Małgorzata BartkowskiSales Manager w Utopus Insights © Utopus Insights
Operatorzy farm wiatrowych i fotowoltaicznych codziennie zadają sobie pytanie, jak poprawić produkcję energii i zmniejszyć koszty O&M (Operations & Maintenance). Czy istnieje jakikolwiek potencjał poprawy wydajności? Jak sprawują się dane aktywa w porównaniu z innymi? Czy możemy poprawić naszą efektywność operacyjną bez ponoszenia wysokich kosztów?
Data science, uczenie maszynowe, sztuczna inteligencja...
W międzyczasie, prawdopodobnie każdy wielokrotnie słyszał takie pojęcia, jak data science, uczenie maszynowe i sztuczna inteligencja, które zostały wymyślone jako panaceum na uratowanie świata przed zmianami klimatycznymi przy jednoczesnej poprawie AEP (rocznej produkcji energii).
W rzeczywistości nauka o danych jest bezużyteczna bez właściwego kontekstu. Dziewięćdziesiąt procent anomalii zidentyfikowanych przez zastosowanie nauki o danych, tylko na danych operacyjnych turbiny wiatrowej, daje fałszywy wynik. Tak, 90 procent!
Dobra wiadomość jest taka, że z pomocą odpowiedniego partnera cyfrowego z dużym doświadczeniem i wiedzą, można zacząć budować DNA i odpowiednie procesy w celu wykorzystania ogromnej ilości danych, które już generują dane aktywa. To są te elementy, które mogą odblokować ogromne zasoby wiedzy, o których istnieniu nie wiedzieliśmy. Ta wiedza może zapewnić bezprecedensową przejrzystość aktywów wiatrowych i fotowoltaicznych.
W Utopus Insights, przy wsparciu firmy macierzystej Vestas, łączymy dogłębną wiedzę na temat producentów turbin, danych projektowych turbin, danych O&M oraz najnowocześniejszych technologii data science, aby zapewnić terminowe i użyteczne informacje w celu zmaksymalizowania wydajności farm wiatrowych.
Na przykład, częściowa utrata wydajności jest często pomijanym obszarem wydajności turbiny. Turbina jest pokazana wprawdzie jako dostępna, jednak nie generuje tyle energii, ile powinna. To również negatywnie wpływa ma analizę krzywej mocy, a to z kolei przykład sytuacji, w której sama nauka o przetwarzaniu danych bez odpowiedniego kontekstu i wiedzy branżowej po prostu zawodzi.
Jak najlepiej podejść do tego tematu? Otóż po pierwsze należy uzyskać bazowy i transparentny obraz bieżących operacji.
W tym wypadku Utopus Insights oferuje metody branżowe określone przez mierzalne wskaźniki KPI (Key Performance Indicators), takie jak:
- dostępność techniczna aktywów bazująca na czasie,
- dostępność operacyjna bazująca na czasie,
- kompleksowa analiza strat, w tym straty wynikające z krzywej mocy, częściowa utrata wydajności, dostępność i przestoje.
Aby zapewnić najwyższą jakość danych wejściowych do śledzenia KPI i analiz strat, Utopus Insights opracował własne metody przetwarzania danych obejmujące zarówno naukę o danych, jak i dogłębną wiedzę branżową w celu filtrowania danych operacyjnych.
W związku z tym KPI i straty produkcyjne są obliczane przy użyciu tylko najbardziej istotnych, przefiltrowanych danych, co daje operatorom poczucie pewności. Przefiltrowane dane są dostępne na platformie Scipher™ wraz z różnymi narzędziami do analizy wydajności i przestojów, co pozwala operatorom i analitykom skupić się na rzeczywistych problemach mających wpływ na produkcję, a nie na problemach związanych z jakością danych, które zazwyczaj pochłaniają 80 proc. czasu analityków danych.
Działania naprawcze przy użyciu platformy Scipher
Oprócz naszych analiz operacyjnych na wysokim poziomie, platforma danych Scipher™ zarządza ponad 100 GW aktywów samych turbin wiatrowych. Możemy dostarczyć wskaźniki KPI oraz benchmarki strat produkcyjnych w odniesieniu do całego portfolio, farmy wiatrowej, OEM, modelu turbiny, wieku turbiny, poziomu komponentów, a nawet w odniesieniu do konkretnych rodzajów strat, takich jak nieplanowane prace serwisowe, degradacja, oblodzenie itp.
Nasi klienci otrzymują jasny obraz działania ich turbin, a co najważniejsze, mogą namierzyć te, które wymagają poprawy wydajności w porównaniu z innymi turbinami.
Po zidentyfikowaniu problemów operatorzy mogą również podjąć działania naprawcze przy użyciu platformy Scipher™.
Na przykład, częściowa wydajność jest oddzielona od analizy krzywej mocy, dzięki czemu można zidentyfikować prawdziwe problemy z wydajnością spowodowane zanieczyszczeniem łopat, ustawieniem nachylenia itp., podczas gdy częściowa utrata wydajności jest obliczana i rozliczana jako problem turbiny i dalej dzielona na konkretne komponenty turbiny. Po odpowiednim filtrowaniu i kategoryzacji danych, nasz model uczenia nadzorowanego w oparciu o wiedzę branżową, uczenie maszynowe oraz algorytm AI pomaga zidentyfikować potencjalne problemy utraty produkcji z wysoką precyzją.
Dzięki naszym narzędziom, stworzonym na bazie wieloletnich doświadczeń i specjalistycznej wiedzy, umożliwiamy Klientom wgląd w funkcjonowanie farm wiatrowych, maksymalizację produkcji energii, a co za tym idzie obniżenie kosztów O&M.
Małgorzata Bartkowski
Artykuł powstał we współpracy z firmą Utopus Insights.
