Power Grids'te Tahmin Edici Varlık Bakımı için Büyük Veri Kullanımı

Power gridler modern altyapının arka kemiğidir, elektrikten evlere, işletmelere ve endüstrilere elektrik sağlar. Güvenilir operasyonlarını sağlamak ekonomik istikrar ve kamu güvenliği için önemlidir. Son yıllarda, büyük veri analizlerinin gelişi, büyük veri sistemlerinin dinamik doğasını ele almak ve işletmek için baskıyı artırmayı, veriye dayalı tahminleri ve zaman temelli planlamaları sağlamak için daha fazla baskı sağlar.

Tahmin edici Varlık Bakım Nedir?

Tahmin edici varlık bakımı, sabit bir zamanlama (örneğin, her altı ay), gerekli olduğunda temel prensip, geri kalan yararlı bir yaşam (RUL) tahminleri veya bir anomali puanları için yapılan bir başarısızlıktan farklı olarak, sabit bir şekilde onarım veya değiştirmeleri takip eden proaktif bir bakım stratejisidir.

Güç ızgaraları bağlamında tahmin edici varlık bakımı planlanmamış downtime, varlık ömrü uzatıyor ve genel bakım maliyetlerinden daha düşük bir şekilde değişiyor. "konular kırıldığında" “know it will break and correct it just in time.Bu yaklaşım özellikle yüksek değerli varlıklar için değerli, dönüştürücüler, devre kesiciler ve türbinleri, beklenmedik başarısızlıkların “taraflara ve büyük ekonomik kayıplara yol açabileceği bir şekilde.

Tahmin edici bakım üç temel sütun üzerinde inşa edilir:

• [FONT:0)Data Acquisition:[Dönetici:[Dönetici:0) Sürekli gerçek zamanlı sensör okumaları, operasyonel loglar ve çevresel faktörler koleksiyonu.
• [FONT:0)Data Analytics:[[Dönetici ve makine öğrenme modellerinin modellerini tespit etme, sapmalar ve bozulma eğilimleri.
• [FONT:0)Decision desteği:[Döneticileri bakım iş akışlarına entegre etmek, genellikle panolar ve otomatik çalışma düzeni sistemleri aracılığıyla.

Power Grids için Tahmin edici Bakımdaki Büyük Verilerin Rolü

Büyük veriler, günlük veri akışlarının büyük, yüksek seviyeli ve çeşitli veri setlerine atıfta bulunur ve güç ızgara ekosisteminde üretilen çeşitli veri setleri (IEDs), akıllı elektronik cihazlar ve koşullu sensörlerin ve akıllı cihazlar günlük verileri analiz eder.Bu bilgi, daha önce imkansız olan bir varlık sağlığı görünümünden gelir.

Data Collection: Sensörler ve IoT Cihazları

Modern sensörler, aşınma ve başarısızlık ile ilişkili fiziksel parametreleri yakalamak için tüm ızgaralar dağıtılır. Anahtar sensör türleri şunları içerir:

• [FONT:0]Temperature sensörler[[[Dönetici: 1) - transformatörlerde petrol ısısını izlemek, rüzgarlı sıcaklık ve çevre koşulları. Aşırı ısıtma, yalıtım arızası için ortak bir öncüdür.
• [FONT=0)Vibration sensörleri[[Döneticiler ve jeneratörler gibi dönen ekipman üzerinde vibrasyonlar ölçmek. Sık sık sık sık sık kullanılan sinyal veya dengesizlik.
• [FONT:0)Partial deşarj (PD) sensörler) - kablolarda ve geçişte önleyen yüksek frekanslı elektrik deşarjları tespit.
• [DGA) Sensörler [DGAT:1) - transformatör yağı (örneğin, hidrojen, methane, acelik) iç bölme veya aşırı ısıtmayı değerlendirmek için gaz analizleri (DGA) sürekli olarak analiz edilir.
• [FONT:0]Load ve mevcut sensörler[[Dönetici:0)[Dönetici:0)[Döneticiler ve mevcut sensörler[Döneticiler:)
• [FONT:0)Environmental sensörler[[Dönetici: 1), nem, rüzgar hızı ve varlık bozulmasını hızlandıran kirliliği seviyeleri ele alır.

Bu sensörler genellikle IoT ağ geçidine preişe entegre edilir ve verileri merkez platformlarına iletir. Örneğin, tipik bir alt istasyon milisaniyelerden dakikalara kadar uzanan aralıklarla yüzlerce sensöre sahip olabilir.

Data Storage and Management

Kafe varlıklardan büyük verileri korumak ve yönetmek sağlam mimarileri talep eder. Birçok hizmet, Influx, TimescaleDB veya Apache Druid'in ölçeklenebilir bir nesne mağazasında (örneğin Amazon S3 veya Azure Blob Storage) ve daha sonra Influx gibi analizler için işlenir. Zaman serisi veritabanı, Zaman ölçeğiDB veya Apache Druid, zaman veri depolamak için uzmandır.

Bulut tabanlı çözümler elastik depolama ve hesap kaynakları sunar, ağır yatırım olmadan ölçeklendirmeye olanak sağlar. Ancak bazı operatörler, geç saatler ve güvenlik gereksinimleri nedeniyle, özellikle zaman-kri tahminler için, bir hibrit mimari - gerçek zamanlı uyarılar için kenarda işlem yapın ve modellemek için buluta atasınız - giderek yaygın olarak.

Data Analysis Techniques

Test edici içgörülerdeki ham verileri analitik tekniklerin bir paketi gerektirir. Makine öğrenimi (ML) ve istatistiksel modeller temel motorlardır.

• [FONT:0] Süpervised learning[[[Dönetici: 1))[[Dönetici: 2))[Döneticileri, rastgele ormanlar, gradient güçlendirme (XGBoost) ve destek vektör makineleri ekipman sağlık devletlerini sınıflandırmak veya geri kalan faydalı yaşamı sınıflandırmak için eğitilmiş modeller.
• [FONT=0)Yetersiz öğrenme[[Dönetici:0)[Dönetici, DBSCAN) ve anomaly algılama (isolation or autoencoders), başarısızlık etiketleri olmadan yapılan sistemlerde hata tespiti için faydalı olacaktır.
• [FONT:0) Deep learning[[DÜDÜT:1) – recurrent sinir ağları (RNNs), uzun kısa süreli bellek (LSTM), ve konvolutional sinir ağları (CNNs) karmaşık zaman ve uzaysal bağımlılıkları yakalamayı başarır.
• [FONT:0)Physics-informer modeller[Dönetici:0)[[Döneticiler) – Hibrit yaklaşımlar veri odaklı ML ile fiziksel bozulma denklemleri bir araya getirir. Örneğin, Arrhenius yasasına dayanan dönüştürücü bir yalıtım modeli, sensör okumaları ile düzeltilebilir.
• [FONTD:0]Survival analizi[[Dönetici: 1) Kaplan-Meier estimators ve Cox orantılı tehlike modelleri, zaman içinde hayatta kalma olasılığını tahmin eder, yük çevrimleri ve bakım tarihi gibi ortaklar.

Bu modeller genellikle TensorFlow, PyTorch veya scikit- learning gibi çerçeveler kullanılarak uygulanır ve konteynerli boru hatları (Docker, Kubernetes) ölçeklenebilirlik ve reproducability için kullanılır.

Tahmin edici modeller ve Uyarılar

Eğitimli bir şekilde, tahmin edici modeller canlı veri puan almak için dağıtılır. Çıktılar başarısızlık olasılığı puanları, bir kanaldaki sağlık indeksi (örneğin, 0-100 ölçek) veya işletme varlık yönetimi (CMMS) platformlarını entegre eden karar destek sistemleri ile ilgili öngörüler yapılır. Örneğin, dönüştürücünin sağlık indeksi bir eşiğinin altında düşüşe uğrarken, otomatik bir iş düzeni oluşturulur ve operatör önerilen eylemlerle uyarı alır. Gelişmiş sistemler ayrıca, kontrol edilen önerilere yol açma önerileri sağlar. Gelişmiş sistemler de temelin yanı sıra, bakım ekiplerine rehberlik eder.

Örneğin, büyük bir Avrupa şebeke operatörü tarafından yapılan bir pilot, çözülmemiş gaz analizi ve LSTM modellerinin dönüşümsüz başarısızlıkları %40 azalttığı ve her yıl kaçınılan 3 milyon Euro tasarruf ettiği bildirildi. Benzer şekilde, ABD Enerji Bakanlığı'nın 03.S.S. Department of Energy'surFLT:0)Grid Modernizasyon Girişimi), devre kesicilerin %30 oranında kesintiye uğratıldığı vaka çalışmaları vurgulamaktadır.

Temel Bakım için Büyük Veri Kullanımının Faydaları

Büyük veri tahmin edici bakım verimlerini operasyonel, finansal ve güvenlik boyutlarında somut avantajlara kavuşturur.

• [FONT:0) Planlanmamış bir süre:[Döneticilerin erken tespiti bir başarısızlık meydana gelmeden önce bakım sağlar.In İlet şebekeleri, hatta tek bir dönüştürücü başarısızlık, kalibre edici bakımların frekansı ve bu tür olayların süresini azaltır.
• [FONT:0] Düşük bakım maliyetleri: [Dönetici zaman tabanlı programlardan uzaklaşarak, hizmetler sadece gerekli iş yapar. Bu yedek parçalar envanter, iş maliyetleri azaltır ve uzaktan siteler için seyahat süresi gösterir.
• [FONT:0)Ölmüş varlık ömrü:[Dönetici:[Dönetici:0) Sürekli müdahaleler, küçük kusurların felaket başarısızlıklara ilerlemelerini engelliyor. Örneğin, bir dönüştürücüdeki erken değiştirmenin 10-15 yıl boyunca hayatını uzatabilir.
• [FONT:0)Enhanced güvenlik: [Dönetici:[Dönlendirmeler) Öngörüler patlamaların riskini azaltır, yay flaşları veya petrol kirliliği işçileri ve halkın tehlikelerini tehlikeye attırır.
• [[0)Optimized iş dağıtım:[Dönetici sağlık, bakım ekiplerinin açık bir resmi ile kritik konulara odaklanır.Bu, kaynak kullanımı geliştirir ve zaman içinde azaltır.
• [[Dönetici uyumluluk:[Döneticileri)[[FONT][FONT=0)En iyi düzenleyici uyumluluk:[Döneticileri)[[FONT=FONT=0)[FONT=0)))
• [FONT:0) Yenilenebilirlerin Better entegrasyonu: Güneş ve rüzgar streslerinden oluşan jenerasyonu şebeke varlıkları. Öngörücü bakım, artan bisiklet ve yüklemeyi yönetmeye yardımcı olur, yogunluk aşınmayı sağlar.

A.D. tarafından yapılan bir rapora göre:0)IBM Utilities), tahmin edilebilir bakım, SAIDI ve SAIFI (Sistem Ortalama Yolsuzluk Süre Endeksi ve Frekans Endeksi gibi genel ağ operasyonel maliyetleri % 25'e kadar azaltabilir.

Uygulama Challenges and Thinkations

Açık avantajlarına rağmen, büyük veri tahmin edici bakımları güç şebekelerinde benimsemek başarılı dağıtım için ele alınması gereken birkaç zorluk yaratır.

Data Quality and Integration

Sensör verileri genellikle gürültülü, eksik veya tutarsız, özellikle de çeşitli satıcılardan alınan ekipmanlardan geri alınır. Eksik zamanlar, kalibrasyon sürüklenme ve iletişim hataları, sınıflama modeli doğruluklarını ortaya koyan hataları sunar. Utilities, data temizleme hatlarına yatırım yapmalıdır, yönlendirme stratejilerine ve geçerlilik kurallarına ek olarak, çeşitli satıcılardan verileri entegre etmek, protokolleri (DNP3, Modbus, IEC850), ve IT/OT sınırları sağlam bir ortaware gerektirir.

Siber güvenlik ve Gizlilik

Ağ verilerinin büyük miktarlarda toplanması ve analiz edilmesi saldırı yüzeyinin genişletilmesini sağlar. Tahmin edici bakım sistemleri genellikle bulut hizmetlerine bağlanır, kanallarını sensör okumalarına veya tahminlere yönlendirebilir - potansiyel olarak fiziksel hasarlara yol açar. Utilities, son derece güvenli erişim, müşteri verileri GDPR veya devlet düzeyindeki gizlilik kurallarına uymalıdır.

Organizasyon ve Kültür Değişimi

Reaktif veya öngörülebilir analizlere geçiş, veri bilim adamları, domain uzmanları ve operasyonel personel dahil olmak üzere çapraz işlevli ekiplerden satın almalı ve güvenilir bir şekilde tehdit edilebilir. Clear communication, change management programs, and kanıt-of-concept pilots showing reliable development help expire functionality teams that include data Americans, domain expert, and operational staff to co-de development solutions.

Skill Gaps ve Eğitim

Öngörücü bakım, elektrik mühendisliği, veri bilimi ve yazılım mühendisliği becerilerinin bir karışımını gerektirir - geleneksel fayda işgücünde yetersizdir. Organizasyonlar mevcut çalışanları, yeni yetenek veya teknoloji satıcıları ile ortak olarak yeni bir yetenek, veya birçok hizmet "dijital ikizler" takımları veya araştırma için üniversitelerle işbirliği yapar. Online dersler ve sertifikalar daha erişilebilir hale gelir, ancak öğrenme eğriliği yüksek kalır.

Model Yorumability and Validation

Grid operatörleri, SHAP (apley Katkıları) gibi bir varlıkla ilgili öngörüleri açıklamak, yanlış pozitifler veya kaçırılmış başarısızlıklarla ilgili endişeleri artırmak için zor olabilir. daha fazla yorumlanabilir modeller (örneğin, karar ağaçları, lineer modeller) veya SHAP (apley Katkıları) gibi teknikler ve LIME, sürekli olarak kontrol edilen arazi testleri üzerinde yapılan ekipman değişikliği ile ilgili öngörüleri sağlamak için gerekli olan öngörüler sunar.

Future Yol ve Trendler

Büyük veri tahmin edici bakımların güç şebekelerinde evrimi tamamen uzaktır. Gelişen teknolojiler daha fazla yetenekleri geliştirmek için söz verir.

• [FONT=0] Dijital Twins:[Döneticiler:[Dönetici:0) Dijital ikizler, fiziksel bir ağ varlığının dinamik bir sanal kopyasıdır, gerçek zamanlı sensör verileri ve simülasyon modelleri tarafından beslenir.
• [FONT:0)Edge AI:[Dönetici:[Döneticileri doğrudan uzak cihazlarda çalışan makine öğrenimi modelleri, geç erişim ve bant genişliği kullanımını azaltır. Örneğin, transformatör yerel olarak tespit eden özel bir kenar işlemcisine sahip olabilir ve sadece buluta uyarılar gönderir. Edge AI ayrıca siber güvenlikle ilgili verileri açığa çıkarır.
• [FONT:0)Kendini kınayan veya başarısız bir varlıktan sonra ağlayan bir özelliktir.[FONTT:1) Predictive bakım, kendini önleyici yeteneklerin öncüdür.
• [FONT=0) Hava ve Yük Tahminleri ile Integration:[Dönlendirme: Yüksek çözünürlüklü hava verileri (sıcak, nem, fırtınalar) ve tahmin edilebilir yük modelleri varlık stres tahminlerini geliştirir. Örneğin, ısı dalgası sırasında dönüştürücü aşırı ısıyı tahmin etmek hedef alan soğutma önlemleri hedefleyebilir.
• [FONT:0]Federated Learning:[[Döneticileri ele almak için] Veri gizliliği endişelerini ele almak, ham verileri paylaşmadan birçok üründe tren modellerini besleyin. Her bir fayda, verileri tutar ancak model güncellemelerini paylaşıyor, ortak öğrenmeyi sağlar.
• [FONT:0)Yönerge ve Standartlar Evrim: [Dönetici ve IEC gibi Organizasyonlar, tahmin edilebilir bakım veri değişimi ve modelleme için standartlar geliştiriyor (örneğin, IEEE P2819). Bu standartlar endüstride içebilirlik ve kıyaslama kolaylığı sağlayacaktır.

Tamamen tahmin edici ağ bakımına giden yolculuk devam eden bir süreçtir. Şimdi altyapıya yatırım yapan Utilities, yetenek ve bir veri odaklı kültür, karbonizasyon, elektriklilaştırma ve dağıtılmış enerji kaynaklarına karşı daha iyi konumlandırılmıştır.

Özetle, büyük veri odaklı tahmin edici varlık bakımı, bir fırsata olan bir sorumluluktan güç şebekelerini dönüştürmektedir. Statik programların ve reaktif düzeltmelerin ötesine geçerek, hizmetler verimliliği, güvenliği ve uzun süre boyunca operasyonel uygulamaları başlatabilir.Büyük veri çağının alt istasyon kapısına vardığı dönemde, daha güvenli ve daha sürdürülebilir hale gelir.