Giriş: Grid Asset Management'ın Data-Driven Dönüşümü
Elektrikli hizmetler dünyada en büyük yoğun fiziksel varlıklardan bazılarını işletmektedir ve koruyabilir - son on yılda, veri analizinin benimsenmesi, bu varlıkları optimize etmek ve işletmek için servislerin 30 ila 60 yıl boyunca verimli bir şekilde yönetilmesi ve bunları yönetmek, veri analizinin her ikisine de etkili bir şekilde yürütülmesini sağlar.Bu tür analizlerin uygulanması, işletmek, korumak ve bu varlıkların çalışma süresini nasıl değiştirir.Bu tür analizleri değiştirmek için ham sensör okumaları, denetim günlüklerini çevirmek için, kontrol edilebilir zekaya, veri analizine dayalı olarak, bu tür bir ilkeye dayalı olarak, uygulamadaki verileri analizleri ve uygulamaktadır.
Enerji şebekesi hızla gelişiyor. Enerji kaynakları, elektrik araç kabul edildi ve aşırı hava olayları yaşlanma altyapısına benzer şekilde stres katıyor.Bu ortamda statik, takvim tabanlı varlık yönetimi artık uygulanabilir değildir. Data Analytics, gelişmekte olan riskleri tanımlamak için çevikliği sağlar, tüm sınırlı sermayeyi daha etkili bir şekilde genişletir ve güvenilirliği ve güvenliği korumak için mevcut varlıkların yararlı ömrünü uzatır.
Varlık Yaşam döngüsü Yönetiminin Önemi
Varlık yaşam döngüsü yönetimi (ALM), bir şebeke varlığını cradle'den mezarlığa yöneten koordineli faaliyetleri kapsar. Tipik yaşam döngüsü altı aşama içerir: planlama ve spesifikasyon, tedarik ve yükleme, komisyonlama, operasyon ve bakım, refurbishment veya yükseltme, ve decommissioning veya değiştirme. Etkili ALM, malların yasal olarak en düşük toplam mülk maliyetinde çalışmasını sağlar.
Yararlı sektörde, fakir ALM, büyük ölçüde büyük ölçüde sonuçlar elde edebilir.Tek bir dönüştürücü başarısızlık, dengeli, risklendirilmiş kararlar vermek için gerekli kanıtları sağlayarak milyonlarca kişiye mal olur.
Geleneksel ALM'deki önemli zorluklar, varlık durumuna sınırlı görünürlük içerir, manuel denetimlere, parçalanmış verilere ayrı silolara (örneğin, iş yönetim sistemleri, SCADA, GIS ve ERP), ve tahmin edici yetenekler eksikliğini içerir. Data Analytics bu boşlukları, istatistiksel ve makine öğrenimi modellerine entegre ederek ve gerçek zamanlı ve ileri görüşlü içgörüler sağlayarak ele alır.
Varlık Yönetiminde Veri Analizinin Rolü
Ağ varlık yönetimi için veri analizi, geniş bir iç ve dış veri kaynakları üzerinde çizer:
- [FONT:0]Sensor ve IoT verileri: Smart metre, alt istasyon monitörleri, gaz analiz sensörleri, sıcaklık ve nem sensörleri ve vibrasyon monitörleri sürekli durum akışları sağlar.
- [FONT:0]Operasyonel veriler: [Dönetici: [Dönetici:0] SCADA tarihçisi girişleri, dış yönetim kayıtları, yük profilleri ve geçiş olayları performans bağlamı sunar.
- [FONT:0]Maintenance kayıtları:[Dönetici:[Dönetici:) İş siparişleri, denetim raporları, test sonuçları (örneğin, güç faktörü, yalıtım direnci, petrol kalitesi) geçmiş müdahaleler.
- [FONT:0)Environmental ve geospatial veriler:[Dönem: 1) Hava tarihi, bitki örtüsü, toprak koşulları ve hatalarına yakınlık, dış stresleri değerlendirmede yardımcı olur.
- [FONT:0] ⁇ ve düzenleyici veriler:[Dönetici: Sermaye bütçeleri, depreciasyon programları ve uyumluluk gereksinimleri ekonomik karar verme konusunda bilgi vermektedir.
Analytics teknikleri dört olgunluğa göre kategorize edilebilir. [FONTD][FONT][FONT][FONT][FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=0)))))))))))Dönersel analizler (FONTD) "How happens?" ile ilgili öngörüler ve analizler (Döneticileri kullanarak ne olacak?"
Bu olgun aşamalardan gelen Utilities, daha ilerici bir değere sahip. Örneğin, sadece tanımlayıcı analizleri kullanarak bir fayda, alt istasyonun yılda en fazla mola veren operasyonları olduğunu bilir, ancak önsözlü bir yaklaşım, bu molanın aşırı çalışma maliyetlerini ve aşırı zaman iş maliyetlerini en aza indirmek için tam ay önerebilir.
Tahmin edici Bakım
Tahmin edici bakım, muhtemelen sabit aralıklarda bakım yapmak yerine ALM'deki veri analizlerinin en etkili uygulamasıdır (örneğin, her üç yıl) veya bir başarısızlık için beklemek, tahmin edici modeller, yakında dikkat gerektiren bir varlık ve bayrak bileşenlerinin geri kalanını tahmin eder.
Ortak tahmin teknikleri şunları içerir:
- [FONT:0]Statistical modeller: [Dönetici: Weibull analizi ve tehlike işlevleri model başarısızlık oranları yaş, yükleme ve çevresel kovarilere dayanan.
- [FONT:0)Makine öğrenme sınıflandırıcıları:[Dönetici:[Dönetici:0) Karşılaştırmalı gaz seviyeleri, musluk değişimleri ve çevre sıcaklığı gibi özellikler hakkında bilgi sahibi olabilir.
- [FONT=0) Zaman serisi için Deep öğrenme: [Dönetici: [Dönetici: 8] Uzun kısa süreli bellek (LSTM) ağlar ve otomatik kodlayıcılar önceki başarısızlıklarda ince anomalileri tespit eder.
- [FONT:0]Survival analizi:[Dönetici:[Dönetici:0)) Cox orantılı tehlike modelleri zaman zaman zaman zaman zaman-failure'i tahmin ederken (daha önce başarısız olmayan) tahmin eder.
Bu modeller genellikle tarihsel başarısızlık verileri ve bakım sonuçları üzerinde eğitilmiştir. Anahtar olanaklar, yüksek kaliteli etiketli verileri (örneğin, "önengeci" ve "korrective" olayları ile ilgili özellikleri seçmek için açık bir ayrım içerir.).
Örneğin, transformatör yağında gaz analizi (DGA) iyi kurulmuş bir tahminci iç hataların oluşmasıdır.In coupling DGA okumaları yük tarihi ve sıcaklık eğilimleri ile, bir fayda, dönüştürücünün yalıtım kağıdının son yaşam ve zaman zaman yeniden koşullandırması veya değiştirmesi için bir termal modele neden olabilir.
En İyi Varlık Değiştirme
Koruma, yenidenfurbish veya bir grid varlık yerine getirmenin teknik durumu, risk maruziyeti ve finansal kısıtlamalar içerir. Data Analytics bu kararı yaşam döngüsü maliyet analizi ve risk bazlı önceliklendirme yoluyla destekler.
Tipik bir yedek optimizasyon çerçevesi içerir:
- [FONT:0)Kondition değerlendirme puanı: [Dönetici: [Dönetici:0]Test sonuçları, yaş, işletim tarihi ve başarısızlık sonuçları (güvenlik, çevresel, düzenleyici ve müşteri etkisi) elde edilen bir kompozit puan.
- [FONT:0]Economic modelleme: Net mevcut değeri (NPV) veya "eşit ve devam" arasındaki yıllık maliyet karşılaştırmaları "yeniden gelen analiz hesapları, beklenen başarısızlık maliyetleri, yaşlanma ekipmanlarından enerji kayıpları ve selamlama değeri.
- [FONT:0)Risk niceleştirme:[Dönetici:[Dönetici:0) Başarısızlık sonucu (örneğin, sağlanmamış enerji, yedeklenme veya bölgesel güvenilirlik standartları için cezalar).
- [FONT:0)Portfolio optimizasyonu: [Dönetici: 1) Linear programlama veya heuristik algoritmaları, bütçe kısıtlamaları altında çok yıllık bir ufukta yerini alacak olan varlıkları seçen ve harcanan dolarların maksimum güvenilirliğini veya risk azaltımı.
Gelişmiş hizmetler artık mevcut olan [[Döneticileri:0) Dijital ikiz), çeşitli işletim senaryolarında yaşla ilgili bozulmaları simüle eden kritik varlıklar için modeller.Bu ikizler gerçek zamanlı sensör verileri fizik tabanlı modeller ile dinamik bir yaşam tahminleri üretmek için entegre eder. Örneğin, yüksek gerilimli bir devre kesici iletişim bağlantılarının sayısal ikizleri, arkeoloji, kesme döngüleri ve bahar mekanizmalarına göre, daha sonra en iyi yedek pencereleri tavsiye eder.
A belirgin bir örnek, DÜDÜ:0)IEEE İşlemleri Güç Teslimatı[[DDDDDDDDD) ile ilgili olarak, bir Avrupa iletim operatörünün hayatta kalma analizinin bir kombinasyonunu nasıl kullandığını ve planlanan alt istasyon yedeklerinin% 12'sini denememesini sağladığını açıklarken, aslında beş yıllık bir ufukta % 8 oranında azaltır.
Data Integration and Platform Architecture
Etkili veri analizi izolasyonda gerçekleşmiyor. Doğru yapılandırılmış verileri birleştiren (örneğin, iş siparişleri) ve yapılandırılmamış verileri (örneğin, ısıtıcı veriler) ile bulut tabanlı veri göllerine veya gölhouse mimarilerine doğru ilerliyor.
Bir şebeke analitik platformun temel bileşenleri şunlardır:
- [FONT=0)Data Ingestion Katmanı:[Dönetici:[Dönder:) API'ler, mesaj kuyrukları (örneğin, MQTT, Kafka), ve ETL boru hatları, veri alan cihazları, şirket sistemleri ve üçüncü taraf kaynaklardan elde eden.
- [FONT:0)Data Governance:[Döneticileri için Master veri yönetimi, tutarlı adlandırma kongreleri ve veri kalitesi kuralları eksik veya yanlış okumaları işlemek için.
- [FONT:0)Analytics Engine:[Dönetici:[Dönetici: [Dönetici: · 1 ) Bir ölçeklenebilir bir hesap ortamı (örneğin, Spark, Databricks veya bulut-native serverless hesaplama) istatistiksel modelleri ve ML boru hatları yürütmek.
- [FONT:0]Visualization and Reporting: Mevcut varlık sağlık puanları, yedek önceliklendirme listeleri ve planlamacıları, mühendisler ve yöneticiler için bakım önerileri.
[FONT=0]Directus[Dönetici:0)[Dönetici] platformu, örneğin, belirli bir varlık türü, yaşam döngüsü ve katı olmayan ilişkiler, analiz algoritmaları ve dijital ikiz ağ çıktıları için onları, REST veya GraphQL API'leri ile analitik panolar ve mobil denetim uygulamaları tanımlamalarına olanak sağlar.
Grid Management'teki Data Analytics'in Faydaları
Ölçekte uygulandığında, veri analizi, şebeke varlık yönetiminin birden fazla boyutu boyunca ölçülebilir gelişmeleri yönlendirir.
Geliştirilmiş Güvenilirlik ve Dayanıklılık
Daha önce başarısızlıkları tahmin ederek, düşük riskli pencereler sırasında (örneğin, dağıtım transformatörlere dayalı bakım) yapılan çalışmalar, müşteri kesintilerini ve süresini azaltır.A study by theETHFLT:0)Ulusal Yenilenebilir Enerji Laboratuvarı (NREL)).
Maliyet Tasarrufları ve Sermaye Verimliliği
Proaktif bakım genellikle uzun vadede faktörleme, seferberlik ve koladik hasar maliyetlerine sahip olduğunda acil onarımlardan 30-50 daha az pahalıdır. Ek olarak, veri bazlı yedekler, sermaye harcamalarını hala önemli bir süre içinde kalan varlıklar üzerinde ertelemeye izin verir.
Genişletilmiş Varlık Yaşam
Örnek olarak, sabit programlara dayanan DGA trendlerine dayanan dönüşümleri, kağıt yalıtım seviyelerini ve antioksidan kesintilerini geri getirebilir, emeklilik verileri analiz eder ve bu tür müdahalelerin marjinal faydasını artırır. Örneğin, yaşam uzatmalarında harcamanın olumlu bir getiri sağlar.
Bilgilendirilmiş Strateji Planlama ve Düzenleme
Analiz desteği ile üretilen portföylerin daha uzun vadeli ağ planlamasını, örneğin eğimli yüksek başarısızlık riski olan koridorları tespit etmek gibi, yerküresel bitki örtüsü nedeniyle daha fazla sayıda ürün için sermaye planlarını sayısal kanıtlarla haklı çıkarmak için öngörür. Analytics, oran davalarını savunmak ve paydaşların maaşlarını göstermek için öngörür.
Meydanlar ve Gelecek Yollar
Onun sözüne rağmen, şebeke ALM'deki veri analizlerinin benimsenmesi birkaç engelle karşı karşıyadır. Veri kalitesi veri yönetimi, metadata standartları ve veri doğrulama hatlarının analitik sürümlere güvenmeleri gerekir.
Organizasyonel silolar başka bir engeldir. Varlık yönetimi, operasyonlar, mühendislik ve IT departmanları genellikle küçük çapraz konuşmalarla ayrı sistemler kullanır.Yönetim sponsoru ve çapraz işlevli veri takımları olmadan, analitik girişimler parçalanır. Change management aynı zamanda kritiktir -bu mürettebatlar "tarafsız" için alışkın olabilir. Başarılı programlar, veri bilim adamları ve domain uzmanları arasında erken işbirliği içerir, ayrıca gerçek dünya değerini gösteren pilot projeler.
Cybersecurity endişeleri daha fazla sensörler ve kenar cihazları analitik platforma bağlanır. Saldırı yüzeyleri genişletilebilir ve manipüle edilmiş sensör verileri yanlış bakım kararlarına yol açabilir. Utilities güvenlik tasarım ilkeleri: şifreli iletişim, cihaz doğrulama, veri akışları hakkında bir algılama ve analitik panjurlar için rol tabanlı erişim kontrolleri uygulamalıdır.
Önümüzdeki birkaç gelişmekte olan teknoloji, şebeke varlık yönetimi üzerindeki veri analizlerinin etkisini basitleştirecek.
Yapay Zeka ve Makine Öğrenme
Derin öğrenme modelleri, özellikle transformatörler ve grafik sinir ağları, geleneksel modeller, alt istasyonlarda katlanma hataları gibi karmaşık başarısızlık kalıpları için söz gösteriyor.Finans öğrenme öğrenme, maliyet, güvenilirlik ve karbon ayak izi arasındaki çok-objective trade-offs optimize edebilir.Demokülasyon maliyetleri düşerken, bu gelişmiş modeller rutin kullanım için pratik hale gelecektir.
Edge Analytics
Bazı analitikleri kenar cihazlarına taşıyın (örneğin, dolap işleme ile sensörler) geç saatler, bant kullanımı ve bulut bağımlılığını azaltır. Örneğin, bir devre kesici üzerinde bir titreşim sensörü yerel olarak bir sağlık göstergesi hesaplar ve sadece uyarıları veya özet istatistiklerle, gizliliği korumak ve veri yükünü azaltmak için daha hızlı yanıt verir.
Dijital Twins ve Simülasyon
Tüm alt istasyonların veya yem rotalarının dijital ikizleri, fiziksel şebekeyi riske atmak için fizik tabanlı modeller ile gerçek zamanlı verileri daha yaygın hale gelecektir.
Data Integrity için Blockchain
Çok-gücreli veya düzenleyici ortamlar için, varlık verilerinin denetim edilebilir ve mümkün olmayan, blok tabanlı veri kayıtları denetimleri, onarımlar ve koşul değerlendirmeleri sağlayabilir.Bu şeffaflık, uyum sağlayabilir ve varlık paylaşımı veya kiralama ile ilgili yeni iş modelleri sağlayabilir.
Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç
Veri analizi artık ağ varlık yaşam döngüsü yönetimi için rekabetçi bir farklılaştırıcı değildir - temel bir gereklilik haline gelir. Sensör verileri, tarihsel kayıtları ve gelişmiş modeller güvenilir, maliyet kontrolü ve uzun vadeli planlamada net bir avantaj sağlayacaktır.
Enerji peyzajı daha yüksek yenilenebilir penetrasyonuyla gelişmeye devam ettikçe, elektriklileştirme ve iklim baskıları, veri analizi, a Adaptasyon, öz-healing ızgaranın temel imkanları olacaktır. Bugün analitik yeteneklerini inşa etmeye başlayan hizmetler önümüzdeki on yılda en iyi şekilde gelişmeye devam edecektir.