Планування місій
Autonomous Flight Planning Agent аналізує погоду, інсоляцію та історію ремонтів, автоматично формуючи оптимальні польотні завдання для дронів.
Задача
Клієнт керує портфелем сонячних електростанцій сумарною потужністю понад 250 MW. Обслуговування було реактивним: планові виїзди інженерів, дрони і ручний аналіз тисяч термографічних знімків, компоненти замінювали лише після виходу з ладу.
Потрібна була система, яка не просто виявляє аномалії, а пріоритезує їх за фінансовим впливом, розділяє критичні дефекти від тих, що можуть почекати, оптимізує логістику виїзних бригад і будує цифрові двійники станцій.
Що зробили
Інтегрували 7 спеціалізованих AI-агентів, що перетворюють дані інспекцій на управлінські рішення
Мультиспектральний аналіз
Multi-Spectral Inspection Agent обробляє RGB-знімки, термограми, GPS-координати та телеметрію SCADA, зіставляючи їх з реальним виробітком станції.
Пошук першопричин
Root Cause Analysis Agent визначає точне джерело аномалії: забруднення, деградація комірки, затінення, обрив кабелю чи збій інвертора.
Розрахунок фінансових втрат
Revenue Impact Agent замість абстрактного списку браку виводить точні фінансові метрики: втрати генерації в kWh і упущену вигоду в доларах на рік.
Прогнозування відмов
Predictive Failure Agent розраховує ймовірність виходу з ладу інверторів, стрінгів або панелей на горизонтах у 30, 90 і 180 днів.
Управління ремонтами
Maintenance Optimization Agent групує дефекти за географічними кластерами, розставляє пріоритети для техніків і генерує наряди на роботу.
Цифровий двійник
Digital Twin Agent створює тривимірну інтерактивну модель станції для моделювання сценаріїв деградації та прогнозування ROI ремонтів.
Ключові архітектурні рішення
Ключова складність була не у виявленні аномалій, а в їхній фінансовій пріоритезації
Пріоритезація за фінансовим впливом
Кожна аномалія оцінюється не тільки технічно, а й у грошовому еквіваленті втраченої генерації
Комп'ютерний зір для мультиспектрального аналізу
YOLOv11 і SegFormer для сегментації теплових аномалій на термограмах
Геопросторова прив'язка дефектів
PostGIS і Mapbox точно локалізують кожну аномалію на карті станції
Цифровий двійник для прогнозування ROI
3D-модель дозволяє моделювати сценарії старіння модулів до фактичного ремонту
Результат
Через 6 місяців експлуатації платформа досягла 95% автоматичного розпізнавання аномалій, а час обробки даних інспекцій скоротився на 82%.
Кількість позапланових ремонтів впала на 41%, втрати генерації через приховані дефекти знизилися на 27%, підготовка звітності для регуляторів прискорилася у 3.4 раза.
Платформа щорічно зберігає та повертає клієнту понад $500 000 виручки завдяки переходу з реактивного обслуговування на предиктивну аналітику.
— Наші статті
