Proč termografie a AI při inspekcích energetické infrastruktury
Bezpilotní letadla (UAV) s termografickými senzory se stala 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), mikrotrhliny, nefunkční stringy, stínění, degradované propojky a bypass diody.
- Větrné turbíny: tepelné anomálie ložisek a generátorů, nevyváženost brzd, lokální přehřívání výkonové elektroniky v gondole.
- Teplovodní a parovodní sítě: úniky tepla, porušené izolace a vodotěsné obaly, anomálie dilatačních kompenzátorů; termální mapování k identifikaci infiltrací a prostupů.
- Ropovody a plynovody: sekundární indikátory úniků (chlazení nebo oteplování zóny podle média), změny vlhkosti půdy detekované přes termální kontrast.
Základy infračervené termografie pro UAV
- Radiometrický vs. neradiometrický záznam: radiometrické kamery ukládají kompletní pole teplotních dat (typicky 14 bitů), což je nezbytné pro kvantitativní diagnostiku a AI trénink s kalibrací; neradiometrické slouží spíše k 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 postřik matným černým lakem.
- Atmosférické korekce: teplota a vlhkost vzduchu, vzdálenost snímku a přenos atmosférou ovlivňují měřenou teplotu. Při vzdálenostech > 50 m je vhodná korekce podle přenosového modelu 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 nižší šum při větších vzdálenostech.
- Rozlišení: 640×512 je minimum pro detailní PV a armatury vedení; 1024×768 nebo vyšší zlepšuje detekci drobných hot-spotů a umožňuje vyšší výšku letu.
- Dvojitý payload: ko-registrace RGB a termálního obrazu zvyšuje přesnost AI (multimodální učení) a usnadňuje verifikaci nálezů.
- Radiometrická kalibrace: interní černé těleso (závěrka) pro NUC (non-uniformity correction) a periodická kalibrace během letu podle 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 přeletovými směry pod různými azimuty; bezpečnostní boční odstupy podle předpisů a rizikové analýzy SORA.
- Rozvodny: mřížkové trajektorie s více hladinami výšky; obchůzky okolo transformátorů a průchodek pro zachycení gradientů.
- PV parky: přímkové přeletové dráhy rovnoběžné s řadami panelů; GSD 2–5 cm/px, rychlost 3–7 m/s v závislosti na expozici senzoru.
- Osvětlení a denní doba: PV inspekce při vysoké irradianci (≥ 600 W/m²) a ustáleném 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 provozní 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 časování rámců; 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 překryvem 70–80 % pro ortomozaiku.
- QA/QC po letu: kontrola rozmazání, saturace, driftu offsetu; vytvoření radiometrických ortomozaik a termálních map s metadaty (EXIF, kalibrační parametry).
AI detekce poruch: architektury a trénink
- Úkoly: detekce objektů (poruchy jako ohraničující rámečky), segmentace (hot-spot masky), klasifikace závažnosti a change detection pro sledování trendů.
- 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).
- Označování dat: radiometrické hodnoty ukládat spolu s maskami; normalizovat na jednotnou emisivitu a atmosférické korekce. Vytvořit taxonomii poruch (např. PV: hot-spot článku, výpadek stringu, stínění, znečištění; vedení: prasklina izolátoru, uvolněný spoj, koroze).
- Augmentace: fotometrické (teplotní offset, šum), geometrické (rotace, škálování), specifické pro termální snímky (syntetické gradienty a odrazy).
- Metodika tréninku: stratifikované rozdělení podle lokality a ročního období, aby model generalizoval; validační lokality mimo tréninkovou distribuci.
- Metriky: mAP@0.5–0.75 pro detekci, IoU pro segmentaci, F1 a ROC-AUC pro klasifikaci; u regresních úloh 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 či v mobilním terminálu, latence pod 200 ms, vhodné pro bezpečnostní alarmy (např. abnormální přehřívání). Omezené energeticky a paměťově.
- Cloud/batch: plnohodnotné radiometrické ortomozaiky, složité modely a change detection nad historickými daty; orchestrace přes pipeline (ETL, validace, monitoring modelů).
- Hybrid: předvýběr kandidátů na edge, verifikace a kvantifikace v cloudu, zpětná vazba pro plánování dalších přeletů (active learning).
Kalibrace na scénu a kompenzace rušivých vlivů
- Reflektovaná složka: u lesklých kovů 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 hodnoty ΔT vázat na procento nominálního proudu.
- Počasí: korelovat nálezy s ambientní teplotou, větrem a irradiancí (PV); modelovat teplotní drift komponentů.
Analýza závažnosti a prioritizace zásahů
- ΔT klasifikace: rozdíl vůči referenčnímu bodu komponentu nebo vůči 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; indikátory 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 podle rizikového skóre.
- Reporty: generované v standardizovaném formátu s galeriemi nálezů, tabulkami ΔT, GPS souřadnicemi, zatížením a doporučenými zásahy.
Bezpečnost, regulace a rizika
- Provozní limity: BVLOS operace podle místní legislativy; nad vedeními respektovat ochranná pásma a elektrická rizika (koróna, indukované proudy).
- Elektromagnetická kompatibilita (EMC): doladění RF pro zabránění rušení SCADA a telemetrie; u rozvoden preferovat optickou izolaci pozemních linek.
- Fyzická rizika: turbulence okolo 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 hodnoty ΔT pro hot-spoty a PID.
- Energetika: interní standardy utilit pro klasifikaci závad (A/B/C), doporučené časy zásahů a verifikační postupy.
Případová studie A: Fotovoltaický park 50 MW
N nasazení UAV s termální kamerou 640×512 při GSD 3 cm/px. Během 4 hodin bylo 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 cca 1,2 %, návratnost projektu do 7 měsíců.
Případová studie B: 110 kV vedení, úsek 37 km
Trajektorie ve výšce 30–40 m laterálně od vodičů; duální payload RGB+LWIR. AI detekce izolátorových řetězců a armatur s segmentací komponent; 17 kritických přehřátí spojů (ΔT 18–31 °C), 24 středních. Průměrný čas od sběru dat 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
