מבוא: טרנספורמציה של ניהול נכסים גריד

שירותים חשמליים פועלים ושומרים על חלק מהנכסים הפיזיים המתקדמים ביותר בעולם - transformers, פורצים, תת-קרקעיות, קווי שידור, ומזין ההפצה של רכיבים אלה יכולים להיות חיי שירות לאורך 30 עד 60 שנים, וניהול אותם ביעילות על פני מחזור החיים הזה הוא ניתוח פיננסי ומבצעי.

רשת האנרגיה מתפתחת במהירות.המשאבים לאנרגיה, אימוץ רכב חשמלי, ואירועי מזג אוויר קיצוניים מציבים מתח חסר תקדים על תשתיות ההזדקנות.בסביבה זו, תוך התבססות על ניהול נכסים סטטיים, מבוסס לוח שנה כבר לא קיימא.ניתוח נתונים מספק את האגיליות לזהות סיכונים מתעוררים, להקצות הון מוגבל ביעילות רבה יותר, ולהרחיב את החיים השימושיים של נכסים קיימים תוך שמירה על אמינות ובטיחות.

החשיבות של ניהול מחזור חיים

ניהול מחזור חיים נכסים (ALM) כולל את הפעילויות המתואם השולטות בנכס רשת מ cradle לקבר.מחזור החיים הטיפוסי כולל שישה שלבים: תכנון ומפרט, רכש ותקנה, עמלה, תפעול ותחזוקה, שיפוץ או שדרוג, ופירוק או החלפת או החלפת. ALM מבטיח כי נכסים המיועדים לתפקודם עלות הנמוכה ביותר של הבעלות בעת עמידה, בטיחות, דרישות סביבתיות.

במגזר התועלתי, ALM גרוע יכול להיות השלכות גדולות.כישלון של אחד יכול לעגל לתוך מהירויות רחבות יותר, עלות מיליונים בהכנסות אבודות, הוצאות תיקון ועונשים רגולטוריים. להיפך, להחליף נכסים מוקדם מדי הון פסולת שיכול היה להיות פרוס במקום אחר. ניתוח נתונים מגשרים פער זה על ידי מתן הראיות הדרושות כדי לקבל החלטות מאוזנות, מודעות סיכון.

אתגרים מרכזיים ב- ALM המסורתיים כוללים חשיפה מוגבלת למצב נכסים, הסתמכות על בדיקות ידניות, נתונים מפורקים המאוחסנים ב-Sillusos נפרד (למשל, מערכות ניהול עבודה, SCADA, GIS, ו- ERP), וחוסר יכולות חיזוייות.אנליזה נתונים מטפל פערים אלה על ידי שילוב מקורות נתונים נפרדים, יישום מודלים סטטיסטיים ולמידה מכונה, ומספק תובנות בזמן אמת ומצפה.

ניהול נתונים בניהול נכסים

ניתוח נתונים לניהול נכסים ברשת מתבסס על מגוון רחב של מקורות נתונים פנימיים וחיצוניים:

  • (FLT:0)Sensor ו-IoT נתונים:FLT:1 מ"ר חכם, צגני משנה, חיישני ניתוח גז מבוזר, חיישנים טמפרטורה ולחות, ומוניטורים של רטט מספקים זרמים קבועים.
  • (FLT:0) נתוני תפעול: FLT:1 ⁇ היסטוריון SCADA, רשומות ניהול מחוץ לגיל, פרופילי עומס והחלפת אירועים מציעים ההקשר ביצועים.
  • (FLT:0) רשומות של שימור: FLT:1 הוראות עבודה, דוחות בדיקה, תוצאות בדיקה (למשל, גורם כוח, התנגדות בידוד, איכות שמן) מתעדות התערבויות קודמות.
  • (FLT:0) נתונים גאו-מרחביים וגיאו-מרחביים: היסטוריה של מזג האוויר 1:1, גידול צמחייה, תנאי קרקע, וקרבה לפגמים או אזורי קורוזיה מסייעים להעריך מתחים חיצוניים.
  • (FLT:0) נתונים רגולטוריים ורגולטוריים: FIRLT:1 , תקציבי הון, לוחות זמנים של פחת, ודרישות תאימות מודיעות על קבלת החלטות כלכליות.

(ה) ניתן לסווג את טכניקות Analytics לארבעה רמות בגרות.FLT:0Descriptive analyticsFLT:1 תשובות "מה קרה?", על ידי סיכום של ביצועים היסטוריים ומגמות תחזוקה.FLT:2Diagnostic analyticsFLT 3: 3: "למה זה קרה?", על ידי הטמעת סיבות לכישלונות או הסתברות של ניתוח נתונים כפולים: "מה זה נכון?"

שיטות מתקדמות באמצעות שלבים בגרות אלה פותחות ערך גדול יותר באופן הדרגתי.לדוגמה, תועלת באמצעות ניתוח תיאורי בלבד עשויה לדעת אילו תת-התת יש את הפעולות פורצות ביותר בשנה, אבל גישה מרשם יכולה להמליץ על החודש המדויק עבור יתרו של פורץ זה כדי למזער את הסיכון להפחתה של עלויות העבודה.

תחזוקה חיזוי

תחזוקה חיזויית היא ככל הנראה היישום המשפיע ביותר של ניתוח נתונים ברשת ALM במקום לבצע תחזוקה במרווחים קבועים (למשל, כל שלוש שנים) או לחכות לכישלון, מודלים חיזוי מעריכים את החיים השימושיים הנותרים של נכס ורכיבי דגל כי הם עשויים לדרוש תשומת לב בקרוב.

טכניקות חיזוי נפוצות כוללות:

  • מודלים של LT:0 (Statistical Model:FLT:1 Weibull Analysis and Risk function Model Fail rate Based on Age, טעינה, ו-Covariates סביבתיים.
  • (FLT:0) מערכי למידה של Machine:FLT:1 יער אקראי, ⁇ חיזוק, מכונות וקטור תמיכה יכול לסווג נכסים כ"בריא", "צריך בדיקה", או "ביקורת" בהתבסס על תכונות כמו רמות גז מתמוססות, הקש על פעילות שינוי, וטמפרטורה מכוננת.
  • (FLT:0) למידה עבור סדרת זמן: FLT:1 ארוך ארוך טווח זיכרון (LSTM) רשתות ו autoencoders לזהות חריגות עדינות בזרם SCADA כי לפני כישלונות.
  • (FLT:0) ניתוח של אורביוול: FLT:1Buildal risks Modelsחיזוי זמן-לעין תוך חיזוי נתונים מוצפים (פרטים שלא נכשלו עדיין).

מודלים אלה בדרך כלל מאומן על נתוני כישלונות היסטוריים ותוצאות תחזוקה.אפשרות מפתח כוללות נתונים באיכות גבוהה (למשל, הבחנה ברורה בין "אירועים מתקדמים" ו"תיקוןיים" ומומחיות התחום לבחירת תכונות רלוונטיות.פעם אחת לפרוס, מודלים חזטיביים יכולים להפחית את הפרסומות הבלתי מתוכננות על ידי 30–50% וקיצוץ בעלויות תחזוקה ב-15-25%, על פי מחקרים מ-Falure:0.

לדוגמה, ניתוח גז מבוזר (DGA) בשמן המירנר הוא צופה מבוסס היטב של תקלות פנימיות. על ידי הפיכה של DGA קריאה עם היסטוריה עומס ומגמות טמפרטורה, תועלת יכולה לזרז מודל תרמי לחזות כאשר נייר בידוד של מהפך יהיה להגיע סוף-חיים וקבוע מחדש תנאי או החלפת שנים מראש.

אופטימיזציה להחלפת נכסים

ההחלטה אם לשמור, לשחזר או להחליף נכס רשת כוללת איזון מצב טכני, חשיפה לסיכון, ומגבלות פיננסיות. ניתוח נתונים תומך בהחלטה זו באמצעות ניתוח עלות מחזור חיים ועדיפות מבוססת סיכון.

מסגרת אופטימיזציה חלופית טיפוסית כוללת:

  • (FLT:0) הערכת ההסכמה הנמדדת: FLT:1 ציון מורכב נגזר תוצאות בדיקה, גיל, היסטוריה תפעולית והשלכות כשלים (בטיחות, סביבתית, רגולציה והשפעה של לקוחות).
  • (FLT:0) מודלונומיה: FLT:103) ערך נוכחי (NPV) או השוואת עלויות שנתית שווה ערך בין "repair והמשך" לעומת "החלפת חשבונות ניתוח עבור הוצאות תחזוקה עתידיות, עלויות כישלונ צפויות, אובדן אנרגיה מ ציוד ההזדקנות, וערך החילוץ.
  • (ב) ⁇ :0Risk קוונטי: 1.FLT:1 הסתברות של כישלון מכפיל כתוצאה מכישלון (למשל, $ לMWh של אנרגיה שלא נשמרה, עונשים על הפרת NERC או תקני אמינות אזוריים).
  • (FLT:0) אופטימיזציה של פורטופויו: 1FLT 1 קוויאר תכנות או אלגוריתמים היציולוגיים בוחרים אילו נכסים להחליף מעל אופק רב שנים תחת מגבלות תקציב תוך מיקסום אמינות או ירידה בסיכון לדולר שהוצא.

כלי רכב מתקדמים כבר פריסת (FLT:0) מודלים תאום דיגיטלי של תאום FLT ( 1) עבור נכסים קריטיים כי סימולציה של השפלה הקשורה לגיל תחת תרחישים תפעוליים שונים. תאומים אלה משלבים נתונים בזמן אמת עם מודלים המבוססים על פיסיקה כדי לייצר הערכות חיים דינמיות שנותרו בחיים.לדוגמה, תאום דיגיטלי של שבר מעגל גבוה של מעגל מתחל יכול לעקוב אחר מגעים מצטברים, מחזורים, ומנגנונים של האביב, אז מומלץ על חלון חלופי ללא שינוי ברמה גבוהה.

דוגמה בולטת המצוטטת ב-FLT:0 (IEEE עסקאות ב- Powerve DeliveryFLT) 1 מתארת כיצד מפעיל השידור האירופי השתמש בשילוב של ניתוח הישרדות ואופטימיזציה של עלויות כדי להדוף 12% מתחליפי תת-קרקעית מתוכננים בעוד למעשה להפחית את הסיכון של המערכת על ידי 8% מעל האופק של חמש שנים.

אינטגרציה ואדריכלות פלטפורמה

ניתוח נתונים יעיל אינו מתרחש בבידוד.זה דורש פלטפורמה נתונים חזקה שיכולה ingest, לאחסן, נקי, ולעבד זרמי נתונים הטרוגניים.כלי רכב מודרניים נעים לעבר אגמים נתונים מבוססי ענן או ארכיטקטורות Lakehouses המשלבים נתונים מובנים (למשל, הוראות עבודה) עם מאגרי עבודה למחצה (Digadas) ונתונים לא מבנים (תמונות, תמונות תרמיות).

מרכיבים מרכזיים של פלטפורמת ניתוח רשת כוללים:

  • (FLT:0) Data Ingestion Layer:FLT:1 APIs, תורי הודעות (למשל, MQTT, קפקא), צינורות ETL שמושכים נתונים ממכשירי שדה, מערכות חברות ומקורות של צד שלישי.
  • (FLT:0Data Governance:FLT:1eur data Management for Assets, מוסכמות שמות עקביות, וכללי איכות נתונים כדי להתמודד עם קריאה לקויה או שגויה.
  • (FLT:0) Analytics Engine: FLT:1 A Classable compute הסביבה (למשל, Spark, Databricks, או compute ללא שרת ענן) כדי להפעיל מודלים סטטיסטיים צינורות ML.
  • (FLT:0) וידואליזציה ודיווח: ד"ר ד"ר ד"ר ד"ר ד"ר מפקדים המציגים את ציוני בריאות הנכסים, רשימות עדיפות חלופיות והמלצות תחזוקה למתכננים, מהנדסים ומנהלים.

הפלטפורמה (FLT:0)DirectusveFLT:1, לדוגמה, יכולה לשמש CMS חסר ראש וגיבוי לאחד מטאנת נכסים, תוצאות בדיקה ופלטים תאומים דיגיטליים, חשיפתם באמצעות REST או GraphQL APIs לאנליזות ואפליקציות בדיקה סלולריות.מודל הנתונים גמיש שלה מאפשר שימושים כדי להגדיר סוגים של נכסים, מחזורי חיים, מערכות יחסים ללא נוקשות, ביצוע מגבלות לשימוש במקרים של שימוש במקרים של שימוש במקרים של שימוש בתאים.

היתרונות של Analytics נתונים בניהול גריידי

כאשר ייושמו בקנה מידה, ניתוח נתונים מניע שיפורים למדידה על פני ממדים מרובים של ניהול נכסים ברשת.

יעילות מוגברת וגמישות

על ידי חיזוי כשלים לפני שהם מתרחשים, כלי רכב יכולים לקבוע תיקונים במהלך חלונות בסיכון נמוך (למשל, עונות מחוץ ל-peak או לפני הסערה הצפויה) זה מפחית את תדירות ומשך של לקוחות בחוץ. A מחקר שנערך על ידי FLT:0 National Renewable Energy Laboratory (NREL)FLT:1 מצא כי חיזוי אנליטיקה מבוססת על חיזוי אנליטיקה על המפיצים מופחתים של לקוחות מ-2035%.

חיסכון בעלויות ובירת הון

תחזוקה פרואקטיבית היא בדרך כלל 30–50% פחות יקר מאשר תיקונים חירום כאשר לוקחים בחשבון את ההוצאות בזמן, גיוס ועלויות נזקי צווארון.בנוסף, החלפת נתונים מונעת מאפשרת שירותים כדי לדחות הוצאות הון על נכסים שעדיין יש חיים משמעותיים שנותרו בחיים, שחרור כספים להשקעות פרטיות גבוהות יותר.עבור שירות בינוני בעל 50,000 מפיצים, ירידה של 1% בהחלפתם בחלופה באמצעות 10 עד 15 מיליון דולר יכול לחסוך.

בסביבה הקרובה של Extended Asset Lifespan

תחזוקה מבוססת תנאים ושיפוץ ממוקד יכול להאריך את החיים התפעוליים של נכסים עד 5-15 שנים.לדוגמה, הכרזה של שמן ההופך מבוסס על מגמות DGA ולא לוח זמנים קבוע יכול לשחזר את רמות לחות נייר אינסטלציה ואת מחיקת נוגדי חמצון, דוחף בחזרה ניתוח נתונים קוונטית את היתרון השולי של התערבות כזו, להבטיח כי ההוצאות על הרחבת החיים מניבות תשואה חיובית.

תכנון אסטרטגי ושיקום

מדדי בריאות נכסים המיוצרים על ידי ניתוח תומכים בתכנון רשת לטווח ארוך, כגון זיהוי מסדרונות הדורשים שדרוגים או אזורים עם סיכון גבוה כשלון עקב צמחייה סרוקנית. Regulators מצפה יותר ויותר להשתמשיות כדי להצדיק תוכניות הון עם ראיות כמותיות. Analytics מספק את הקפדה להגן על הגשתי שיעור ולהפגין השקעות פתור עמלות ובעלי עניין.

אתגרים וכיוונים עתידיים

למרות ההבטחה שלה, אימוץ של ניתוח נתונים ברשת ALM עומד בפני כמה מכשולים.איכות הנתונים נותרה הבעיה מספר אחד: מכשירים מורשת עשויים להיות מרווחי מדידה coarse, דגימות חסרות, או שמות לא עקביים. סחף, טיפות תקשורת, ופורמטים ספציפיים של נתונים ספציפיים ספקים עוד יותר לסבך שילוב נתונים.

סילוס ארגוני הוא מחסום אחר.ניהול נכסים, תפעול, הנדסה ומחלקות IT לעתים קרובות להשתמש במערכות נפרדות עם מעט קרוס-talk.ללא ספונסרים מנהלים וצוותי נתונים פונקציונליים, יוזמות ניתוח נשאר מפוצל.ניהול שינוי הוא גם קריטי - צוותי שדה רגילים "תיקון על כישלון" עשויים להיות ספקנים של לוחות זמנים מבוססי אלגוריתם. תוכניות מוצלחות כרוכות שיתוף פעולה מוקדם בין מדענים ומומחים בתחום, כמו גם פרויקטים אמיתיים שמוכיחים ערך בעולם.

חששות אבטחת סייבר גדלים ככל שיותר חיישנים ומכשירי קצה להתחבר לפלטפורמת הניתוח.משטחי ההתקפה מתרחבים, ונתוני חיישן מניפולציות יכולים להוביל להחלטות תחזוקה לא נכונות. Utilities חייב ליישם עקרונות אבטחה-על-ידי עיצוב: תקשורת מוצפנת, אימות המכשיר, זיהוי אנומלי על זרמי נתונים, ובקרת גישה מבוססת תפקידים עבור לוחות נתונים אנליטיים.

במבט קדימה, כמה טכנולוגיות מתפתחות יגבירו את ההשפעה של ניתוח נתונים על ניהול נכסים ברשת.

אינטליגנציה מלאכותית ולמידה של מכונות

מודלים למידה עמוקה, במיוחד משתנים ורשתות עצביות גרף, מראים הבטחה לדפוסי כישלונ מורכבים כי מודלים מסורתיים מתגעגעים, כגון כשלים מחלחלים על פני תת-תחומי משנה מקושרים. הלמידה של Reinforcement יכול לייעל פערים מסחריים רב-אובייקטיביים בין עלות, אמינות וטביעת פחמן במשלוח בזמן אמת.

Edge Analytics

העברת כמה ניתוחים למכשירים קצה (למשל, חיישנים עם עיבוד על הסיפון) מפחיתה את הגמישות, השימוש רוחב פס, ותלוי בענן.לדוגמה, חיישן רטט על שובר מעגלים יכול לחשב באופן מקומי אינדיקטור בריאות ורק לשדר התראות או סטטיסטיקות סיכום, המאפשר תגובה מהירה יותר לאפסות תוך שמירה על פרטיות וצמצום נטל נתונים.

תאומים וסימולציות

תאומים דיגיטליים של כל תת-התתתות או נתיבי מזון יהפכו נפוצים יותר, שילוב נתונים בזמן אמת עם מודלים המבוססים על פיזיקה כדי לדמות תרחישים "מה-אם" (למשל, גידול עומס, ספייק טמפרטורה או כשלים רכיב). או נצלים ישתמשו בתאים אלה כדי לבחון אסטרטגיות תחזוקה ולוח זמנים חלופיים ללא סיכון לרשת הפיזית.

Blockchain for Data Integrity

עבור סביבות מרובות-אוטוניות או רגולטוריות שבו נתונים של נכסים חייבים להיות ביקורתיים ובלתי-מחוק, רשם נתונים מבוסס blockchain יכול לספק תיעוד בלתי נמנע של בדיקות, תיקונים והערכות מצב. שקיפות זו יכולה לייעל תאימות ולאפשר מודלים עסקיים חדשים סביב שיתוף נכסים או צמצום.

מסקנה

ניתוח נתונים הוא כבר לא שונה תחרותי ניהול מחזור חיים של נכסים ברשת - זה הופך דרישה בסיסית. Utilities כי רתום נתונים חיישן, רשומות היסטוריות, מודלים מתקדמים יקבלו יתרון ברור באמינות, שליטה עלות ותכנון לטווח ארוך.המסע מפצה לניתוח אנליטי מרשם דורש השקעה בתשתיות נתונים, שיתוף פעולה חוצה תפקוד, ונכונות לשינוי מראיות המבוססות על החלטות, עם עלויות נמוכות יותר, עם זאת, רווחיות נמוכה יותר, עם זאת, עם זאת, עלויות יעילות גבוהה יותר.

בעוד הנוף האנרגיה ממשיך להתפתח עם חדירה מתחדשים גבוהה יותר, חשמל, ולחצים אקלים, ניתוח נתונים יהיה הגורם הליבה של רשת הסתגלות עצמית.השימושים שמתחילים לבנות את היכולות האנליטיות שלהם היום יהיו ממוקמים הטוב ביותר לשגשג בעשור הבא.