غالباً ما تكون معلومات نظام الطاقة لتخطيط الوصول إلى الكهرباء مثل مواقع وتوصيل أبراج نقل وتوزيع الكهرباء، والتي يطلق عليها شبكة الطاقة الكهربائية غير مكتملة أو قديمة أو غير متوفرة تماماً، وعلاوة على ذلك؛ فإن الوسائل التقليدية لجمع هذه المعلومات مكلفة ومحدودة.
الهدف من الرسم التلقائي لخرائط شبكات الطاقة الكهربائية
يعد توفير الوصول إلى الطاقة المستدامة والموثوقة والميسورة التكلفة أمراً حيوياً لازدهار المجتمعات الحديثة واستدامتها، وهو الهدف رقم (7) من أهداف التنمية المستدامة للأمم المتحدة (SDG7)، بحيث ترتبط زيادة الحصول على الكهرباء بالنتائج التعليمية والصحية والمساواة بين الجنسين والنتائج الاقتصادية الإيجابية، بحيث سيتطلب ضمان الوصول إلى الطاقة خلال العقود القادمة وتحقيق الهدف السابع من أهداف التنمية المستدامة.
كما أن هناك تخطيطاً دقيقاً من المنظمات غير الربحية والحكومات والمرافق لتحديد مسارات الكهرباء لتلبية الطلب المتزايد بسرعة على الطاقة، ومن الموارد الحاسمة لاتخاذ هذا القرار معلومات عالية الجودة حول أبراج نقل وتوزيع الطاقة الحالية، بالإضافة إلى خطوط الكهرباء التي تربطها وذلك حسب الشكل التالي (1)، كما نشير بشكل جماعي إلى هذه البنى التحتية بشبكة الطاقة (PG).
كما تعتبر المعلومات حول المواقع الدقيقة لأبراج (PG) وربط الخطوط أمراً بالغ الأهمية لصناع القرار لتحديد حلول فعالة من حيث التكلفة لتوسيع نطاق الوصول الموثوق والمستدام إلى الطاقة، على سبيل المثال؛ فإنه يمكن استخدام هذه المعلومات جنباً إلى جنب مع أدوات النمذجة مثل أداة الكهربة المكانية مفتوحة المصدر (OnSSET) لتحديد المسار الأمثل للكهرباء، وهي تمديد الشبكة أو أنظمة خارج الشبكة مثل الطاقة الشمسية.
ولسوء الحظ، غالباً ما تكون معلومات (PG) المتاحة لصانعي القرار محدودة، وغالباً ما تكون بيانات (PG) الحالية غير كاملة أو قديمة أو ذات دقة مكانية منخفضة أو ببساطة غير متوفرة، وعلاوة على ذلك؛ فإن الطرق التقليدية لجمع بيانات (PG)، مثل المسوحات الميدانية أو تجميع سجلات شركة المرافق، إما أن تكون مكلفة أو تتطلب اتفاقيات عدم التنفيذ.
تعيين الشبكة الكهربائية باستخدام الصور العلوية
في الآونة الأخيرة، أظهرت نماذج التعلم العميق، أي الشبكات العصبية العميقة (DNNs)؛ أداءً رائعاً في مهام التعرف المرئي، بحيث يوجد الآن دليل على أن (DNNs)، كما تحقق دقة مماثلة للبشر في مجموعة متنوعة من مهام التعرف البصري الفريدة، على سبيل المثال، تصنيف الصور الطبيعية وأنواع عديدة من الصور الطبية وغالباً ما يتعرف البشر على أبراج وخطوط (PG) في الصور العلوية عالية الدقة.
وعلاوة على ذلك، تم إظهار (DNNs) أيضاً قادرة على تعيين مجموعة متنوعة من الكائنات بدقة عالية في الصور الملونة عالية الدقة، مثل المباني والطرق والمصفوفات الشمسية، وعلى الرغم من أن هذه النماذج لا تحقق دقة التعرف التامة؛ إلا أنها غالباً ما تكون دقيقة بما يكفي لدعم التطبيقات النهائية، بما في ذلك تطبيقات الطاقة، كما تتضمن بعض الأمثلة تقدير استهلاك الكهرباء للمباني وتقدير قدرة توليد الكهرباء للمصفوفات الشمسية السكنية ودراسة تأثيرات النظراء لملكية مجموعة الطاقة الشمسية السكنية.
مخرجات الرسم البياني الجغرافي لأنظمة الشبكة الكهربائية
لسوء الحظ، لا تنتج نماذج (DNN) الحالية مخرجات في شكل رسم بياني جغرافي مكاني، خاصةً الذي يمتد عبر صور إدخال متعددة، بحيث تم إجراء بعض الأعمال ذات الصلة الحديثة لمشكلة رسم خرائط الطريق، حيث تستنتج النماذج الحديثة الرسوم البيانية الجغرافية المكانية على الصور العلوية، ومع ذلك؛ فإن هذه الأساليب تضع افتراضات مختلفة اختلافاً جوهرياً حول بنية الرسم البياني الأساسي والميزات المرئية المرتبطة به، مما يحد من قابليتها للتطبيق على مشكلة تعيين (PG).
كم أن التحدي الثاني هو أن البنية التحتية (PG)، بحيث تُظهر ميزات مرئية ضعيفة وموزعة جغرافياً في الصور العلوية، مما يجعل المشكلة فريدة وصعبة على حد سواء، بحيث يوضح الشكل التالي (3) السمات المرئية الضعيفة للبنية التحتية (PG) في أمثلة تمثيلية لـ (a) التوزيع و (b)، وهي البنية التحتية للإرسال (PG)، وبالنظر عن كثب إلى الشكل (3-a)؛ فإنه من الواضح أن أبراج (PG) تظهر عدداً قليلاً جداً من الميزات المرئية (إن وجدت) ، وذلك بصرف النظر عن ظلالها.
ومع ذلك؛ فإن قوتهم ومظهرهم المرئي يختلفان ولا يتواجدون دائماً، على سبيل المثال اعتماداً على الوقت من اليوم، بحيث تظهر خطوط (PG) عادةً كخطوط بيضاء أو سوداء رفيعة لا تكون مرئية إلا بشكل متقطع نظراً لتباينها المتباين مع الخلفية المحلية، على سبيل المثال تصبح الخطوط البيضاء باهتة أو تختفي عند عبورها لخلفية شاحبة، ومن الملاحظ أيضاً أن البنية التحتية للإرسال تميل إلى أن تكون سهلة الاكتشاف نسبياً لأنها أكبر بكثير، ومع ذلك؛ فهو أيضاً نادر جداً أكثر من البنية التحتية للتوزيع الكهربائي.
المساهمة التي أظهرتها عملية الرسم التلقائي لخرائط الشبكة الكهربائية
في هذا العمل، تم تقديم مساهمتين أساسيتين ونضع الأسس لنهج عملي لرسم خرائط (PG) باستخدام الصور العلوية، أولاً القيام بتطوير مجموعة بيانات من صور الأقمار الصناعية عالية الدقة التي تغطي مساحة (263) كيلومتراً مربعاً عبر سبع مدن وإصدارها علناً، على سبيل المثال مدينتان في الولايات المتحدة الأمريكية وخمس مدن في نيوزيلندا.
ولجعل الوصول إلى مجموعة البيانات أكثر سهولة؛ فقد تم انشاء موقعاً إلكترونياً يحتوي على إرشادات لاستخدام مجموعة البيانات، وحيث يمكن تنزيلها، وفي هذا العمل يتم استخدام صوراً بمسافة أخذ عينات أرضية تبلغ (0.3) متر، كما أن الدافع الأساسي لاختيار هذا القرار هو أنه أعلى دقة يتم استخدامها أيضاً على نطاق واسع للبحث في التعرف على الأشياء في الصور العلوية.
كما أن الصور في هذا القرار متاحة تجارياً في جميع أنحاء العالم، مما يجعل أي تقنيات تم تطويرها باستخدامها قابلة للتطبيق على نطاق واسع، بحيث تتضمن مجموعة البيانات الخاصة بنا كلاً من الصور والتعليقات التوضيحية اليدوية المقابلة لأبراج النقل والتوزيع (كمستطيلات) وخطوط الطاقة التي تربطها (كأجزاء خطية)، مما يجعل من الممكن تدريب أساليب التعلم العميق والتحقق من صحتها لرسم خرائط (PG).
كما تم القيام أيضاً بإجراء اختبارات إضافية لتقييم جودة التعليقات التوضيحية اليدوية، ولتمكين اختبار قياس الأداء في المستقبل؛ فقد تم وصف إجراء معالجة البيانات للتدريب والتحقق من النماذج وتم اقتراح مقاييس لتسجيل المخرجات الرسومية للنماذج.
وأخيراً ظهرت المساهمة الحقيقية لهذا العمل من خلال نموذج عميق وجديد يسمى (GridTracer)، بحيث يقوم بالخطوة الأولى نحو معالجة التحديات الفريدة لرسم خرائط (PG) في الصور العلوية، كما يقوم (GridTracer) بتقسيم خرائط (PG) بشكل فعال إلى ثلاث خطوات أبسط، وهي اكتشاف البرج وتجزئة الخط واستدلال الرسم البياني (PG).
وفي الكشف عن البرج؛ فقد تم استخدام نموذج عميق للكشف عن الأشياء لتحديد الموقع والحجم (على سبيل المثال، مع الصندوق المحيط، وذلك لأبراج (PG) الفردية، وفي تجزئة الخط تم استخدام نموذج تجزئة الصورة العميقة لتوليد نقاط من حيث البكسل، مما يشير إلى احتمال وجود خط (PG)، وفي استدلال الرسم البياني (PG؛ فقد تم دمج ناتج الخطوتين (1) و (2) على مناطق جغرافية كبير.
