ARTIFICIAL INTELLIGENCE
AI dla czystej energii: wykrywanie anomalii i predykcyjne utrzymanie ruchu
Współcześni dostawcy energii poszukują sposobów na poprawę wydajności i produktywności alternatywnych źródeł energii. LINCOLN, spółka doradcza ALTEN, wspierająca firmy w maksymalnym wykorzystaniu ich danych, pomogła opracować rozwiązania do zarządzania infrastrukturą farm wiatrowych i fotowoltaicznych, w tym modele statystyczne i predykcyjne służące do wykrywania anomalii i wspierania działań serwisowych.
Tradycyjne metody identyfikacji usterek i problemów operacyjnych są zwykle reaktywne i niewystarczające. Jeden z czołowych europejskich dostawców energii zwrócił się do LINCOLN o wykorzystanie sztucznej inteligencji poprzez opracowanie zaawansowanych metod statystycznych, które umożliwiają wykrywanie anomalii oraz realizację predykcyjnego utrzymania ruchu w obszarze produkcji energii odnawialnej.
Wyzwanie
Zaprojektowanie metod statystycznych i AI wykorzystujących różnorodne, heterogeniczne dane do wykrywania anomalii i predykcyjnego utrzymania ruchu w zarządzaniu farmami wiatrowymi i fotowoltaicznymi.
Rozwiązanie
Zaawansowane modele statystyczne oraz lokalne systemy predykcyjne, które pozwalają na precyzyjną identyfikację anomalii i prognozowanie potencjalnych strat w produkcji energii, zwiększając produktywność i efektywność.
Korzyści
- Lepsze zrozumienie zasobów energetycznych
- Dogłębniejsze informacje na temat wydajności farm wiatrowych i fotowoltaicznych
- Proaktywne podejście do utrzymania ruchu
- Optymalizacja produkcji energii
- Wyższa efektywność i ograniczenie przestojów
Dane zwiększające produktywność
Projekt koncentrował się na wykorzystaniu analityki danych — w tym oczyszczania danych i tworzenia wskaźników — aby agregować i wstępnie przetwarzać dane z różnych źródeł. Zespół projektowy wykorzystywał dane kontekstowe (np. dane pogodowe, informacje o modelu i wieku urządzeń), aby identyfikować przyczyny anomalii, a także dane z czujników IoT wykrywających zmiany środowiskowe.
Dane z urządzeń meteorologicznych i paneli fotowoltaicznych były gromadzone i przechowywane w scentralizowanym data lake’u. Następnie tworzono wskaźniki oraz przeprowadzano oczyszczanie danych pomiarowych.
Kolejnym etapem było tworzenie zaawansowanych modeli statystycznych, obejmujące m.in. zastosowanie łańcuchów Markowa, analizę sekwencji oraz rozpoznawanie wzorców. Lokalne modele predykcyjne opracowano dla konkretnych obszarów, a następnie porównano ich prognozy z rzeczywistymi danymi, aby wykrywać rozbieżności i szacować skalę strat, co umożliwiło szybką identyfikację spadków wydajności.
Aby przetestować działanie systemu, opracowano modele operacyjne oparte na danych historycznych (tzw. cold data) pochodzących z wcześniej wykrytych anomalii. Integracja danych z wielu źródeł znacząco zwiększyła jakość i wartość uzyskiwanych analiz.
Narzędzia i technologie
W projekcie wykorzystano:
- języki programowania Python i R do analizy danych, modelowania statystycznego oraz obliczeń,
- Docker do konteneryzacji i wdrażania modeli,
- GitHub do kontroli wersji i współpracy zespołowej,
- narzędzia do wizualizacji danych na potrzeby monitorowania i raportowania
Od modeli do utrzymania ruchu
Klient LINCOLN planuje wdrożyć zaawansowane techniki statystyczne, aby precyzyjnie wykrywać anomalie i straty. Dzięki monitorowaniu w czasie rzeczywistym i odpowiednim działaniom operacyjnym możliwe będzie przewidywanie awarii (np. pęknięcia łopat, degradacji łożysk wirnika i generatora), zmniejszenie częstotliwości i kosztów interwencji, ograniczenie strat energii oraz prowadzenie działań serwisowych w sposób proaktywny.
W ten sposób ekspertyza LINCOLN w zakresie analityki danych przyczyni się do poprawy produktywności, zwiększenia efektywności oraz ograniczenia przestojów.
