Introduction : La transformation d'actifs en réseau grâce aux données

Ces composantes du réseau peuvent avoir une durée de vie de 30 à 60 ans et les gérer efficacement tout au long de ce cycle de vie est un impératif financier et opérationnel. Au cours de la dernière décennie, l'adoption de l'analyse des données a fondamentalement modifié la façon dont les services publics planifient, exploitent, maintiennent et remplacent ces actifs. En transformant les relevés bruts des capteurs, les registres d'inspection et les données opérationnelles en renseignements exploitables, l'analyse des données permet aux services publics de passer d'une maintenance réactive, basée sur le calendrier à des stratégies proactives, basées sur les conditions.

Le réseau énergétique évolue rapidement. Les ressources énergétiques distribuées, l'adoption de véhicules électriques et l'augmentation des phénomènes météorologiques extrêmes mettent un stress sans précédent sur les infrastructures vieillissantes.Dans ce contexte, la gestion statique et calendaire des actifs n'est plus viable. L'analyse des données fournit l'agilité pour identifier les risques émergents, allouer plus efficacement des capitaux limités et prolonger la durée de vie utile des actifs existants tout en maintenant la fiabilité et la sécurité.

L'importance de la gestion du cycle de vie des actifs

La gestion du cycle de vie des biens (GMA) comprend les activités coordonnées qui régissent un bien de grille d'un berceau à l'autre. Le cycle de vie typique comprend six phases : planification et spécification, achat et installation, mise en service, exploitation et entretien, remise à neuf ou mise à niveau, et déclassement ou remplacement.

Dans le secteur des services publics, la mauvaise gestion des terres peut avoir des conséquences surdimensionnées. Un seul transformateur peut se transformer en pannes généralisées, coûtant des millions de pertes de revenus, de frais de réparation et de pénalités réglementaires. Inversement, remplacer des actifs trop tôt gaspille des capitaux qui auraient pu être déployés ailleurs.

Les principaux défis de la GMA traditionnelle sont la visibilité limitée dans l'état des biens, le recours aux inspections manuelles, la fragmentation des données stockées dans des silos distincts (p. ex. systèmes de gestion du travail, SCADA, SIG et ERP) et le manque de capacités prédictives.

Rôle de l'analyse des données dans la gestion des actifs

L'analyse des données pour la gestion des biens de la grille s'appuie sur une vaste gamme de sources de données internes et externes :

  • Les données du capteur et de l'IoT:[ Les compteurs intelligents, les moniteurs de sous-station, les capteurs d'analyse de gaz dissous, les capteurs de température et d'humidité et les moniteurs de vibrations fournissent des flux d'état continu.
  • Données opérationnelles :[ Les journaux d'historiens SCADA, les dossiers de gestion des pannes, les profils de charge et les événements de commutation offrent un contexte de performance.
  • Les dossiers d'entretien:[ Les ordres de travail, les rapports d'inspection, les résultats des essais (p. ex., facteur de puissance, résistance à l'isolation, qualité de l'huile) documentent les interventions passées.
  • Données environnementales et géospatiales:[ L'histoire météorologique, la croissance de la végétation, les conditions du sol et la proximité des failles ou des zones de corrosion aident à évaluer les facteurs de stress externes.
  • Les données financières et réglementaires:[ Les budgets d'immobilisations, les calendriers d'amortissement et les exigences de conformité éclairent la prise de décisions économiques.

Les techniques d'analyse peuvent être classées en quatre niveaux de maturité. Analyse descriptive répond «Qu'est-ce qui s'est passé?» en résumant les tendances historiques en matière de performance et de maintenance. L'analyse diagnostique demande «Pourquoi est-ce arrivé?» en perçant les causes profondes des échecs ou des anomalies. Analyse préventive prévoit «Que se passera-t-il? à l'aide de modèles de reconnaissance des modèles et d'apprentissage automatique. Analyse descriptive[ recommande «Que devons-nous faire?» en simulant des scénarios, en optimisant les horaires et en quantifiant les compromis.

Par exemple, un utilitaire utilisant uniquement l'analyse descriptive peut savoir quelle sous-station a le plus d'opérations de rupture par an, mais une approche prescriptive peut recommander le mois exact pour cette révision de breakers pour minimiser le risque de panne et les coûts de travail supplémentaires.

Entretien prédictif

La maintenance prédictive est sans doute l'application la plus efficace de l'analyse des données dans la grille ALM. Plutôt que d'effectuer la maintenance à intervalles fixes (p. ex. tous les trois ans) ou d'attendre une défaillance, les modèles prédictifs estiment la durée de vie utile restante d'un actif et des composants de drapeau qui nécessiteront probablement une attention immédiate.

Les techniques prédictives courantes comprennent :

  • Modèles statistiques: Analyse de Weibull et fonctions de risque taux de défaillance du modèle en fonction de l'âge, de la charge et des covariables environnementales.
  • Classificateurs d'apprentissage de machine:[ Les machines à stimuler les gradients, et à soutenir les vecteurs peuvent classer les actifs comme «salissants», «inspecteurs des besoins» ou «critiques» en fonction de caractéristiques telles que les niveaux de gaz dissous, les opérations de changement de robinet et la température ambiante.
  • Deep learning for time series: De longs réseaux de mémoire à court terme (LSTM) et des autoencodeurs détectent des anomalies subtiles dans les flux SCADA qui précèdent les échecs.
  • Analyse de survie:[ Les modèles de risques proportionnels Cox prédisent le temps de l'échec tout en tenant compte des données censurées (actifs qui n'ont pas encore échoué).

Ces modèles sont généralement formés sur les données historiques de défaillance et les résultats de maintenance.Les principaux facteurs qui permettent d'obtenir des données marquées de haute qualité (p. ex., une distinction claire entre les événements «préventifs» et «correcteurs») et l'expertise du domaine pour sélectionner les caractéristiques pertinentes.Une fois déployés, les modèles prédictifs peuvent réduire les pannes imprévues de 30 à 50 % et réduire les coûts de maintenance de 15 à 25 %, selon les études du Institut de recherche sur la puissance électrique (EPRI) et du [U.S. Department of Energy (DOE).

Par exemple, l'analyse des gaz dissous (ADG) dans l'huile de transformateur est un prédicteur bien établi des défauts internes. En alliant les lectures de la DGA avec l'historique de charge et les tendances de température, un utilitaire peut calibrer un modèle thermique pour prévoir quand un transformateur isolation papier atteindra la fin de vie et programmer le reconditionnement ou le remplacement années à l'avance.

Optimisation du remplacement des biens

Pour décider s'il faut maintenir, remettre en état ou remplacer un bien de la grille, il faut équilibrer l'état technique, l'exposition au risque et les contraintes financières.

Un cadre d'optimisation de remplacement typique comprend :

  • Note d'évaluation de la condition :[ Note composite obtenue à partir des résultats des essais, de l'âge, de l'historique d'exploitation et des conséquences de défaillance (sécurité, environnement, réglementation et impact sur la clientèle).
  • Modélisation économique:[ Valeur actualisée nette (VAN) ou comparaison des coûts annuels équivalents entre «réparation et poursuite» et «replacer par de nouveaux». L'analyse tient compte des dépenses d'entretien futures, des coûts de défaillance prévus, des pertes d'énergie dues au vieillissement de l'équipement et de la valeur de récupération.
  • quantification du risque:[ Probabilité de défaillance multipliée par la conséquence d'une défaillance (p. ex., $ par MWh d'énergie non servie, pénalités pour violation des normes de fiabilité NERC ou régionales).
  • Optimisation du portefeuille:[ Les algorithmes de programmation linéaire ou heuristique sélectionnent les actifs à remplacer sur un horizon pluriannuel sous des contraintes budgétaires tout en maximisant la fiabilité ou la réduction des risques par dollar dépensé.

Les utilitaires avancés déploient maintenant des modèles numériques jumaux pour les actifs critiques qui simulent la dégradation liée à l'âge dans divers scénarios d'exploitation. Ces jumelles intègrent des données de capteur en temps réel avec des modèles basés sur la physique pour produire des estimations dynamiques de la durée de vie restante. Par exemple, un jumeau numérique d'un disjoncteur haute tension peut suivre l'usure cumulative sur les contacts d'arc, interrompre les cycles et les mécanismes de ressort, puis recommander le remplacement optimal avant qu'une révision de la durée de vie moyenne ne devienne peu rentable.

Un exemple important cité dans Transactions d'IEEE sur la livraison d'électricité décrit comment un opérateur de transport européen a utilisé une combinaison d'analyse de survie et d'optimisation des coûts pour reporter 12 % des remplacements prévus de sous-stations tout en réduisant le risque du système de 8 % sur un horizon de cinq ans.

Intégration des données et architecture des plates-formes

L'analyse des données ne se fait pas isolément. Elle nécessite une plate-forme de données robuste qui peut ingérer, stocker, nettoyer et traiter des flux de données hétérogènes. Les services publics modernes se déplacent vers des lacs de données basés sur le nuage ou des architectures de la maison de lac qui combinent des données structurées (p. ex., commandes de travail) avec des données semi-structurées (logs SCADA) et non structurées (photos d'inspection, images thermiques).

Les principaux éléments d'une plateforme d'analyse de grille sont les suivants :

  • Couche d'ingestion de données:[ API, files d'attente de messages (p. ex., MQTT, Kafka) et pipelines ETL qui tirent des données des périphériques de champ, des systèmes d'entreprise et des sources tierces.
  • Gouvernance des données:[ Gestion des données de base pour les identifiants d'actifs, les conventions de nommage cohérentes et les règles de qualité des données pour traiter les lectures manquantes ou erronées.
  • Analyse Moteur:[ Un environnement calculable évolutif (p. ex., Spark, Databricks, ou calcul sans serveur cloud) pour exécuter des modèles statistiques et des pipelines ML.
  • Visualisation et rapports : Tableaux de bord présentant les cotes de santé des biens, les listes de priorités de remplacement et les recommandations de maintenance aux planificateurs, aux ingénieurs et aux cadres.

La plateforme Directus peut, par exemple, servir de CMS sans tête et de moteur pour unifier les métadonnées d'actifs, les résultats d'inspection et les sorties numériques jumelées, les exposant par l'intermédiaire des API REST ou GraphQL aux tableaux de bord analytiques et aux applications d'inspection mobiles.

Avantages de l'analyse des données dans la gestion du réseau

Lorsqu'elles sont mises en œuvre à l'échelle, les analyses de données entraînent des améliorations mesurables dans plusieurs dimensions de la gestion des biens de la grille.

Fiabilité et résilience accrues

En prédisant les défaillances avant qu'elles ne surviennent, les services publics peuvent planifier les réparations pendant les fenêtres à faible risque (p. ex., les saisons hors pointe ou avant les tempêtes prévues), ce qui réduit la fréquence et la durée des pannes de clients. Une étude du Laboratoire national des énergies renouvelables (NREL) a révélé que la maintenance des transformateurs de distribution basée sur l'analyse prédictive a réduit de 20 à 35 % les minutes d'interruption des clients dans les programmes pilotes.

Économies et efficacité du capital

De plus, les remplacements fondés sur les données permettent aux services publics de reporter les dépenses en immobilisations sur des biens qui ont encore une durée de vie importante, libérant des fonds pour des investissements prioritaires. Pour un service public de taille moyenne qui possède 50 000 transformateurs de distribution, une réduction de 1 % du taux de remplacement grâce à des décisions fondées sur l'analyse peut économiser 10 à 15 millions de dollars sur une décennie.

Durée de vie prolongée des actifs

L'entretien sous condition et les rénovations ciblées peuvent prolonger la durée de vie opérationnelle des actifs de 5 à 15 ans. Par exemple, la récupération d'huile de transformateur basée sur les tendances DGA plutôt que des calendriers fixes peut restaurer les niveaux d'humidité et d'appauvrissement antioxydant de l'isolation du papier, repoussant la retraite.

Planification stratégique et conformité réglementaire éclairées

Les indices de santé des actifs produits par l'analyse appuient la planification à long terme du réseau, comme l'identification de corridors qui nécessitent des améliorations de capacité ou de zones à risque élevé de défaillance due à la végétation des terres de garrigue.

Défis et orientations futures

Malgré sa promesse, l'adoption de l'analyse des données dans la grille ALM est confrontée à plusieurs obstacles. La qualité des données demeure la question numéro un : les appareils existants peuvent avoir des intervalles de mesure grossiers, des horodatages manquants ou des noms incohérents. La dérive des capteurs, les abandons de communication et les formats de données propres aux fournisseurs compliquent encore l'intégration.

Les systèmes distincts, avec peu de discussions croisées, sont souvent utilisés par les services de gestion des biens, d'exploitation, d'ingénierie et de TI. Sans parrainage des cadres et sans équipes de données interfonctionnelles, les initiatives d'analyse demeurent fragmentées. La gestion du changement est également essentielle.

Les services publics doivent mettre en œuvre des principes de sécurité par conception : communications chiffrées, authentification des appareils, détection d'anomalies sur les flux de données et contrôles d'accès basés sur les rôles pour les tableaux de bord analytiques.

Plusieurs technologies émergentes amplifieront l'impact de l'analyse des données sur la gestion des biens de la grille.

Intelligence artificielle et apprentissage automatique

Les modèles d'apprentissage approfondi, en particulier les transformateurs et les réseaux neuronaux graphiques, sont prometteurs pour les modèles d'échec complexes que les modèles traditionnels ne connaissent pas, comme les défaillances en cascade dans les sous-stations interconnectées. L'apprentissage du renforcement peut optimiser les compromis multi-objectifs entre le coût, la fiabilité et l'empreinte carbone dans l'expédition des actifs en temps réel.

Analyse des bords

Le déplacement de certaines analyses vers des périphériques de bord (p. ex., des capteurs avec traitement embarqué) réduit la latence, l'utilisation de la bande passante et la dépendance au cloud. Par exemple, un capteur de vibration sur un disjoncteur peut calculer localement un indicateur de santé et ne transmettre que des alertes ou des statistiques sommaires, permettant ainsi une réponse plus rapide aux défauts naissants tout en préservant la vie privée et en réduisant le fardeau des données.

Jumelles numériques et simulation

Les jumeaux numériques de sous-stations ou de voies d'alimentation seront plus courants, intégrant des données en temps réel à des modèles basés sur la physique pour simuler des scénarios « what-if » (p. ex., croissance de la charge, pics de température, ou défaillances de composants).

Blockchain pour l'intégrité des données

Pour les environnements à usages multiples ou réglementaires où les données sur les actifs doivent être vérifiables et immuables, les registres de données basés sur la chaîne de blocs peuvent fournir un registre indélébile des inspections, des réparations et des évaluations de l'état.

Conclusion

Les services d'utilité publique qui exploitent les données des capteurs, les dossiers historiques et les modèles avancés auront un avantage évident dans la fiabilité, le contrôle des coûts et la planification à long terme. Le cheminement de l'analyse descriptive à l'analyse normative exige des investissements dans l'infrastructure des données, une collaboration interfonctionnelle et une volonté de passer d'une prise de décision fondée sur l'intuition à une prise de décision fondée sur des données probantes.

Alors que le paysage énergétique continue d'évoluer avec une pénétration accrue des énergies renouvelables, l'électrification et les pressions climatiques, l'analyse des données sera le moteur d'une grille d'auto-guérison adaptée.