Data Driven Maintenance in der Energiewirtschaft · innogy SE · Lighthouse “Data Driven...
-
Upload
hoangnguyet -
Category
Documents
-
view
217 -
download
0
Transcript of Data Driven Maintenance in der Energiewirtschaft · innogy SE · Lighthouse “Data Driven...
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