AI assistant for grid installation works

Abstract

Este trabajo trata de optimizar el uso de algoritmos inteligentes en la toma de decisiones en procesos reales a los que se enfrentan las empresas de distribución eléctrica. En concreto, el uso de algoritmos que basan su aprendizaje en un conjunto de datos de imágenes supone una gran revolución en las tareas iterativas y de uso intensivo de recursos. Por último, a nivel técnico, se ha utilizado la red de algoritmos YOLOv5, a la que se puede acceder de forma gratuita y que permite entrenar conjuntos de datos de forma rápida y con grandes resultados. El objetivo final del documento, además de dar a conocer este tipo de algoritmos y las redes neuronales que hay detrás, es optimizar los parámetros de precisión, tiempo de entrenamiento y memoria de la GPU utilizada en el proceso de entrenamiento y validación del algoritmo, para ello se han analizado varias técnicas de forma individual, como el uso de Data Augmentation o Transfer Learning, para clasificar las eficiencias obtenidas y, a partir del análisis de las técnicas, construir un algoritmo entrenado y validado de forma optimizada y analizar los resultados finales una vez alimentado con imágenes de diferentes categorías.

This paper is about optimising the use of intelligent algorithms in decision-making in real processes faced by electricity distribution companies. In particular, the use of algorithms that base their learning on an image dataset is a major revolution in iterative, resource-intensive tasks. Finally, on a technical level, the YOLOv5 algorithm network has been used, which can be accessed for free and allows datasets to be trained quickly and with great results. The final objective of the document, apart from making known this kind of algorithms and the neural networks behind them, is to optimise the parameters of accuracy, training time and memory of the GPU used in the training process and validation of the algorithm, for this, various techniques were analysed individually, such as the use of Data Augmentation or Transfer Learning, to classify the efficiencies obtained and, based on the analysis of the techniques, build a trained and validated algorithm in an optimised way and analyse the final results once it was fed with images of different categories.