADA/AMR daty, pokud jsou dostupné.
- Vzorkování: pro video alespoň 30 fps pro dynamické scény, pro snímky 1–3 Hz s překrytím 70–80 % pro ortomozaiku.
- QA/QC po letu: kontrola rozmazání, saturace, driftu offsetu; tvorba radiometrických ortomozaik a termálních map s metadaty (EXIF, parametry kalibrace).
AI detekce poruch: architektury a trénink
- Úkoly: detekce objektů (poruchy jako bounding boxy), segmentace (hot-spot masky), klasifikace závažnosti a change detection pro sledování trendu.
- Modely: moderní detektory (rodina YOLO, Anchor-Free detektory), transformerové backbone (ViT/DeiT), segmentační sítě (UNet, DeepLab). Multimodální fúzní sítě pro RGB+termál (early/late fusion, cross-attention).
- Značkování dat: radiometrické hodnoty ukládat spolu s maskami; normalizovat na jednotnou emisivitu a atmosférické korekce. Vytvořit taxonomii poruch (např. PV: hot-spot článku, string-out, stín, znečištění; vedení: izolátor crack, uvolněný spoj, koroze).
- Augmentace: fotometrické (teplotní offset, šum), geometrické (rotace, měřítko), specifické pro termál (syntetické gradienty a odrazy).
- Metodika tréninku: stratifikované rozdělení dle lokality a ročního období, aby model generalizoval; validační lokality mimo tréninkovou distribuci.
- Metri ky: mAP@0.5–0.75 pro detekci, IoU pro segmentaci, F1 a ROC-AUC pro klasifikaci; pro regresní úlohy ΔT RMSE. Provozní KPI: precision@top-K pro plánování zásahů, time-to-flag při near-real-time streamingu.
Edge vs. cloud: architektura zpracování
- Edge inference: kompaktní modely (kvantizované INT8) na palubě nebo v mobilním terminálu, latence pod 200 ms, vhodné pro bezpečnostní alarmy (např. abnormální přehřívání). Limitované energeticky a paměťově.
- Cloud/batch: plnorozsahové radiometrické ortomozaiky, složité modely a change detection nad historickými daty; orchestrace přes pipeline (ETL, validace, monitoring modelu).
- Hybrid: předvýběr kandidátů na edge, verifikace a kvantifikace v cloudu, zpětná vazba na plánování dalších přeletů (active learning).
Kalibrace na scénu a kompenzace rušivých vlivů
- Reflektovaná složka: pro lesklé kovy používat referenční pásky s vysokou emisivitou (ε ≈ 0,95) na kalibračních bodech; minimalizovat úhly odrazu vůči slunci.
- Proud a zatížení: u vedení a transformátorů anotovat zatížení v čase letu; prahové ΔT hodnoty vázat na procento nominálního proudu.
- Počasí: korelovat nálezy s ambientní teplotou, větrem a irradiancí (PV); modelovat teplotní drift komponent.
Analytika závažnosti a prioritizace zásahů
- ΔT klasifikace: rozdíl vůči referenčnímu bodu komponentu nebo k sousedním fázím/stringům (např. mírná 5–10 °C, střední 10–25 °C, kritická > 25 °C nad referencí).
- Rizikové skóre: kombinace ΔT, typu komponentu, stáří, historie poruch a kritičnosti uzlu v síti.
- Sledování trendů: exponenciálně vyhlazené časové řady ΔT a počtu detekcí; spouštěče pro preventivní údržbu.
Integrace se systémy údržby a asset managementem
- GIS a digitální dvojče: georeferencované nálezy se mapují na digitální objekty (stožáry, panely, transformátory); vizualizace v 2D/3D s historickými vrstvami.
- Propojení CMMS/EAM: automatické vytváření pracovních příkazů s přílohami (radiometrické snímky, RGB, měřicí protokoly), SLA a eskalace dle rizikového skóre.
- Reporty: generované ve standardizovaném formátu s galeriemi nálezů, tabulkami ΔT, GPS souřadnicemi, zatížením a doporučenými zásahy.
Bezpečnost, regulace a rizika
- Provozní limity: BVLOS operace dle lokální legislativy; nad vedením respektovat ochranné pásma a elektrická rizika (koróna, indukované proudy).
- Elektromagnetická kompatibilita (EMC): odladění RF pro zabránění rušení SCADA a telemetrie; u rozvoden preferovat optickou izolaci pozemních linek.
- Fyzická rizika: turbulence kolem stožárů a v úžlabinách, aerodynamický downdraft při nízkých přeletech nad panely, ptactvo.
- Ochrana dat: radiometrická data mohou obsahovat citlivé informace o kritické infrastruktuře; šifrování a kontrola přístupu, auditní stopa.
Standardy a osvědčené postupy
- Termografie: uplatňování doporučení ITC/ISO pro kalibraci a interpretaci termálních snímků; měřicí protokoly s explicitní emisivitou a atmosférickými parametry.
- PV inspekce: metodiky jako IEC TS pro elektroluminiscenci a IR interpretaci, prahové ΔT pro hot-spoty a PID.
- Energetika: interní utility standardy pro klasifikaci závad (A/B/C), doporučené časy zásahu a verifikační postupy.
Příkladová studie A: Fotovoltaický park 50 MW
Nasazení UAV s termální kamerou 640×512 při GSD 3 cm/px. Během 4 hodin zmapováno 92 000 panelů; AI detektor (YOLOv8, multimodální RGB+IR) identifikoval 1,8 % panelů s hot-spoty, z toho 0,3 % kritických (> 25 °C nad referencí). Verifikace vzorky 500 nálezů potvrdila precision 0,93 a recall 0,88. Očekávaná roční úspora ztrát výroby ~1,2 %, návratnost projektu do 7 měsíců.
Příkladová studie B: 110 kV vedení, úsek 37 km
Trajektorie ve výšce 30–40 m laterálně od vodičů; dvojitý payload RGB+LWIR. AI detekce izolátorových řetězců a armatur se segmentací komponent; 17 kritických přehřátí spojů (ΔT 18–31 °C), 24 středních. Průměrný čas od sběru po hotový report 6 hodin v hybridním edge/cloud režimu. Preventivní zásahy zabránily dvěma plánovaným odstávkám.
Ekonomika, KPI a ROI
- KPI sběru: plocha nebo délka zmapovaná za hodinu, procento použitelných snímků, podíl radiometrických mozaik bez mezer.
- KPI detekce: precision, recall, mAP, průměrný čas na verifikaci a schválení nálezu.
- Biznis KPI: zkrácení mean-time-to-detect (MTTD) a mean-time-to-repair (MTTR), snížení SAIDI/SAIFI v síti, snížení neplánovaných odstávek, zvýšení kapacity výroby v PV.
- Faktory ROI: automatizace anotace, opakované mise pro sledování trendů, integr
