La inspección de líneas de distribución eléctrica es un proceso crítico para garantizar la continuidad y seguridad del suministro de energía. Tradicionalmente estas inspecciones se realizaban con helicópteros, pero en los últimos años el avance de la tecnología ha permitido la adopción de aeronaves no tripuladas como una alternativa innovadora, más sostenible, segura y eficiente en costes para la inspección de estas infraestructuras eléctricas. Además, si se combinan estas aeronaves con el procesamiento sistematizado de las imágenes y el LiDAR, mediante el uso de algoritmia e inteligencia artificial, se incrementa aún más la fiabilidad y calidad de la inspección, además de acortar sustancialmente los plazos que transcurren desde el vuelo hasta la obtención del acta de inspección de la instalación.
Este artículo de CIC Consulting Informático explora cómo la implementación de algoritmia e inteligencia artificial para la detección de potenciales defectos en las líneas aéreas, con independencia de la aeronave utilizada, permite mejorar la eficiencia, calidad, fiabilidad y trazabilidad en la detección de defectos; focalizar el esfuerzo de los inspectores en el análisis de potenciales defectos; acortar los plazos hasta la obtención del acta de inspección o corrección de los defectos; reducir la carga administrativa del proceso, optimizando la información transferida a los procesos de corrección de defectos; y elevando la calidad de la información de los activos en los sistemas de la compañía.
El sistema supone una solución completa, industrializada y probada con éxito en entornos reales, que revoluciona la inspección de las líneas de distribución eléctrica. Este sistema se distingue por el desacople entre la recolección de datos mediante aeronaves y el procesamiento de la información (imágenes, termografías y nubes de puntos LiDAR).
Tras la captura de los datos en los vuelos se emplean plataformas avanzadas de procesamiento de imágenes para la detección de potenciales defectos de distancia, visuales o térmicos, mediante algoritmos complejos e inteligencia artificial. Estos posibles defectos, junto con la información asociada, son puestos a disposición de los inspectores para que determinen la existencia del defecto y su prioridad de corrección. Toda la información y las acciones realizadas son debidamente registradas para asegurar, en todo momento, la trazabilidad del proceso. De esta forma, las empresas pueden integrar los defectos y anomalías detectadas en sus propios sistemas de gestión del mantenimiento.
Defectos de distancia de la vegetación con la infraestructura eléctrica
Tras la captura de la nube de puntos LiDAR y la generación del archivo .LAS, el proceso de clasificación y cálculo de distancias entre el conductor y la vegetación es fundamental para asegurar la seguridad y el mantenimiento adecuado de las líneas de distribución eléctrica.
El flujo de trabajo para llevar a cabo esta tarea se basa en la división del área de estudio en una malla regular de teselas. El área de interés se divide en una malla regular compuesta por teselas a modo de tablero de ajedrez, donde cada tesela representa una unidad espacial de análisis. Esta estructura de teselas facilita el procesamiento y análisis de la información de manera más eficiente. El conjunto de teselas se convertirá en un archivo shapefile (.shp), que contendrá la representación espacial de la biomasa, permitiendo una visualización clara de la vegetación en relación con la infraestructura eléctrica.
A continuación, el flujo de trabajo para llevar a cabo esta tarea consiste en la clasificación de los puntos LiDAR. Empleando los datos del archivo .LAS (nube de puntos LiDAR), se clasifican los puntos según su categoría, específicamente aquellos correspondientes a la vegetación.
Después se procede al cálculo de distancias. Utilizando las herramientas automáticas de procesamiento LiDAR, se procede a calcular la distancia horizontal desde el centro de cada tesela hasta el punto más cercano de la vegetación clasificada. Esta medición asegura que se identifique con precisión la proximidad de la vegetación al conductor eléctrico.
Y finalmente se procede al enriquecimiento de cada tesela con información de distancia y altura. Cada tesela se complementa con dos valores clave: distancia horizontal, calculada desde el centro de la tesela hasta el punto de vegetación más cercano; y altura máxima de la vegetación, se mide la altura máxima dentro de cada tesela, utilizando los datos LiDAR clasificados.
Este proceso proporciona información detallada sobre la distribución de la vegetación y su proximidad a las líneas eléctricas, lo que es esencial para la gestión del riesgo de interferencia entre la vegetación y los conductores. Al contar con una representación espacial precisa y enriquecida con estos valores, se facilita la planificación del mantenimiento preventivo, reduciendo la probabilidad de interrupciones y asegurando el cumplimiento de normativas de seguridad.
Identificación de defectos visuales
El análisis automático de fotografías RGB se emplea para identificar y evaluar defectos visuales en conductores eléctricos y otros componentes de la infraestructura. Este método utiliza imágenes capturadas en el espectro visible para detectar anomalías que podrían indicar problemas operativos.
Para calcular y evaluar estos defectos a partir de fotografías RGB, en primer lugar se procede a la captura de imágenes RGB. Durante la realización de los vuelos programados con drones equipados con cámaras RGB se capturan imágenes de alta resolución de los conductores eléctricos y otros elementos relevantes de la infraestructura. Estas imágenes proporcionarán una representación visual detallada, que será la base para el análisis automático.
A continuación, se lleva a cabo el procesamiento de imágenes. Las imágenes capturadas se someten a un procesamiento inicial que incluirá la mejora de la calidad y la eliminación de ruidos. Se aplicarán técnicas de mejoramiento de imágenes para resaltar características clave y facilitar la identificación de defectos.
En el análisis mediante inteligencia artificial, se utilizarán algoritmos de inteligencia artificial (IA) y técnicas de aprendizaje automático para analizar las imágenes. Estos algoritmos están entrenados para reconocer patrones asociados con defectos visuales, como el desgaste en los conductores, problemas en aislantes y ausencia de antiescalos.
También se procede a la clasificación de defectos. Los algoritmos clasificarán los defectos identificados en función de su severidad y tipo. Se asignará un nivel de riesgo a cada defecto, lo que permitirá priorizar las acciones correctivas necesarias. Y se desarrolla la evaluación de cumplimiento normativo. Los defectos visuales detectados se compararán con las normativas y estándares técnicos aplicables para determinar si cumplen con los requisitos establecidos. Se identificarán aquellos defectos que excedan los umbrales de aceptación definidos en las regulaciones.
Por último, los resultados del análisis se documentarán en informes detallados que incluirán las ubicaciones exactas de los defectos visuales, las descripciones de los tipos de defectos encontrados y su severidad, y las recomendaciones para la reparación o mitigación de los defectos identificados. Y finalmente los hallazgos del análisis se integrarán en el sistema de gestión de mantenimiento, actualizando la base de datos con la información sobre los defectos visuales detectados.
Otras funcionalidades avanzadas
Adicionalmente a la detección de defectos de distancia y defectos cromáticos y geométricos se establecen una serie de funciones avanzadas basadas en la identificación de árboles secos/enfermos, la detección de cruzamientos de la red, la tensión y ecuaciones por fase, y el cálculo de defectos a partir de imágenes termográficas.
Para la identificación de árboles secos/enfermos, en el análisis de las fotografías obtenidas durante los vuelos, se pueden utilizar técnicas avanzadas de inteligencia artificial (IA) y algoritmos de reconocimiento de imágenes para identificar las ubicaciones de árboles secos o enfermos que puedan representar un riesgo para las líneas de distribución eléctrica. Los algoritmos de IA entrenados con grandes volúmenes de datos relacionados con la vegetación analizarán las imágenes. Estos algoritmos están diseñados para reconocer patrones específicos asociados con árboles que muestran signos de estrés, sequedad o enfermedad. Los indicadores de mala salud, como el cambio en el color del follaje (de verde a marrón o amarillo), la pérdida de densidad o irregularidades en la estructura, serán identificados automáticamente por el sistema como riesgo para la infraestructura.
Por otro lado, a partir de la información capturada en los vuelos y combinada con inventarios de activos georreferenciados, se puede realizar la detección de cruzamientos mediante análisis espaciales. Estos análisis identifican los puntos donde dos o más líneas eléctricas se intersectan, independientemente de su nivel de tensión. Para esto, se utilizarán herramientas avanzadas de GIS que permiten localizar con precisión todos los puntos de intersección entre los distintos tipos de líneas.
En las áreas donde se detecten estos cruzamientos, se procede al cálculo de las distancias entre los conductores principales y secundarios. Este cálculo se realiza utilizando herramientas de análisis espacial dentro del GIS, que miden las distancias mínimas entre las líneas en cada punto de intersección. Una vez calculadas las distancias, se validan en relación con las normativas vigentes que establecen los requisitos reglamentarios para las distancias mínimas entre diferentes tipos de conductores eléctricos. Esto incluye parametrizar las regulaciones específicas para cada nivel de tensión (AT, MT, BT, alumbrado público) y comparar las distancias medidas en los puntos de cruzamiento con los valores mínimos permitidos.
Tensión y ecuaciones por fase
Los datos capturados con tecnología LiDAR ofrecen una nube de puntos tridimensional que incluye no solo los conductores eléctricos, sino también otros elementos del entorno. A partir de esta nube, se aplican procesos de clasificación para identificar específicamente los puntos que corresponden a los conductores de la catenaria.
Una vez clasificados los puntos que pertenecen a los conductores, se aplican técnicas de ajuste de curvas para modelar la forma y trayectoria de cada conductor. Estos modelos matemáticos describen la catenaria a través de ecuaciones que representan su curvatura y posición en el espacio.
El ajuste de curvas se basa en los principios de la física de la catenaria, que describe cómo se comportan los conductores eléctricos suspendidos bajo su propio peso y las fuerzas que actúan sobre ellos.
Con esta información se calcula información importante, como la tensión de los conductores, un parámetro esencial que depende de la longitud del vano, el peso del conductor y las condiciones ambientales; y la longitud de los conductores, se determinará la longitud real de cada fase del conductor, teniendo en cuenta su forma curvada y la distancia entre los puntos de soporte.
Detección de defectos a partir de imágenes termográficas
El análisis de imágenes termográficas se utiliza para identificar y evaluar defectos en los conductores eléctricos y otros componentes de la infraestructura. Este método, que se basa en la captura de imágenes de radiación infrarroja, permite detectar variaciones de temperatura que pueden indicar problemas subyacentes en los equipos eléctricos.
El proceso para calcular y evaluar estos defectos utilizando imágenes termográficas comienza con la captura de imágenes termográficas. Se llevarán a cabo vuelos programados con drones equipados con cámaras termográficas para capturar imágenes de los conductores eléctricos y otros elementos de la infraestructura. Estas imágenes proporcionarán una representación visual de la distribución de temperaturas, permitiendo identificar áreas que se desvían de las condiciones normales de operación.
A continuación, las imágenes termográficas capturadas se procesarán para mejorar su calidad y resaltar las variaciones térmicas. Se aplicarán técnicas de análisis de imágenes para identificar automáticamente puntos de interés, como conexiones, aislantes y secciones de los conductores que presenten diferencias de temperatura significativas.
A partir del análisis de las imágenes termográficas, se buscarán patrones y anomalías térmicas que puedan indicar defectos, como las sobrecargas eléctricas, conexiones defectuosas, y aislamiento deteriorado. Y en cuarto lugar se procede al cálculo de parámetros térmicos. Se calcularán parámetros térmicos específicos, como la diferencia de temperatura entre los puntos críticos y las condiciones normales de operación. Este análisis cuantitativo permitirá priorizar los defectos según su gravedad y riesgo potencial.
Seguidamente se lleva a cabo la evaluación y validación de los resultados. Los defectos identificados se validarán comparando los datos obtenidos con las normativas y estándares técnicos aplicables. Se determinará si las temperaturas detectadas superan los umbrales aceptables establecidos por las regulaciones, asegurando así que los componentes se encuentren dentro de los límites operativos seguros.
Los resultados del análisis se documentarán en informes detallados que incluirán las ubicaciones exactas de los defectos identificados; las temperaturas medidas y las diferencias respecto a los valores normales; y una evaluación de la gravedad de cada defecto y recomendaciones para su mitigación o reparación.
Finalmente, se integrarán los hallazgos en el sistema de gestión de mantenimiento, actualizando la base de datos con información georreferenciada sobre los defectos detectados.