Güç Dağıtımı'nda Varlık Yaşam döngüsünü Yönetmek için Öngörücü Analytics Kullanımı

Makine Öğrenme Algoritmas

Regresyon ve zaman serisi analizi gibi geleneksel istatistiksel yöntemler hala bir rol oynamaktadır, ancak makine öğrenimi (ML) tahmin edici modeller için birincil motor haline geldi. Güç dağıtım varlık analizinde kullanılan Common algoritmaları şunları içerir:

• [FONT:0]Random ormanları ve gradient yükselticiler [[Dönetici: 1 ) - Sınıflama görevleri için Mükemmel (örneğin, bu dönüştürücü önümüzdeki 90 gün içinde başarısız olacak mı?) ve regresyon görevleri (örneğin, geriye kalan yararlı yaşam tahmin edin).
• [FONT:0)Recurrent sinir ağları (RNNs) ve LSTMs[[DÜT:1) - Zaman serisi sensör okumaları gibi açıklanabilir veriler için tasarlanmıştır, uzun vadeli bağımlılıkları bu basit modeller kaçırır.
• [FONT:0)Anomaly algılama modelleri[Dönetici: 1))[Dönetici: 2) - Davranışın normal desenlerden saplandığı denetimli veya yarı denetimli modeller.
• [FONT:0]Survival analizi modelleri[[Dönem: 1) Tıbbi istatistiklerden alıntılanan bu modeller, belirli bir zaman noktasını hayatta kalan bir varlık olasılığını tahmin ediyor, sansürlenmiş veriler (daha henüz başarısız olmayan başlangıçlar).

Bu modeller üzerinde dikkatli bir özellik mühendisliği geliştirmek - ham sensör okumalarını anlamlı tahminörler haline getirmek - ve yeni denetim ve başarısızlık verileri olarak devam etmek.

Data Visualization and Dashboards

Tahminler, ancak, bir eylemde karar verici bir şekilde karar vericilere iletişim kurmaları için iletişim kurmaları yararlıdır. Modern görselleştirme araçları arsa sağlık puanları, tahminler ve belirli paniğe yönelik eylemlere tavsiye edilir. Güvenilir bir mühendis, hizmet bölgesinde bir ısı haritası görebilirken, bir bakım programına öncelik veren bir bakış açısına ihtiyaç duyan bir sonraki ay içinde dikkat çekmeye yardımcı olabilir.

Ekranlar:0)Tableau[[Dönetici:2) ve [[Döneticileri [Döneticileri oluşturmak için yaygın olarak kullanılır, ancak birçok hizmet, ana-yapılı varlık yönetim platformları için standartlaştırır ve kutudan çıkar.

Bulut Hesaplaması ve Scalable Data Processing

Bir dağıtım ağının binlerce sensör tarafından üretilen verilerin hacmi, her gün terabaylara kolayca ulaşabilir. Amazon Web Services (AWS), Microsoft Azure ve Google Cloud, enjektif olarak gerekli olan elastik hesaplama ve depolama sağlar ve bu verileri depolamak için de kullanılabilir.

Güç Dağıtımı'nda Tahmin Edici Analytics Faydaları

Tahmin edici analitik raporu uygulayan Utilities, birden fazla boyutta ölçülebilir gelişmeler rapor ediyor.Tam rakamlar operatör ve varlık sınıfı tarafından değişirken, aşağıdaki avantajlar endüstri vaka çalışmalarında ve üçüncü taraf analizlerinde sürekli olarak belgelenmiştir.

Planlanmamış Outages ve Improv Reliability

Planlanmamış kesintiler, müşterilerin en görünür maliyetleridir, düzenleyici paraları bozar ve bir kullanıcının itibarına zarar verir. Öngörücü modeller erken uyarı işaretlerini yakalar - bir devre kesicide yükselen gaz seviyelerini kaybeder - bu düzeltici eylem başarısız oluyor. Sonuç, planlanmamış olaylarda önemli bir azalmadır.

A 2023 çalışması, Power Delivery'ta yayınlanan bir çalışma[Döneticiler:0)IEEE Transactions on Power Delivery[[Döneticiler) üç yıllık bir süre boyunca tahmin edici bakım kullanan dağıtım hizmetlerinin tahmin edilebilir bir bakımla ilgili olarak% 40 azaltıldığını tespit etti.

Aşağı Bakım Hedeflenen Müdahaleler aracılığıyla Maliyetler

Kayıt bakımı doğal olarak boşanır. Birçok varlık gereksiz yere aşırılıkları alır, ancak zaman tahmin etmeye dayanan yaklaşımlardan yararlanan birkaç kişi kesintiye uğrar. Predictive Analytics resources from calendar-based routines to condition-based responses, improve the deployment of work, parts, and equipment. Utilities report decreases in maintenance spend of 15-30% when moving from time-based to tahminive approach.

Genişletilmiş Varlık Yaşam

Örneğin, son derece yanlış algılar tespit ederek, tahmin edici analiz, büyük zararlara tırmanmadan önce küçük sorunlara hitap etme olanağı sağlar. Örneğin, kısmi deşarj izleme yoluyla tespit edilen bir çatlakları, dönüştürücüyü yıllarca acı çekmeden ziyade planlı bir şekilde değiştirilebilir. Proaktif müdahale, dağıtım varlıklarının yararlı ömrünü %20 veya daha fazla uzatabilir, yeniden yükleme için başkent harcamalarını engelleyebilir.

İşçiler ve Halk İçin Gelişmiş Güvenlik

Antiatrofik ekipman başarısızlıkları, dönüştürücü patlamalar veya geçişler gibi, işçiler ve yakın topluluklara ciddi riskler verir. Predictive Analytics, tehlikeli başarısızlık modlarına yaklaşmakta olan varlıkları tanımlar, böylece kontrollü koşullar altında bozulabilir ve tamir edilebilir. Bu, kazaların olasılığını azaltır ve saha ekiplerinin tehlikeli durumlara maruz kalma olasılığını azaltır.

Daha İyi Kaynak Allocation ve Planlama

Öngörüler daha geniş operasyonel planlamaya beslenir. Alt istasyon kesicilerinin son derece yakınlaştığını bilen bir fayda, örneğin, uzak saatler boyunca ekipler ve diğer bakım aktiviteleriyle koordineli olarak risk puanlarına öncelik verebilir. Uzun vadede, başarısızlık tahminleri başkent bütçelemeyi bilgilendirir: örneğin, örneğin, tüm yaşlanma rekolelerinin değiştirilmesine karar verebilir, keyfi yaş eşlerinin aksine risk puanlarına öncelik verebilir.

Meydanlar ve Gelecek Yollar

Kanıtlanmış yararlarına rağmen, bir dağıtım ağı üzerindeki tahmin edici analiz dağıtmak bir eklenti değildir ve oyun çalışmasıdır. Utilities, yatırıma geri dönüşleri geciktirebilecek veya sınırlayabilecek birkaç engelle karşı karşıyadır.

Data Quality and Integration

Tahmin edici modeller sadece üzerinde eğitildiği veriler kadar iyidir. Birçok hizmet, en sık tutarsız kodlama, eksik alanlar ve manuel giriş hataları ile depolanan onlarca yıllık tarihi bakım kayıtlarına sahiptir. Sensör verileri gürültücü olabilir, iletişim hataları nedeniyle boşlukları olabilir veya bu veri kaynaklarını harmonik etmek, bu veri kaynaklarını sık sık sık sık hafife alan bir iş yoğun önkoşuldur.

Ayrıca, farklı satıcılardan verileri entegre etmek (SCADA, sensörler, GIS, iş yönetimi) sağlam bir orta dikkat ve veri yönetimi gerektirir.Birleştirilmiş veri kumaşı olmadan, model geliştirme yavaş ve güvenilmez hale gelir.

Yüksek İlk Yatırım

Tahmin edici analitik hesaplamalar için ön maliyetler içerir, kenar bilişim donanımları, bulut altyapısı, yazılım lisansları ve veri bilimi yeteneği. Küçük ve orta ölçekli hizmetler, faydaların - gerçek olsa da - birçok yıl boyunca yayılmıştır. ancak, birçok analiz satıcısı artık giriş engeli daha düşük fiyatlar sunuyor.

Özelleştirilmiş Uzmanlığa ihtiyaç duyulması

Bina ve tahmin edici modeller veri mühendisliği, makine öğrenmesi ve domain-özellikle güç dağıtım ekipmanı bilgisi için ayarlama ve veri bilim insanları, özellikle yüksek ücretli teknoloji ve finans sektörleriyle rekabet ederken, bir çözüm uzman analitik firmalarla ortak olmak veya dağıtım ekipmanı için önceden belirlenmiş modeller ayarlayan bir amaç-yapım.

Model Yorumability and Trust

Bir model tarihsel veriler üzerinde iyi performans gösterdiğinde, faydalı mühendisler, modelin neden belirli bir sonuca vardığını anlayamadıkları konusunda tahminlere karşı harekete geçmeye isteksiz olabilirler. Black-box derin öğrenme modelleri özellikle de içilebilir AI (XAI) alanı, insan hazırlanabilir gerekçeler sağlamak için teknikler üretebilir, bu nedenle sensör okumaları çoğu zaman başarısızlık uyarısına katkıda bulunur ve gerçek sonuçlara karşı sürekli geçerliliği gerektirir.

Güç Dağıtımı'nda Tahmin Edici Analizlerin Geleceği

Bir sonraki yenilik dalgası, gelecek on yıl içinde varlık yönetimi yeniden şekillendirmek için öngörülü analitikleri daha güçlü ve erişilebilir hale getirecektir.

Dijital Dağıtım Ağının Dijital Twins

Dijital ikiz, gerçek zamanlı durumu yansıtan fiziksel bir varlık veya sistem dinamik bir kaynağıdır. Bir dağıtım dönüştürücü için, dijital ikiz, sensör verilerini tarihsel performansla, çevresel faktörlerle entegre edebilir ve hatta yük senaryolarının simülasyonunu kullanabilir. Utilities, dijital ikizleri “if” analizlerini yürütmek için kullanabilir - dönüşüme dayalı güneş nesillerini eklemenin etkisi gibi - operasyonel değişiklikler yapmadan önce.

AI ve Büyük Dil Modelleri ile Derinleşme

Yapay zeka, büyük dil modellerine (LLMs) ve jeneratif AI'ya öğrenmenin ötesine geçiyor. varlık yönetimi bağlamında LLMs, “Son altı ayda incelenen tüm dönüştürücüleri göster bana göre gösterebilir.

Özerk Beyaz Ağ Operasyonları

Tahmin edici analizler daha güvenilir hale gelir, hizmetler danışma sistemlerinden kapalı-loop kontrolüne taşınacaktır. Örneğin, bir besleme cihazı üzerinde potansiyel bir aşırı yüklemeyi tespit eden tahmin edici bir model, otomatik olarak yük dengelemek için ağı yeniden yapılandırabilir.Bu tür kendi kendine özgü ağ ağları, zaten Avrupa ve Asya'daki kuruluşlar tarafından pilotlaşmıştır.

Demerkezli ve Edge Computing

Uzakta veri işleme - sensörler veya yerel ağ geçitleri - 5G ve düşük güç geniş alan ağlarla (LPWAN) arasındaki mesafe tahminlerini merkezi bir buluta güvenmeden gerçek zamanlı başarısızlık tahminlerini içerecek şekilde.Bu özellikle de uzaktan alt istasyonlar için değerlidir.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Tahmin edici analitik artık güç dağıtım endüstrisi için bir futuristik konsept değildir. Güvenilirlik, maliyet verimliliği ve güvenlikte ölçülebilir gelişmeler sağlayan pratik, kanıtlanmış bir araçtır.Reaktif ve zamana dayalı bakımdan koşul temelli olarak, veri odaklı karar verme, hizmetler varlık yaşam döngüsüni, daha önce görülmemiş hassasiyetle yönetebilir.

Yolculuğun sensörleri, veri altyapısı, analitik platformlar ve yetenekli personel için yatırım gerektirir. Ancak geri dönüş önemli: daha az kesinti, daha düşük maliyetler, daha uzun varlık hayatı ve daha dayanıklı bir ağ. Dijital ikizler, kenar AI gibi teknolojiler, ve özerk kontrol gibi teknolojiler gelişmeye devam ediyor, lider hizmetler ve geri kalanlar arasındaki boşluk genişleyecek.Bugün tahmin edenler, güvenilir, uygun fiyatlı ve daha dayanıklı bir elektrik için en iyi şekilde yer alacak.