Fingrid Oyj, verkkotoimikunnan kokous 2.12.2015 Asiakkaiden 110 kv haarajohtojen lentotarkastukset PKS Sähkönsiirto Oy Jarkko Ronkainen
1. PKS Sähkönsiirto Oy esittely 2. Haarajohtojen 110kV lentotarkastus
PKS Sähkönsiirto Oy, tunnuslukuja v. 2014 Liikevaihto 47 milj. euroa 89 000 asiakasta (käyttöpaikkaa) Verkostopituus 22 000 km 110- ja 45kV 320 km Verkostoinvestoinnit 28 milj. euroa PKS Joensuu
HAARAJOHTOJEN 110KV LENTOTARKASTUS
LENTOTARKASTUS Tausta Aloitettiin uuden toimittajan, Sharper Shape Oy, kanssa lentotarkastukset, josta reilut 2000 km lennettiin 2014. Elokuun 2015 alkuun saatiin lennettyä koko verkko siirto- ja keskijänniteverkon osalta. Laserkeilausmateriaalista tehtiin yhdessä toimittajan kanssa määrittely riskipuu- ja puunkorkeusanalyysille tarvittavine lähtötietoineen. Riskipuuanalyysi tehdään koko johtoalueelle sekä johtoalueen ulkopuolisille puille riskien havaitsemiseksi ja puuvarmuuden luokittelemiseksi. 23.11.2015
LENTOTARKASTUS Tiedonkeruumenetelmä Tiedonkeruu suoritettiin samoilla lennoilla siirtoverkon määräaikaistarkastuksen kanssa, jossa kerättiin samalla laserkeilausaineisto koko johtoalueen raivausanalyysia varten sekä viistokuva-aineisto komponenttitarkastusta varten. Helikopterilennot ja tiedonkeruu oli optimoitu siten, että laserkeilausaineiston kattavuus on riittävä riskipuuanalyysiä varten, ottaen kuitenkin huomioon viistokuva-aineiston riittävän tarkkuuden komponenttitarkastusta varten. 23.11.2015
TIEDONKERUUPROSESSI Tiedonkeruuprosessi sisältää seuraavat vaiheet: Lentosuunnittelu Helikopterilennot, varsinainen tiedonkeruu o Laserkeilausaineiston raakadata ja kuva-aineisto tallennetaan tiedonkeräysyksikköön Laserkeilausaineiston jälkiprosessointi georeferoituun 3D-pistepilviformaattiin o Tiedostomuoto: LAS o Koordinaatisto: ETRS89-TM35 o Korkeusjärjestelmä: N2000 Aineiston laadun ja kattavuuden valvonta.
Määräaikaistarkastukseen liittyvä lentotarkastusprosessi menee karkeasti tällä hetkellä näin, 1. Lentoalueiden valinta -> lennettiin kokonaan Sj- ja kj verkot 2014-2015 vuosien aikana ja jatkossa lennetään tiettyjä kokonaisuuksia tietyssä syklissä 2. Ohjeistus ja asioiden speksaus 3. Kilpailutus / tarjouskysely 4. Toimittajan valinta 5. Verkkotietokannan ja ohjeiden sekä tarkastushierarkioiden toimitus 6. Toimittajan ja operaattoreiden perehdytys 7. Testilennot -> laadullisen referenssimateriaalin tuottaminen ja hyväksyminen 8. Lentosuunnittelu (operaattorit ja toimittaja tekee, johon annettu meidän vaatimukset prioriteeteista ja toimitettavista kokonaisuuksista - > Sj-johto-osa kokonaisuus) 9. Tuotantolennot (Sj-verkko ensimmäisenä) -> samalla lennolla keilaus ja komponenttikuvaus. 10. Lento-operaattori (BLOM ja Terratec) tuottaa toimittajalle (Shaper Shape Oy) raakadatan 11. Materiaalin laatu- ja kattavuustarkastus toimittajalta ennen aineiston toimittamista tilaajalle 12. Valmiin raakamateriaalin toimittaminen tilaajalle n. 1000 km osissa siirtokovalevyillä = varmuuskopiot +NAS 13. Materiaalin käyttäminen toimittajan sovelluksen kautta pilvipalvelusta -> tarkastaja tarkastaa komponentit sovelluksen avulla lentäen koko johtoosan. Myös muu henkilökunta pääsee jatkossa tarvittaessa kuvamateriaalia hyödyntämään 14. Kaikki havainnot ovat siirrettävissä tilaajan järjestelmiin
PROSESSIN KUVAUS Lennot Pilvi Pilvi 8,9 Sharper 10,8Yhtiön palvelimet Shape ja työasemat palvelimet Yhtiön tietokannat Ja muut järjestelmät
TEKNISET OMINAISUUDET Tiedonkeruumenetelmän teknisten ominaisuuksien yhteenveto: Lentoreitti: PKSS:n SJ-verkon keskilinjatieto Lentokorkeus: noin 70 metriä Tiedonkeruukonfiguraatio o Laserkeilausalueen leveys: noin 60 metriä puunlatvojen tasolla o Laserkeilain o Keilaimen avauskulma: 60 astetta o Pistetiheys: 50 pistettä / m2 o Viistokamerat (etu- ja taka) o Pystykamera, kohtisuoraan alaspäin. 23.11.2015
Kuva 1, helikopterilennon konfiguraatio
TIEDONKERUUN KATTAVUUS Vuoden 2014 helikopterilennot toteutettiin Joensuun lentokentältä 13.07. 9.9.2014 välisenä aikana. Lisäksi vuonna 2015 lennettiin yksi johto-osuus. Kuva 2, PKSS:n SJ-verkon kattavuus.
RAIVAUSSANALYYSI Raivausanalyysi perustuu sähköverkon johtoaukean ja reunavyöhykkeen kattavaan laserkeilausaineistoon, joka mahdollistaa mittatarkan ja vertailukelpoisen analyysin tuottamisen. Analyysi tuotetaan Sharper Shapen kehittämällä ACCA-raivausanalyysiohjelmistolla, jonka toimintaperiaate on kuvattu seuraavassa: Kuva 3, Raivausanalyysi
RAIVAUSANALYYSI Raivausanalyysikartat sisältävät kunkin yksittäisen riskipuuhavainnon reunavyöhykkeellä ja sen ulkopuolella ja johtoaukean kaventumapuut sekä johtoaukean raivauksen. Riskipuu on määritelty siten, että tällaisen puun korkeus on suurempi kuin kyseisen puun 3D-etäisyys puun juuresta johtimen törmäyspisteeseen. Raivausanalyysikartat on tuotettu PDF-formaatissa eri vuosille keskimääräisen kasvumallin avulla. Lisäksi vastaavat havainnot on tuotettu XML- ja Shape file muotoon,
TULOSTEN RAPORTOINTI Raivausanalyysiraportoinnin perusteella tuotetaan seuraava raportointi: Pohjanraivausanalyysi Riskipuuanalyysi Puunkorkeustietoaineisto Statistiikka
POHJANRAIVAUSANALYYSI Pylväsvälikohtainen johtoaukean värikoodaus noudattaa seuraavaa, pahimman kasvillisuusetäisyyshavainnon mukaan 0-2 metriä punainen 2-4 metriä oranssi 4-6 metriä tumman vihreä Yli 6 metriä vaalean vihreä. Pylväsväliltä saadaan pdf kartasta klikkaamalla poikkileikkauskuva
RISKIPUUANALYYSI Riskipuuanalyysi ottaa huomioon koko johtoalueen geometrian sisältäen: Johtoaukean alueen, 26 metriä 110kV, 24 metriä 45kV Reunavyöhykkeet viisteineen Reunavyöhykkeen ulkopuoliset puut. Riskipuuanalyysi tuottaa havainnot pylväsväleittäin luokiteltuna seuraavasti: Riskipuu, johtimelle tai komponenttiin kaatuva puu o Johtoaukealla o Reunavyöhykkeellä o Reunavyöhykkeen ulkopuolella Viisteen geometrian ylittävät puut Kaventumat, johtoaukealle kasvaneet puurungot. Kuva 4, SJ-verkon geometria, 110kV
Kuva 5, Raivausanalyysi kartta Tummanharmaa piste = kaventuma Punainen piste = ylipitkä reunavyöhykepuu Violetti piste = ylipitkä reunavyöhykkeen ulkopuolinen puu
PUUNKORKEUSTIETOAINEISTO Puunkorkeustieto tuotetaan puunmallinnuksen perusteella pikselikoolla 3x3 metriä kokoiselle vektoriformaatissa olevalle ruudukolle, jossa kullekin ruudulle ilmoitetaan attribuuttina korkeimman puun korkeustieto mittaushetkellä ja viidelle tulevalle vuodelle kasvumallin avulla tuotettuna. Tämä antaa näkymää tulevien vuosien raivaustarpeille, jonka kasvumalli tarkentuu selkeästi toisella lentokerralla.
STATISTIIKKA Raivausstatistiikka eli mittaustulokset ovat laskettu Excelformaattiin kullekin johtotunnukselle vuosille 2014 (tarkastusvuosi) 2019 vuoden lopun tilanteen mukaisesti. Exceliä voidaan hyödyntää seuraavalla tavalla: Voidaan valita vuosi, jonka perusteella raivaussuunnittelu halutaan tehdä Voidaan järjestää taulukon tilastoja halutun sarakkeen mukaisesti, esim. Johtoaukean kaventuman pituus Yksittäisten riskipuiden määrä Raivaustarve Hinta Kannattavuus joko metsäkoneelle tai HEKO:lle Raivausmenetelmien hintaparametrit voidaan asettaa Exceliin alueittain tai urakoitsijoittain.
KOMPONENTTITARKASTUS Pilvipohjainen tarkastussovellus, toimittaja Sharper Shape Oy Tukee mm. seuraavia mediatyyppejä: viistokuvat, nadir-kuvat, kartta-aineisto, LIDAR-aineisto, teemoitetut karttatasot Hakuominaisuudet esim. muuntamotunnukset, koordinaattien tai kartan avulla Tehdään tarkastus työpöydän ääressä viisto- ja nadir-kuvien perusteella Voidaan 8,9exportata esim. Shape-file 10,8 muotoon sekä XMLrajapinnan kautta PG:iin
TARKASTUSSOVELLUKSEN TULEVAT KEHITYSKOHTEET Huoltoaluekohtainen kartasto ja statistiikka Kasvillisuuden havaintomassan raportointi priorisointia varten Kartasto tuotettu nyt PDF-formaatissa Statistiikkaa tuotettu Excel-formaattiin Jatkossa sama informaatio selattavissa Sharper Inspection - sovelluksessa monipuolisesti Statistiikka voidaan tuottaa halutulle suunnittelua tukevalle aluejaolle Puustovolyymi ACCA-mallinnuksen avulla tuotettu puumassadata (kok.kuutiomäärät, kpl ja keskijäreys) - sijainti, korkeustieto Tästä voidaan tuottaa puuvolyymiraportointi haluttuun formaattiin, jota voidaan hyödyntää ulkoisissa järjestelmissä
TARKASTUSSOVELLUKSEN TULEVAT KEHITYSKOHTEET Analyysitoiminnallisuudet ACCA-analyysin jatkuva kehittäminen Useamman sensorin hyödyntäminen analyysissä esim. multispektrikamera => puulajitunnistus => mahdollistaa vieläkin tarkemman kasvillisuushavaintojen tuottamisen, parantaa puiden erottelukykyä, mahdollistaa tarkemman puuvolyymiraportoinnin Kuvattujen raportointiformaattien tuotteistaminen, tulevat olemaan osa tuotetta ACCA-analyysin raportointi tulee toimimaan applikaatioina Sharper Inspectionsovelluksessa Raportointi voidaan exportata määriteltyihin formaatteihin ja ulkoisiin järjestelmiin
EDUT vs PERINTEINEN LENTOTARKASTUS Perinteinen tarkastus = tarkastaja helikopterissa Uuden tyyppinen = tarkastaja toimistossa Miehitetty Miehittämätön
EDUT vs PERINTEINEN LENTOTARKASTUS Ohessa hieman asioita/etuja joita meidän näkemyksen mukaan uudella toimintamallilla saavutetaan: Kasvillisuuteen perustuvat havainnot ovat ihmisen tekemänä aina subjektiivisia ja siten priorisointi subjektiivisen datan pohjalta on vaikeampaa verrattuna tietokoneen systemaattiseen kasvillisuuden riskiarviointiin Keilaimen datasta tehtävä kasvillisuuden riskiarviointi on myös tarkempaa ja se mahdollistaa kasvumallien käytön jolloin pystytään 8,9 ennakoimaan milloin 10,8 kasvillisuudenhallinta toimet tulevat tarpeelliseksi. Jatkuva algoritmien kehitys mahdollistaa paremman ja tarkemman Laserdatan luokittelun ja siten riski- /uhkapuiden yksilöllinen identifiointi on mahdollista. Keilaimen datasta voidaan tuottaa johtoalueiden poikkileikkauskuvia sekä korkeus- ja pintamalleja
EDUT vs PERINTEINEN LENTOTARKASTUS Saadaan tarkka paikkatieto havaituista kohteista, jotta nopeat sekä tarkat korjaavat toimenpiteet mahdollistuvat Kaikki kerätty sensori data ladattu pilvipalveluun, josta se voidaan jakaa kaikille yhtiön prosessiin liittyville helposti ja nopeasti Eri sensoreiden tuottamaa tietoa voidaan yhdistää, jolloin saadaan kattavampi ja havainnollisempi tulos verrattuna yhteen sensorilähteeseen perustuvassa analyysissä. Kohteeseen voidaan palata työpöydän äärestä, joka säästää kustannuksia Kaikki data on paikkatietoon sidottua
EDUT vs PERINTEINEN LENTOTARKASTUS Perinteisissä malleissa, joissa tulee vain vikahavainto tai käsivaralla otettu kuva, ei saada välttämättä selville koko totuutta viasta joka voi jopa aiheuttaa ylimääräisen käynnin vikapaikalla. Hankala tilanne, jos vian korjaaminen vaatii muita työkaluja tai osia kuin mukana olevia. Kuvasta pystyy näkemään tarkalleen mikä vika havainnon on aiheuttanut ja urakoitsijat osaavat varautua oikeilla työkaluilla sekä osilla Data on tarvittaessa käytettävissä, niin asiakaspalvelussa, kuin verkonkehittämis- ja rakentamisyksiköissä sekä maankäytössä
EDUT vs PERINTEINEN LENTOTARKASTUS Kattava ja objektiivinen tieto yhdessä kasvumallien kanssa mahdollistaa kunnossa- ja ylläpidon suunnittelun automatisointia taloudellisen optimoinnin pohjalta. Asiakas voi tämän jälkeen suunnitella omat toimensa nopeammin ja kustannustehokkaammin Jatkossa otetaan uusia sensoreita käyttöön, kuten multispektri kameroita, jotka pystyvät havaitsemaan eristimien ympärille muodostuvan koronan ja tukemaan puustontunnistusta tai lämpökameroita jotka pystyvät tunnistamaan komponenttien vikaantumiset ennen kuin niissä on silmin havaittavaa vahinkoa.
EDUT vs PERINTEINEN LENTOTARKASTUS Miehittämättömiin lentoihin, droneihin pohjautuva tarkastustoiminnan melu ja ympäristöhaitat ovat suhteellisen pienet ja droneilla voidaan toimia niiden hiljaisesta äänestä johtuen myös karjatilojen läheisyydessä sekä taajamissa 8,9 haittaa 10,8 aiheuttamatta Voidaan lentää 20-30 metrin korkeudessa-> kuvien laatu vieläkin tarkempi Kustannukset, jopa -50%
TULEVAISUUS? Kuva 7, Tulevaisuus? Lähde: Lentorobottien pilotointi sähköverkon Tarkastuksissa, tutkimussuunnitelma
Mallidataa
Kuva 8, Viistokuva, etukamera
Kuva 8.1, saman viistokuva suurennos
Kuva 9, Viistokuva suurennos
Kuva 10, Viistokuvaa sähköasema kentästä
Kuva 11, Keilaimen raakadataa samasta sähköasema kentästä
Kiitos!