Transformación de la industria de la energía eléctrica con análisis predictivos

El Internet de las cosas está transformando muchas industrias, y la industria de la energía eléctrica no es la excepción. Gracias a una explosión de sensores combinados con modelos informáticos avanzados, los servicios públicos de energía están cambiando la forma en que mantienen los activos, pasando del mantenimiento preventivo al mantenimiento predictivo y adoptando análisis predictivos para tomar decisiones más inteligentes sobre la gestión de activos.

Para los servicios públicos de energía que han hecho la inversión, los beneficios tempranos ya han comenzado a surgir.

¿Cómo funciona el análisis predictivo?

El análisis predictivo pronostica posibles resultados. Ofrece un tipo de bola de cristal que puede decirle cosas como qué activos de generación y transmisión necesitarán mantenimiento cuando y qué partes o sistemas están en peligro de fallar.

En pocas palabras, el software utiliza datos acumulados sobre el rendimiento de la máquina para crear un modelo de comportamiento operativo normal. Los datos de tiempo real provienen de sensores conectados a equipos y dispositivos conectados al IoT que monitorean instrumentos y sistemas. Los algoritmos comparan los datos en tiempo real con el modelo y buscan cambios inesperados. Por ejemplo, una ligera variación de voltaje puede revelar un problema con un banco de capacitores de subestación.

Por último, el aprendizaje automático proporciona el análisis de decisiones necesario para identificar la mejor respuesta. 

Guiar las decisiones de mantenimiento

Si supiera qué activos de generación y transmisión iban a necesitar más mantenimiento, podría priorizar ese mantenimiento e incluso posponer el mantenimiento de los activos que, a pesar de estar en el programa de mantenimiento, están muy bien. El análisis predictivo proporciona esas perspectivas.

Los tableros de software muestran patrones de carga, indican la probabilidad de una falla de un activo y analizan las causas raíz de los problemas con los sistemas de control, las turbinas, los sistemas de gestión de energía y otros procesos de la planta. Con esta información a mano, los supervisores pueden ajustar la planificación, la priorización y la programación del trabajo.

Además de informar mejores decisiones sobre la gestión de recursos, el análisis predictivo puede conducir a respuestas más rápidas a problemas críticos de mantenimiento.

Predicción de fallas de activos

Es posible que las rutinas de mantenimiento preventivo regulares no detecten señales sutiles de un rendimiento deficiente de los equipos más antiguos que pueden provocar una avería. Pero el análisis predictivo puede identificar estos problemas, así como las condiciones críticas que pueden causar un corte, mucho antes de que ocurra un corte.

Tomemos como ejemplo una turbina de gas. Las herramientas de decisión basadas en el análisis de regresión encuentran patrones en grandes conjuntos de datos y identifican factores que influyen en el funcionamiento de la turbina. Si el software detecta cambios con respecto a la operación normal prevista, emite una advertencia temprana sobre posibles fallas. Los sensores pueden indicar que la velocidad de calor y la potencia de salida han superado un umbral de operación, por ejemplo.

Dado que el software identifica la ubicación de la falla probable, los técnicos pueden tomar mejores decisiones sobre las piezas necesarias para la reparación.

Predicción de cortes relacionados con tormentas

Cuando se avecina una tormenta, es difícil predecir qué activos podrían dañarse. Pero aquí nuevamente, el análisis predictivo puede ayudar. Utiliza datos de SCADA, servicios climáticos, sistemas de gestión de cortes y sistemas de gestión de distribución para construir modelos que muestren posibles debilidades en el sistema. El análisis predictivo también pronostica el camino de la tormenta, su fortaleza y su impacto en los puntos débiles. Puede usar estos modelos para proyectar la cantidad y la ubicación de los cortes de energía, ajustarlos según las condiciones cambiantes de la tormenta y preparar recursos de restauración para responder a las necesidades del cliente.

Después de la tormenta, el software predictivo superpone la información acumulada sobre los impactos de la tormenta en los datos que muestran caminos intransitables y líneas derribadas. Tener esta información compuesta ayuda a las cuadrillas a restablecer la energía de varias maneras. Los algoritmos calculan las mejores rutas para que las cuadrillas restablezcan la energía para la mayoría de los clientes. Y el software combina los conjuntos de habilidades de las cuadrillas de trabajo con el tipo de corte. 

Todos saben lo que sucede cuando se hacen suposiciones, que a menudo resultan ser incorrectas. Con el análisis predictivo, las empresas pueden deshacerse de las suposiciones y tomar decisiones basadas en información actualizada de “grandes datos” a los que ningún ser humano podría llegar por sí solo.

John Ross ha escrito sobre tecnologías industriales, automotrices y de consumo durante 17 años.

Crédito de imagen: Fábrica_fácil/Shutterstock.com