Förebyggande underhåll för att säkerställa transformatorns tillstånd

Enligt futuristen Ray Kurzweil ”…kommer vi inte att uppleva 100 års framsteg under 2000-talet – det kommer snarare att motsvara 20 000 års framsteg i dagens takt.” Kommer vi, i detta skede då vi fortsätter att göra tekniska genombrott och producerar och förbrukar energi i en ofattbar takt, att förbli en typ 0-civilisation? Det verkar osannolikt, om vi utgår från Global Energy Statistical Yearbook 2017, som anger att den globala elproduktionen uppgår till hela 24 859 TWh. En ännu mer alarmerande siffra är de årliga globala förlusterna vid överföring och distribution, som står för över 8 % av den totala elproduktionen. Det är uppenbart att vi närmar oss en vändpunkt. Om vi utgår från Kardashev-skalan finns det ett akut behov av att optimera energiförbrukningen. Det första steget mot att uppnå detta skulle vara att noggrant granska distributionsnätets skick – i synnerhet krafttransformatorerna. Transformatorer är en viktig del av överföringsnätet och har en begränsad livslängd som kan förkortas eller förlängas beroende på underhållsnivån och hur väl fel minimeras. De flesta eldistributionsföretag måste i detta sammanhang ta hänsyn till investeringskostnader och underhållskostnader. Vanligtvis gör bristen på övervakningsverktyg eller översiktspaneler det svårt för organisationer att bokstavligen visualisera nyckeltal för att kunna genomföra en effektiv underhållsplan. Detta förvärras ytterligare av oväntade transformatorhaverier som leder till driftstopp, vilket medför böter och förkortar anläggningarnas livslängd. Det som behövs just nu är ett effektivt ledningssystem som utnyttjar prediktiv datamodellering för att positivt påverka resultatet samtidigt som långsiktiga hållbarhetsmål uppnås.

För närvarande befinner sig elbolagen i ett skede där de har verktygen för att kartlägga, identifiera och analysera data om anläggningarnas skick. Denna diagnostiska metod avslöjar vad som är fel, vilket lämnar operatören att extrapolera en lösning baserad på tidigare erfarenheter och gissningar. Det finns dock ett mer effektivt sätt att utnyttja historiska transformatordata. Med ett ramverk för prediktivt underhåll på plats kan organisationer omedelbart börja utvinna handlingsbara insikter ur denna befintliga informationsmassa. Dessutom blir systemet mer intelligent när hela transformatorparken är utrustad med sensorer som förser det med realtidsdata. Ett lager av maskininlärning och artificiell intelligens (AI) ovanpå analysplattformen gör det sedan möjligt för systemet att styra underhållsarbetet och informera personalen om den bästa åtgärden. Det är knappast förvånande att 25 % av energibolagen planerar att investera i sensorer och kognitiva funktioner för att minska underhållskostnaderna och förbättra anläggningarnas effektivitet fram till 2020. En sådan modell för förebyggande underhåll, som stöds av ett IoT-drivet smart nätverk, kan potentiellt förändra tillvägagångssättet för att bedöma och hantera transformatorernas skick. Genom att förutse felhändelser och planera underhåll, reparationer och översyn (MRO) kan den göra det möjligt för dessa viktiga nätkomponenter att drivas säkert med maximal belastning och energieffektivitet under längre tidsperioder.

Man kan hävda att en sådan lösning fortfarande begränsas av behovet av ett centraliserat system uppbyggt kring molnet. I grund och botten måste data som samlas in av sensorerna överföras till en plattform för bearbetning innan problem kan identifieras och lösas. Eftersom transformatorer är känsliga tillgångar och avgörande för ekosystemet för överföring och distribution kräver de snabba åtgärder vid problem för att säkerställa oavbruten drifttid. Eftersom transformatorparkerna är vitt utspridda över ett stort geografiskt område är edge-intelligens den logiska lösningen för att effektivt utnyttja denna topologi. Baserad på fog computing kan en sådan lösning flytta databehandlingen och analysen närmare de fysiska komponenterna i IIoT. Det minimerar fördröjningen genom att upprätthålla nära avstånd till dessa edge-enheter istället för att vidarebefordra stora datamängder till ett avlägset, centraliserat moln för bearbetning. Detta förbättrar i sin tur prestandan, minskar svarstiden vid felhändelser och bidrar till en mer övertygande underhålls- och driftsstrategi. Ett sådant helhetsperspektiv blir allt mer relevant när det gäller transformatorer, där till och med några sekunder kan utgöra skillnaden mellan en planerad, Agile insats och ett allvarligt utrustningsfel.