วันพายุไฟดับ หลายครั้งไม่ใช่เสาไฟฟ้าล้ม แต่เป็นต้นไม้ล้มทับสายไฟ Overstory ใช้ภาพถ่ายดาวเทียมและภาพถ่ายทางอากาศบวก AI บอกบริษัทไฟฟ้าว่าพืชพรรณข้างสายไฟช่วงไหนอันตรายที่สุด ควรซ่อมตรงไหนก่อน เปลี่ยน ตัดแต่งทั้งสายตามรอบ เป็น เรียงตามความเสี่ยง
คุณสมบัติและสถานการณ์การใช้งาน
ระบบวิเคราะห์ภาพถ่ายดาวเทียมและภาพถ่ายทางอากาศ ระบุความสูงของพืช อัตราการเติบโต และระยะห่างจากสายไฟ แล้วผสานตำแหน่งสินทรัพย์ แผนที่ความเสี่ยงไฟป่า และข้อมูลภูมิประเทศ ผลิตการเรียงลำดับความสำคัญตามความเสี่ยง อินเทอร์เฟซมีทั้งแดชบอร์ดเวอร์ชันเดสก์ท็อปและมือถือ ให้ผู้วางแผนในสำนักงานและทีมงานหน้างานดูข้อมูลชุดเดียวกัน และให้การวิเคราะห์ผลกระทบของ SAIDI (ดัชนีระยะเวลาไฟดับเฉลี่ยของระบบ) เชื่อมการตัดสินใจตัดแต่งกับชั่วโมงไฟดับโดยตรง ลูกค้ารวมหกในสิบบริษัทไฟฟ้ารายใหญ่ที่สุดในอเมริกาเหนือ และผู้ประกอบการหลายรายในอเมริกาและยุโรป
เหมาะกับฝ่ายบำรุงรักษาสินทรัพย์ การดูแลสายไฟ และการจัดการความเสี่ยงไฟป่าของบริษัทไฟฟ้า สถานการณ์ของไต้หวันต่างออกไป เราไม่มีไฟป่าขนาดใหญ่แบบแคลิฟอร์เนีย แต่ต้นไม้ล้มทับจนไฟดับจากพายุและฝนหนักทุกปีเป็นความเจ็บปวดจริง หากการดูแลสายไฟของ Taipower และท้องถิ่นต่างๆ ใช้ตรรกะคล้ายกันเรียงลำดับได้ ทรัพยากรก็จะใช้ได้แม่นยำขึ้น กำแพงของเครื่องมือแบบนี้ไม่ได้อยู่ที่เทคโนโลยี แต่อยู่ที่หน่วยงานมองต้นไม้เป็นสินทรัพย์ที่ต้องจัดการหรือไม่
ฟังก์ชันหลัก
- วิเคราะห์ความเสี่ยงพืชพรรณด้วย AI จากภาพถ่ายดาวเทียมและทางอากาศ
- ลำดับความสำคัญของงานตัดแต่งเรียงตามความเสี่ยง
- ผสานตำแหน่งสินทรัพย์ แผนที่ไฟป่า และข้อมูลภูมิประเทศ
- แดชบอร์ดเดสก์ท็อปและมือถือ
- วิเคราะห์ผลกระทบของดัชนีไฟดับ SAIDI
การใช้งานทั่วไป
- จัดตารางตัดแต่งพืชพรรณของสายจ่ายไฟ
- ตรวจนับจุดเสี่ยงก่อนไฟป่าและพายุ
- จัดสรรงบบำรุงรักษาและติดตามผล
- ปรับปรุงดัชนีความน่าเชื่อถือของการจ่ายไฟ
ฟีเจอร์เด่น
- วิเคราะห์ความเสี่ยงพืชพรรณด้วย AI จากภาพถ่ายดาวเทียมและทางอากาศ
- ลำดับความสำคัญของงานตัดแต่งเรียงตามความเสี่ยง
- ผสานตำแหน่งสินทรัพย์ แผนที่ไฟป่า และข้อมูลภูมิประเทศ
- แดชบอร์ดเดสก์ท็อปและมือถือ
- วิเคราะห์ผลกระทบของดัชนีไฟดับ SAIDI
ข้อดี
- เปลี่ยนการตัดแต่งตามรอบเป็นแบบมุ่งความเสี่ยง งบเท่าเดิมลดไฟดับได้มากกว่า
- บริษัทไฟฟ้ารายใหญ่ใช้จริง ไม่ใช่แค่พิสูจน์แนวคิด
- ข้อมูลเชื่อกับดัชนีความน่าเชื่อถือที่หน่วยกำกับให้ความสำคัญได้โดยตรง
ข้อเสีย
- กลุ่มลูกค้าเป็นกิจการไฟฟ้า องค์กรทั่วไปใช้ไม่ได้
- ไต้หวันยังไม่มีกรณีนำเข้าใช้สาธารณะ ต้องยืนยันภาพแผนที่ท้องถิ่นและชนิดต้นไม้
- ราคาต้องเจรจา เป็นโครงการระดับองค์กร
กรณีการใช้งาน
- จัดตารางตัดแต่งพืชพรรณของสายจ่ายไฟ
- ตรวจนับจุดเสี่ยงก่อนไฟป่าและพายุ
- จัดสรรงบบำรุงรักษาและติดตามผล
- ปรับปรุงดัชนีความน่าเชื่อถือของการจ่ายไฟ
บันทึกบรรณาธิการ
การตัดแต่งทั้งสายยุติธรรมที่สุด และเปลืองที่สุด การส่งทีมงานที่จำกัดไปยังไม่กี่กิโลเมตรที่อันตรายจริง นี่คือสิ่งที่ข้อมูลควรทำ
คำถามที่พบบ่อย
ความหนาแน่นของสายไฟของไต้หวันต่างจากอเมริกามาก ยังใช้ได้หรือ?
แกนกลางของอัลกอริทึมคือความสัมพันธ์เชิงพื้นที่ระหว่างพืชกับสายไฟ หลักการใช้ได้ทั่วไป แต่ชนิดต้นไม้ ภูมิประเทศ และความหนาแน่นของสายไฟของไต้หวันต่างกัน โมเดลต้องปรับเทียบด้วยข้อมูลท้องถิ่น วิธีที่สมเหตุสมผลคือทดลองพื้นที่เล็กในเขตเดียวก่อนเพื่อยืนยันความแม่นยำ
ความละเอียดของภาพถ่ายดาวเทียมพอที่จะเห็นต้นไม้ทีละต้นหรือไม่?
Overstory ใช้ภาพหลายแหล่งทั้งดาวเทียมและทางอากาศ ความละเอียดที่ได้ในแต่ละพื้นที่ต่างกัน ตอนประเมินต้องถามให้ชัดว่าพื้นที่บริการของคุณได้ภาพระดับใดและอัปเดตบ่อยแค่ไหน ความถี่มักสำคัญกว่าความละเอียด