Data Driven Maintenance in der EnergiewirtschaftErkenntnisse und nächste Schritte

Smart Energy 2017, Dortmund, 09. November 2017

Prof. Dr.-Ing. Michael Laskowski, innogy SE, Essen

Netzvorständetreffen - 23.05.2017

mehr Transparenz

zusätzliche OpEx-Potentiale

zusätzliche CapEx-

Potentiale

Der wesentliche Treiber von Data Analytics liegt in der neuen Transparenz und ebnet so den Weg für OpEx- und CapEx-Potentiale

verbesserte Wartung

weniger Störungen

verbesserte interne

Prozesse

exaktere Prognosen

Entwicklungen durch Data Analytics

Ziele

2innogy SE · Lighthouse “Data Driven Maintenance”

Die Nutzung von Daten bietet dem Netzbetreiber neue Chancen sowohl im regulatorischen als auch im marktlichen Umfeld

Quelle: IBM

Der zukünftige Netzbetreiber wird zum Data Hub:

Sowohl historische Daten als auch Echtzeitdaten zum Netzstatus sowie Asset-Daten können zur weiteren internen Optimierung genutzt werden

Dabei können auch weitere Player im Energiemarkt mit Daten beliefert werden (z.B. andere Netzbetreiber, Vertriebe, Aggregatoren, Händler, Metering Gesellschaften usw.)

Insgesamt wächst die Menge der Daten exponentiell:

Unterschiedliche Datenquellen aus der Netzplanung, dem Betriebund der Instandhaltung können untereinander verschnitten werden

Es lassen sich zusätzlich öffentliche Daten integrieren Die Nutzung von Analytic tools unterstützen die Erzeugung

neuen Wissens zu allen netzrelevanten Fragestellungen Da Netzdaten als kritisch einstuft werden, müssen alle

datenschutzrelevanten Anforderungen erfüllt werden

innogy SE · Lighthouse “Data Driven Maintenance” 3

Insgesamt sind die zu nutzenden Netzdaten sehr vielfältig und unterschiedlich aufzubereiten

Unstrukturierte

Daten

innogy-interne Standards

(Instandhaltungsrichtlinien,

Arbeitssicherheit, …)

Öffentlich zugängliche

Daten

Strukturierte Daten

Asset-Stammdaten (Strom) wie

HS/MS Stationen

Trafo, Schaltfelder, etc.

Leiter

Garnituren

Maste

Zählpunkte

Einspeiseanlagen

Lieferanten

Kunden

Bewegungsdaten

Aufträge (IH/Störung)

Zustandsmeldungen

Störmeldungen

Wartungspläne

Topologie

Normalschaltung

Geo-Daten

Zeitreihen

Messwerte zu Umspannanlagen

(Strom, Spannung, Frequenz)

Messwerte Trafo

(Temperatur, Alarme,…)

Stromverbrauch RLM

Wetterdaten

Data LakeCloud

innogy SE · Lighthouse “Data Driven Maintenance” 4

Im Lighthouse “Data Driven Maintenance” haben wir uns auf fünf Use Cases fokussiertPredictive Maintenance Outage Management

„Diagnose von 110 kV-Transformatoren“

„Vorhersage von Störungen im Mittelspannungsnetz“

„Gemeinde-Portal“/„Online Monitoring eines 110 kV-Kabels in Warschau”

5

RISK

OK

RISK

innogy SE · Lighthouse “Data Driven Maintenance”

Die Anzahl von Gas-in-Öl-Inspektionen konnte drastisch reduziert werden

Für die Trafos konnten „Health Indices“ aufgestellt werden, um das Investitionsverhalten steuern zu können

Die Transparenz bei bisher nicht identifizierbaren Störungen im Kabel konnte deutlich erhöht werden

Es konnten die Übergangs-muffen als ein kritische Bauteil im Netz ausgemacht werden

Es wurde eine App entwickelt, mit der in Echtzeit Bauarbeiten überwacht werden können

Über das Temperatur-Monitoring können frühzeitig Arbeiten in der unmittelbaren Nähe des 110 kV-Kabels erkannt werden

Jeder Punkt stellt eine Gas-In-Öl-Messung dar

Beispiel eines alten Trafos in einem

schlechten Zustand

Beispiel eines alten Trafos in einem eher

„jungen“ Zustand

Trafo mit einer starken Schädigung des Trafo-Öls mit einer späteren

Stabilisierung

Hea

lth

Ind

ex

(„b

iolo

gisc

hes

Alt

er”)

Alter in Jahren

Transformatoren (Beispiele)

Use Case „Verlängerung der Laufzeit”

innogy SE · Lighthouse “Data Driven Maintenance” 6

Der „Health Index“ wird genutzt, um das technische Alter eines Transformators abzuschätzen und so seinen weiteren Betriebseinsatz besser beurteilen zu können

Ergebnis der Risiko-Analyse: die Anzahl der Reparatur-stellen und die Anzahl von Übergangsmuffen hat einen wesentlichen Einfluss auf MV-Kabelstörungen1

Faktor Veränderung am Kabel

% Zunahme des Störungs-risikos

Ø Störungenpro 1.000 Kabel

Ø Zunahme derStörungen pro 1.000 Kabel

# Reparaturstellen2 +1 Reparaturstelle 72.5% 3.6 6.2

# Übergangsmuffe +1 Übergangsmuffe 53.5% 3.6 5.5

KabellängeVerdoppelung der

Kabellänge15.8% 3.6 4.2

# PlanauskunftVerdopplung der

Anzahl33.3% 3.6 3.7

# Kabelabschnitte +1 Kabelabschnitt 1.4% 3.6 3.7

% Erdkabel zu Freileitungen

+ 10 Prozent höherer Verkabelungsgrad

1.5% 3.6 3.7

1) Die Untersuchungen basieren auf 317 Fehlern „mit ungeklärter Ursache“2 ) Zwei Fehler treten im selben Kabelabschnitt innerhalb von 2 Jahren auf 3) Insgesamt wurden im Durchschnitt 2.000 Planauskünfte pro Jahr ausgewertet

innogy SE · Lighthouse “Data Driven Maintenance” 7

Ein neues Konzept zur Echtzeitüberwachung von Tiefbau-arbeiten basierend auf einer App wurde für die Stadt Warschau entwickelt Wegen der hohen Anzahl von Kabelstörungen in Warschau,

die auf fremde Bauarbeiten zurückzuführen sind, wurde das Konzept einer App entwickelt, um das aktuelle Störungs-geschehen zu verbessern

Es werden alle Baustellen in eine Karte aufgenommen

Dispatcher können so sehen, wo Bauarbeiten in der näheren Umgebung von Strom-, Gas- und Wasserleitungen statt-finden

Es wird erwartet, dass sich durch die Verpflichtung zur Registrierung von Bauarbeiten das Risiko von Störungen der Infrastruktur senken lässt und so die sehr ambitionierten SAIDI-Ziele in Polen erreichen lassen Selected ground work: Żurawia

Street name: Żurawia 35

Type of trench MV cable

Length of trench 100m

Contractor Kablex sp. J.

Contact on site 567 798 xxx

Time stamp

Start time 07:00 Date 23.05.2017

Est. end time 16:00 Date 25.05.2017

Die Vertragspartner platzieren in der App ihren Marker

Es wird online über die geplanten Bauarbeiten schnell informiert

Der Dispatcher kann so schnell mögliche Risiken von potentiellen Kabel-störungen ausmachen

innogy SE · Lighthouse “Data Driven Maintenance”

Insgesamt haben wir in unserem Lighthouse gelernt, welche Kompetenzen, welche IT-Infrastruktur und welche Methoden zur Bearbeitung von Use Cases notwendig sind

innogy SE · Lighthouse “Data Driven Maintenance” 9

IT InfrastrukturData

Governance

Data Scientists &

agile MethodenUmsetzung

Agile Team

Es wurde eine IT-Zielarchitektur für Data Analytik-Anwendungen entwickelt

Data Scientists und Fachexperten müssen in agilen Teams eng miteinander arbeiten

Die enge Verzah-nung von Daten-schutz, ISMS und Unbundling sind Schlüsselfaktoren zu einer erfolgreichen Umsetzung von UCs

Das identifizierte Potential kann erst dann gehoben werden, wenn die neuen Erkenntnisse in die operativen Prozesse integriert wurden

Agile Arbeitsmethoden in autonomen Teams versprechen eine nachhaltige Umsetzung der Use Cases

Leitung &

Koordination

Team1Use Case 1

110kV Transformers: lifecycle prolong.N.N. (Westnetz)

Use Case 2110kV Transformers:

Oil MeasurementsN.N. (iSO)

Use Case 4MV Cable Systems:outage prevention

N.N. (Westnetz)

Use Case 3gas pipelines:

use case name N.N. (CoC Gas)

external Use Case nasset xyz

use case name N.N. (customer)

UC Konfiguration

• Technischer Experte

• Data Scientist• Datenexperte• Controller

Aufgaben der Teams:1) Organisation und Koordinierung von Use Cases, Stakeholder Management, Budget, Qualitätsmanagement2) Unterstützung in allen agilen Arbeitsmethoden3) Aufstellung von Business Modellen, strategische Verbindung zwischen dem Use Case-Value und der Strategie 4) Zurverfügungstellung von zusätzlichem Know how wie z.B. Data Scientists, Datenexperten, IT-Know how

Funktionale

Unterstützung

> Agiles

Coaching2

> Business

Modelling3

> Data Science,

IT-Know how4

innogy SE · Lighthouse “Data Driven Maintenance” 10

Grid Data Analytics Lab

11innogy SE · Lighthouse “Data Driven Maintenance”

Was ist mit Ihnen?

Unser Prinzip: First come first serve