השימוש ב- Analytics חיזוי לניהול מחזור חיים של נכסים בהפצת חשמל

חלוקת החשמל היא עמוד השדרה של הציוויליזציה המודרנית.כל בית, בית חולים, ומפעל תלויים בזרימה קבועה ובלתי מופרעת של חשמל.אבל התשתית המספקת את הכוח הזה – טרנספורים, מתפרקים, מתאמים, מתכנני תת-קרקעיים, מגדלי שידור – היא ההזדקנות.הרבה כלי רכב עדיין מסתמכים על לוחות זמנים של תחזוקה מבוססי זמן או, תיקונים חמורים יותר, לאחר כישלונות מתרחשים.

(FLT:0) ניתוחי קדם-משפטיים (Predictive AnalyticsFLT) משנים את הפרדיגמה הזו באופן יסודי על ידי ניתוח נתונים היסטוריים והזנת חיישן בזמן אמת, כלי רכב יכולים לזהות דפוסים שנכשלים בציוד מראש.שינוי זה מפעולת-reactive לניהול נכסים פעיל מפחית עלויות תפעוליות, מרחיב את חיי הציוד הקריטי ומשפר באופן דרמטי את האמינות של הרשת.

במאמר זה, אנו חוקרים כיצד ניתוח חיזוי מעצב מחדש ניהול מחזור חיים של נכסים בהפצת כוח.We מכסה את הטכנולוגיות הבסיסיות, את היתרונות קונקרטיים תועלת כלי להשגת, את האתגרים שנשארו, ואת החידושים העתידיים שידחפו אפילו יותר אינטליגנציה לרשת.

ניהול נכסים

ניהול מחזור חיים נכסים (ALM) הוא תהליך ניהול שיטתי של כל תוחלת החיים של נכס פיזי - החל מרכישה באמצעות ההתקנה, תפעול, תחזוקה, ובסופו של דבר ניתוק או החלפת.בחלוקה כוח, נכסים כוללים הכל ממתחלפים זעירים בעל כורך כדי substation מתגג'אר ו conduits תת קרקעיים.המטרה של ALM היא למקסם את הערך מכל נכס תוך צמצום העלות הכוללת של בעלות ובטיחות ובטיחות ובטיחות.

ארבעת השלבים של מחזור החיים של נכסים

  1. (FLT:0) ,Planning and ProcurementFLT:1) - בחירת הציוד הנכון על בסיס תחזיות עומס, דרישות אמינות ומגבלות תקציב. החלטות רכש עניות מחלחלות לעלויות תחזוקה גבוהות יותר ולחיים קצרים יותר.
  2. (FLT:0) אינטואיציה וועדת הנציבות ל-1:1) - נכסים מבטיחים מותקנים כראוי ונבדקים. נתונים שנלכדו במהלך הגשת (כגון תוצאות מבחן במפעל ותנאי האתר) הופכים למידע בסיסי עבור ניתוח עתידי.
  3. (FLT:0) מבצע ותחזוקהFLT:1 - השלב הארוך ביותר, שבמהלכו הנכס הוא מעקב, נשמר ותיקון. גישות מסורתיות להשתמש במרווחי בדיקה קבועים או להגיב להתמוטטות.
  4. (FLT:0) דחייה והחלפת ההחלפה 1 בינואר – ירידה כאשר נכס הגיע לסוף חייו הטובים.בירת החלפת קדם-התבגרות; מודלים חלופיים מאוחרים מסייעים לקבוע את תאריך הפרישה האופטימלי.

מבחינה היסטורית, הכלים טיפלו בכל שלב ב-Silos, עם משוב מוגבל ביניהם.כישלונות המוקדמים של המירר, למשל, לא יכולים להודיע על בחירת הספק העתידי של צוות רכש. ALM מודרני מונחה על ידי ניתוח חיזוי סוגר את הלולאות האלה, יצירת מחזור שיפור מתמשך.

תפקיד Analytics החיזוי בניהול מחזור חיים

ניתוח חיזוי חל על מודלים סטטיסטיים ולמידה של מכונות על נתונים היסטוריים ומציאותיים על חיזוי אירועים עתידיים.בחלוקת כוח, התחזיות בדרך כלל מרכז על בריאות הציוד, ההסתברות לכישלון, להישאר בחיים שימושיים, ואת התזמון האופטימלי לתחזוקה או החלפת.

הצעת הערך הליבה היא פשוטה: במקום להחליף מהפך בלוח זמנים קבוע של 30 שנה, כלי יכול להשתמש בנתונים חיישן (זמן, עומס, רמות גז מבוזר) כדי לחזות כי זה הופך מסוים כנראה להיכשל 18 חודשים. תחזוקה יכול להיות מתוכנן במהלך תקופה דלת דרישה, הימנעות מזינוק לא מתוכנן וצמצום העלות של תיקונים חירום.

מקורות נתונים ל- Predictive Analytics

מודלים יעילים לחיזוי דורשים נתונים עשירים ואיכותיים.המקורות הנפוצים ביותר בהפצת חשמל כוללים:

  • (FLT:0) בקרת סופר-בידור ורכישות נתונים (SCADA) מערכות גלקסיות FLT:1 - לספק קריאה בזמן אמת של מתח, נוכחי, תדירות, ומעמד פורץ.
  • (FLT:0 חיישנים מחוסנים 1FLT) - בדיקות טמפרטורה, גלאי פריקה חלקיים, מנתחי גז מבוזרים (DGA), וחיישנים רטטים מותקנים על נכסים קריטיים.
  • (ב) [ה-]המידע של כוח העבודה של נייד (Mobile DataBuildFLT:1] – דוחות של Inspection, יומני תיקון ורשומות דיגיטליות מאנשי צוותי שדה.
  • (ב) ,0) נתונים של נתונים עתיריים (Environmental DataFLT:1, מאגרי מזג אוויר, נתוני שביתת ברק ורמות זיהום המשפיעות על ההשפלה בנכס.
  • (ב) ,0) מאגרי מידע על כשלים היסטוריים (FLT:103) – רשומות של חומרים קודמים, שורש ותיקון פעולות.

שילוב הנתונים המגוונים הללו מתרחש בפלטפורמת ניתוח מאוחדת הוא אתגר טכני משמעותי, אך חיוני לבניית מודלים שלוכדים את האינטראקציות המורכבות המשפיעות על בריאות הנכסים.

Key Technologies משמשת ב- Predictive Analytics

הטכנולוגיות שעושות ניתוח חיזוי מעשי להפצת כוח התבגרו במהירות בעשור האחרון.

רשתות חיישן ו-IoT

חיישני האינטרנט של דברים (IoT) הופכים זולים וחזקים מספיק כדי לפרוס על ציוד הפצה בקנה מידה. חיישן חכם מודרני יכול לפקח על טמפרטורה, לחות, רטט ופרמטרים חשמליים, להעביר נתונים אלחוטיים למערכת מרכזית. חלק מהחיישנים כוללים יכולות מחשוב קצה המבצעים ניתוח ראשוני מקומי, צמצום דרישות רוחב פס ומאפשרות התראות בזמן אמת.

לדוגמה, (FLT:0GE DigitalFLT:103) מציע חבילה של חיישנים ותוכנה לניטור נכסים ברשת שיכול לזהות סימנים מוקדמים של כשל בידוד בהתמרנים באופן דומה, FLT:2Schneider ElectricFLT 3 מספק מדפי שבר מעוקבים שניתן ל-IoT, המעקבים אחר מגע וביצועים.

למידת מכונות Algorithms

שיטות סטטיסטיות מסורתיות כמו רגרסיה וניתוח זמן עדיין ממלאות תפקיד, אבל למידת מכונה (ML) הפכה למנוע העיקרי לדגמים חיזוייים.אלגוריתמים נפוצים המשמשים בניתוחי נכסים של חלוקת חשמל כוללים:

  • (FLT:0) יערות ו ⁇ ⁇ שיפור ⁇ 1) - מצוינות עבור משימות סיווג (למשל, האם זה הופך להיכשל בתוך 90 הימים הבאים) ומשימות רגרסציה (למשל, להעריך המשך חיים שימושיים).
  • רשתות עצביות חוזרות (RNN) ו-LSTMsFLT:1 - מיועד לנתונים קיימים כמו צילומי חיישן זמן, לכידת תלות ארוכת טווח שמודלים פשוטים מתגעגעים.
  • (FLT:0) מודלים של זיהוי אנומלי (Anomalyגילוי דגמים) 1 - מודלים לא מבוקרים או חצי-מקודים שדגל נכסים שהתנהגותם מסתמך על דפוסים נורמליים מבוססים.
  • (FLT:0) ניתוח מודלים של ניתוחי אורוויאל (FLT:1), משועמם מסטטיסטיקות רפואיות, מודלים אלה מעריכים את ההסתברות של נכס ששרד מעבר לנקודת זמן נתונה, שילוב נתונים מנזפים (פרטים שטרם נכשלו).

פיתוח מודלים אלה דורש הנדסה תכונה זהירה - להפוך את קריאות חיישן גולמי לחיזויים משמעותיים - ואימות מתמשך כמו נתונים ביקורת וכישלון חדשים הופך זמין.

מידע חזותי ו-Dashboards

תחזיות מועילות רק אם הן מועברות למקבלי החלטות בצורה מעשית.כלי הדמיה מודרניים מצטברים ציוני בריאות נכסים, תחזיות, ופעולות מומלצות לגדרי נתונים ספציפיים לתפקידים. מהנדס אמינות עשוי לראות מפת חום של הסתברות כשלון על פני שטח השירות, בעוד לוח זמנים תחזוקה רואה רשימה קודמת של נכסים הזקוקים לתשומת לב בחודש הבא.

כלים כמו FLT:0 (TableauFLT:1 ו-FLT:2GrafanaFLT 3: 3 משמשים נרחב לבניית ממשקים אלה, אם כי כלי רב בוחרים פלטפורמות ניהול נכסים בנויות תכלית המשלבות ניתוח ודמיון מתוך הקופסה.

מחשוב ענן ו- Scalable Data Processing

נפח הנתונים שנוצר על ידי אלפי חיישנים ברחבי רשת הפצה יכול בקלות להגיע terabytes ליום. פלטפורמות ענן כגון Amazon Web Services (AWS), Microsoft Azure ו-Google Cloud לספק את ה- compute ו- אחסון גמישים הדרושים כדי ingest, תהליך, ולאחסן נתונים אלה עלות יעילה.הם מציעים גם שירותים מנוהלים עבור הזרמת נתונים, אגמים נתונים, ולמידה המזרזת את הפיתוח והתשתית מעל פני ראש.

היתרונות של Analytics חיזוי בהפצת כוח

שיטות שמיושמות ניתוח חיזוי דיווחו על שיפורים הניתנים למדידה על פני ממדים מרובים, בעוד שדמויות מדויקות משתנות על ידי מפעיל ומעמד נכסים, היתרונות הבאים מתועדים באופן עקבי במחקרי מקרה בתעשייה וניתוחים של צד שלישי.

צמצום הפרסומות הלא מתוכננות ושיפור הכדאיות

לא מתוכנן הם העלות הגלויה ביותר של כשל בציוד.הם משבשים לקוחות, מעוררים קנסות רגולטוריים, ופוגעים במוניטין של כלי השירות.מודלים חיזויים תופסים סימני אזהרה מוקדמים - רטט טבעי במפרק מעגלי, עלייה ברמות הגז במהפך - כך שניתן לנקוט פעולה נכונה בימים או שבועות לפני התרחשות כישלון.

מחקר שפורסם בשנת 2023 ב-FLT:0 (IEEE עסקאות על Power DeliveryFLT:1 מצא כי כלי הפצה באמצעות תחזוקה חיזויית על ההופכים חוו ירידה של 40% במקריות הקשורות לכשל במשך שלוש שנים.

עלויות תחזוקה נמוכות באמצעות אינטרודורות ממוקדים

תחזוקה מודרנת היא פסולת מטבעה. נכסים רבים מקבלים יתר על המידה מיותרים בעוד כמה שזקוקים לתשומת לב מפספסים עד שהם נכשלים.ניתוחים חיזויים משמרות משאבים משגרות מבוסס לוח שנה ועד להתערבויות מבוססות מצב, תוך אופטימיזציה הקצאת העבודה, החלקים והציוד. Utilities מדווחים על הפחתת הוצאות תחזוקה של 15-30% בעת המעבר מגישות חיזוי.

בסביבה הקרובה של Extended Asset Lifespan

על ידי גילוי תקלות בלתי צפויות מוקדם, ניתוח חיזוי מאפשר שירותים לטפל בבעיות קטנות לפני שהם להסלים נזק גדול. שיח פצח מזוהה באמצעות ניטור חלקי, למשל, ניתן להחליף במגרש מתוכנן ולא להשאיר את המירל לסבול נזק קשת המקצר את חייו על ידי שנים. התערבות פרואקטיבית יכולה להאריך את החיים השימושיים של נכסים על ידי 20% או יותר, מפר הון עבור הוצאות חלופיות.

בטיחות מוגברת לעובדים ולציבור

כשלים בציוד קטסטרופלי, כגון פיצוצים או שריפות ממושכות, מציבים סיכונים חמורים כדי לסייע לעובדים ולקהילות הסמוכים. ניתוח חיזוי מזהה נכסים המתקרבים למצבים מסוכנים, כך שהם יכולים להיות ממריצים ותיקון בתנאים מבוקרים.זה מקטין את הסבירות לתאונות ומפחית את החשיפה של אנשי צוות למצבים מסוכנים.

משאבים טובים יותר אל-מיקום ותכנון

תובנות חיזוי להאכיל בתכנון תפעולי רחב יותר.תועלת שיודעת אילו פורצי משנה מתקרבים לסוף החיים יכולה להזמין חלקים בודדים מראש, לוחות זמנים במהלך שעות מחוץ ל-peak, ולתאם עם פעילויות תחזוקה אחרות. בטווח הארוך, תחזיות כישלונות מודיעות על תקציב ההון: החלטות להחליף צי שלם של סוגרי הזדקנות, למשל, יכולות להיות מקודם על בסיס סיכון שרירותי ולא על סף גיל.

אתגרים וכיוונים עתידיים

למרות היתרונות המוכחים שלה, פריסת ניתוח חיזוי ברחבי רשת הפצה אינה מאמץ Plug-and-play. Utilities להתמודד עם כמה מכשולים שיכולים לעכב אימוץ או להגביל את ההחזר על ההשקעה.

איכות נתונים ואינטגרציה

מודלים חיזוייים הם רק טובים כמו הנתונים שהם מאומן עליהם.הרבה כלי רכב יש עשרות שנים של רשומות תחזוקה היסטוריות מאוחסנים במערכות נפרדות, לעתים קרובות עם קידוד עקבי, שדות חסרים ושגיאות כניסה ידניות.נתוני חיישן עשויים להיות רועשים, יש פערים עקב תקלות תקשורת, או חוסר שיתוק דיוק.ניקוי ופגיעה במקורות נתונים אלה היא תנאי מוקדם עבודה לעתים קרובות מזלזלים ארגונים מוקדמים כי לעתים קרובות.

בנוסף, שילוב נתונים של ציוד ספקים שונים (SCADA, חיישנים, GIS, ניהול כוח העבודה) דורש תכנון ביניים חזק וממשל נתונים.ללא בד נתונים אחיד, פיתוח מודל הופך איטי ולא אמין.

השקעה ראשונה

ניתוח חיזוי כולל עלויות מראש עבור חיישנים, מחשוב קצה, תשתיות ענן, רישיונות תוכנה, וכישרון מדעי נתונים. קטן ובינוני יכול להיאבק כדי לבנות מקרה עסקי כאשר היתרונות - אם כי אמיתי - הם מתפשטים יותר מכמה שנים. עם זאת, עלות החיישנים שנפלו באופן דרמטי, וספקי ניתוח רבים מציעים כעת תמחור מבוסס מנויים כי מורידים את המחסום להורדת הכניסה.

דרושים להתמחות מיוחדת

בנייה ותחזוקה של מודלים חיזוי דורש מיומנויות בהנדסה נתונים, למידת מכונה וידע ספציפי דומיין של ציוד חלוקת חשמל. Utilities לעתים קרובות למצוא את זה קשה לשכור ולשמר מדעני נתונים, במיוחד כאשר להתחרות עם מגזרי טכנולוגיה ופיננסים משלמים גבוה.פתרון אחד הוא לשתף פעולה עם חברות ניתוח מיוחדות, או להשתמש בפלטפורמות ניהול נכסים ייעודיות שמטרתן הטמעת מודלים מאומנים מראש עבור ציוד הפצה.

מודל אי-אפשרות ואמון

גם כאשר מודל מבצע היטב על נתונים היסטוריים, מהנדסי תועלת עשויים להיות חסרי מוטיבציה לפעול על התחזיות שלו אם הם לא יכולים להבין מדוע המודל הגיע למסקנה מסוימת.מודלים של למידה עמוקה בקופסא שחורה יכולים להיות במיוחד ⁇ .שדה של AI (XAI) הוא לייצר טכניקות לספק הצדקה אנושית לקריאה, כגון אילו חיישנים תרמו את רוב אזהרות הבנייה דורש זמן תוקף נגד תוצאות רציפות.

עתיד Analytics החיזוי בהפצת כוח

הגל הבא של חדשנות יהיה להפוך ניתוח חיזוי אפילו חזק יותר וזמין. מגמות מספריות מתאחדות לניהול נכסים מחדש בעשור הקרוב.

גנטיקה של רשתות הפצה

תאום דיגיטלי הוא העתק דינמי, וירטואלי של נכס פיזי או מערכת המשקפים את המדינה בזמן אמת.עבור מהפך הפצה, תאום דיגיטלי יכול לשלב נתונים של חיישן עם ביצועים היסטוריים, גורמים סביבתיים, ואפילו סימולציה של תרחישים עומס. Utilities יכול להשתמש תאומים דיגיטליים כדי להפעיל "מה אם" ניתוחים - כגון ההשפעה של הוספת דור סולארי על ההזדקנות - לפני ביצוע שינויים תפעוליים כמו טכנולוגיה מתקדמת, אשר יהפכו לממשקים, אשר יהפכו לחיזוי דרך רשתות ניתוחי שלם.

שילוב עמוק עם AI ומודלים שפה גדולים

אינטליגנציה מלאכותית נעה מעבר לידע מכונה מסורתי לתוך מודלים שפה גדולים (LLMs) ו- generative AI. בהקשר לניהול נכסים, LLMs יכולים לאפשר שאילתות בשפה טבעית כגון "לראה לי את כל המשתנים עם רמות DGA גבוהות שלא נבדקו בששת החודשים האחרונים" הם יכולים ליצור באופן אוטומטי דוחות תחזוקה על ידי סינכרון מגמות נתונים חיישן.

פעילות אוטונומית

כמו ניתוח חיזוי הופך אמין יותר, כלי רכב יעברו ממערכות מייעצויות לשליטה סגורה.לדוגמה, מודל חיזוי המזהה עומס פוטנציאלי על מזין יכול באופן אוטומטי לשנות את הרשת באמצעות מתגים אוטומטיים כדי לאזן את העומס.רשתות אלה של עצמו-עצמי כבר פיילוט על ידי ארגונים כמו FLT:0Utility Analytics InstituteLTFreativs 1 ו-Services מתקדמים באירופה.

המונחים: Edge Computing

עיבוד נתונים בקצה - על חיישנים או שערים מקומיים - מחנכים את דרישות השקיפות ואת רוחב הפס.המכשירים עתידיים ניתוק מודלים קלים ML שיכולים לבצע תחזיות כישלונ בזמן אמת מבלי להסתמך על ענן מרכזי.זה חשוב במיוחד עבור תת-תתתת מרחוק עם קישוריות מוגבלת.שלב קצה AI עם 5G ורשתות בעלות כוח נמוך רחב (WAN) יאפשר ניטור נכסים בכל מקום.

מסקנה

ניתוח חיזוי כבר אינו מושג עתידני עבור תעשיית חלוקת החשמל.זהו כלי מעשי, מוכח המספק שיפורים משמעותיים באמינות, יעילות עלות ובטיחות. על ידי שינוי תחזוקה פעילה ומבוססת זמן לתחזוקה מבוססת מצב, קבלת החלטות מונחת נתונים, שירותים יכולים לנהל מחזור חיים נכסים עם דיוק חסר תקדים.

המסע דורש השקעה בחיישנים, תשתיות נתונים, פלטפורמות ניתוח וצוות מיומן.אבל ההחזר הוא משמעותי: פחות בחוץ, עלויות נמוכות יותר, חיי נכסים ארוכים יותר, ורשת גמישה יותר.כ טכנולוגיות כמו תאומים דיגיטליים, קצה AI, ובקרת אוטונומית ממשיכות להתפתח, הפער בין הכלים המובילים לבין השאר ירחיב.

(ב) [ה] [ה] [ה]] [ה]] [ה]] [ה]]], [ה], [ה]], [ה], [ה]]]ה'[ה']'[ה']'[ה']'[ה']'[ה']'[ה']']'[ה']'[ה']'[ה'[ה']']'[ה']']'[ה'[ה']'[ה'[ה'[ה'[ה'[ה'[ה'[ה']']'[ה'[ה'[ה'[ה']']']']'[ה']']'[ה'[ה'[ה'[ה']']']']'[ה'[ה']']'[ה'[ה']'[ה']']'[ה'[ה']']'[ה'[ה'[ה'[ה']'[ה']']'[ה'[ה'[ה'[ה'[ה