AI mijenja održavanje elektroenergetike

Umjetna inteligencija i strojno učenje postaju temelj prediktivnog održavanja u elektroenergetici, navodi GlobalData. Komunalnim i energetskim kompanijama omogućuju da nauče uobičajeno ponašanje ključne mrežne imovine i prepoznaju prve znakove propadanja.

Kontinuiranom analizom pogonskih i senzorskih podataka te tehnologije otkrivaju anomalije i nove oblike kvara prije nego što prerastu u ozbiljan problem, pa se zahvati mogu provesti pravodobno i ciljano. Kako se digitalizacija širi proizvodnjom, prijenosom i distribucijom, prediktivno održavanje zasnovano na umjetnoj inteligenciji i strojnom učenju postaje ključno za sigurniji, učinkovitiji i otporniji rad elektroenergetskog sustava. GlobalData navodi da kompanije kao što su Ørsted, Florida Power & Light i National Grid kombiniraju visokofrekventne senzorske podatke, snimke pregleda i povijest rada kako bi rano otkrile anomalije, procijenile vjerojatnost kvara te bolje planirale održavanje i obustave. Takav pristup pomaže i u očuvanju stabilnosti mreže uz promjenjivu proizvodnju iz obnovljivih izvora i promjene tokova električne energije.

„Praćenje energije postaje važna mjera pouzdanosti u prediktivnom održavanju jer pomaže uočiti pad performansi mnogo prije nego što se oprema isključi ili otkaže. Pretvaranjem tehničkih signala o stanju u očekivani gubitak energije pri prognoziranoj potražnji, vremenskim uvjetima i dispečiranju preciznije se određuju prioriteti održavanja prema riziku za isporuku i stvarnom gospodarskom učinku, osobito na tržištima na kojima se prihodi i troškovi zastoja mijenjaju ovisno o uvjetima i vremenu“, rekao je Rehaan Shiledar, analitičar elektroenergetike u GlobalDatau.

Praćenje energije jača modele prediktivnog održavanja i usporedbom očekivane i stvarne proizvodnje, čime se otkrivaju početni problemi i provjerava djelotvornost obavljenog održavanja. Energetske kompanije zato u programe pouzdanosti i zdravlja imovine sve češće uključuju naprednu mjernu infrastrukturu i podatke mrežnih senzora. Duke Energy i Southern California Edison, primjerice, prate opterećenje i napon kako bi upravljali naprezanjem transformatora i vodova, ciljano ih zamjenjivali i unaprijed poboljšavali rad sustava.

„Tehnologija digitalnih blizanaca i proširena stvarnost sve se češće uvode zajedno, kao snažna i komplementarna kombinacija koja donosi inteligenciju u stvarnom vremenu. Digitalni blizanac stvara neprekidno usklađen virtualni prikaz fizičkog objekta, obogaćen podacima uživo i često prikazan kao vrlo detaljan trodimenzionalni model. Proširena stvarnost služi kao intuitivan vizualni sloj koji informacije digitalnog blizanca prilagođene kontekstu, poput stanja opreme, dijagnostike i vođenih postupaka, projicira izravno na fizičko okruženje“, nastavio je Shiledar.

GE Vernova koristi digitalne blizance za veliku opremu za proizvodnju električne energije, uključujući turbine i kotlove, u kombinaciji s nosivim uređajima proširene stvarnosti i imerzivnim naglavnim sustavima koji vode tehničare na terenu. Siemens na sličan način povezuje okvir digitalnog blizanca s proširenom stvarnošću kako bi kroz cijeli lanac vrijednosti spojio fizički i virtualni svijet te iz podataka izveo informacije primjenjive pri donošenju odluka.

„Cijena ugljika postaje gospodarski pokretač uvođenja prediktivnog održavanja u energetici jer neučinkovitost i nepouzdanost čini izravno skupljima. Kako oprema propada zbog onečišćenja, propuštanja brtvi, trošenja lopatica, odstupanja regulacije, starenja izolacije ili rastućih gubitaka transformatora, elektrane često troše više goriva po megavatsatu. Rastu i pomoćna opterećenja, a u sustavu naplate emisija ti se gubici izravno pretvaraju u ponavljajući trošak ugljikova dioksida“, dodao je Shiledar.

Prediktivno održavanje i digitalno upravljanje imovinom pomažu komunalnim tvrtkama da senzorima i analizom performansi rano prepoznaju pogoršanje stanja. Cijena ugljika povećava i vrijednost izbjegavanja prisilnih obustava, ispada i ponovnih pokretanja, koji mogu biti emisijski intenzivni i zahtijevati uključivanje pričuvne proizvodnje s većim emisijama. Zbog toga energetske kompanije digitalni nadzor i analitiku sve uvjerljivije povezuju s učinkom imovine i smanjenjem emisija.

„Komunalne tvrtke i proizvođači električne energije ubrzavaju prediktivno održavanje kako bi povećali pouzdanost ostarjele imovine, a istodobno držali pod nadzorom troškove rada i održavanja. Tehnologije koje je lakše uvesti, kao što su industrijski senzori interneta stvari, rubno računalstvo i analitika, čine nadzor stanja praktičnijim i primjenjivim u većem opsegu. Brzi rast obnovljivih izvora dodatno jača poslovni slučaj jer su zastoji distribuiranih vjetroelektrana i solarnih elektrana skupi, a daljinski nadzor nužan. Sigurnosna, regulatorna i ESG očekivanja, uz bolju kibernetičku zaštitu i dokaziv povrat ulaganja, potaknut će organizacije da prediktivno održavanje iz pilot-projekata prošire na cijele flote“, zaključio je Shiledar.

Međunarodna agencija za energiju procjenjuje da prepoznavanje kvarova uz pomoć umjetne inteligencije može skratiti trajanje prekida napajanja za 30 do 50 posto. U ranijoj analizi digitalizacije izračunala je i da bi smanjenje troškova rada i održavanja za pet posto elektroenergetskim kompanijama i potrošačima do 2040. donosilo gotovo 20 milijardi dolara uštede godišnje. Ti rezultati ovise o kvaliteti podataka, senzorima i mogućnosti da se upozorenje pretvori u pravodobnu terensku intervenciju; algoritam sam ne popravlja transformator, turbinu ili vod. Širenje senzora i udaljenog pristupa istodobno povećava kibernetičku izloženost operativne tehnologije, pa prediktivno održavanje mora uključiti provjeru izvora podataka, segmentaciju mreža, upravljanje ovlastima i mogućnost sigurnog ručnog rada. Pouzdanost se ne povećava ako se fizički kvar spriječi, a pritom otvori nekontroliran digitalni put prema kritičnoj opremi.