El programa utiliza inteligencia artificial para predecir fallas en los activos de servicios públicos y evitar interrupciones.
Ahora con más de 100 años, la red eléctrica de EE. UU está mostrando su edad. De hecho, el 70% de las líneas de transmisión y distribución tienen más de 25 años, según el Departamento de Energía. Históricamente, los sistemas de servicios públicos se han instalado bajo tierra en áreas urbanas y suburbanas de alta densidad para preservar la estética y aumentar la longevidad y la seguridad del sistema. En el lado negativo, la instalación subterránea ha dificultado la localización, el acceso y la reparación de fallas en estas áreas densamente pobladas.

San Diego Gas & Electric Co. se enfrentó a esta situación. Constituyendo más del 60% de su red de distribución total, los activos subterráneos de la empresa de servicios públicos se acercan ahora a más de 40 años. En los últimos 10 años, los empalmes en T fueron responsables de más de un tercio de todos los aumentos en las fallas de activos de la empresa de servicios públicos. SDG & E gestiona más de 16,900 km de líneas de distribución subterráneas y un estimado de 150,000 empalmes en T en 700 circuitos subterráneos. La empresa de servicios públicos necesitaba una mejor manera de predecir cuál de estos activos fallaría.

Los empalmes en T de los componentes eléctricos simples que se unen a los cables subterráneos de la línea principal, son como otros activos en el sentido de que pueden fallar de forma rutinaria y provocar interrupciones no planificadas. Puede ser difícil localizar las interrupciones de inmediato porque los empalmes en T son subterráneos y el centro de control no los monitorea directamente, ya que se consideran activos menores. En una era de transformación digital, puede parecer sorprendente que una pieza eléctrica que cuesta menos de 60 dólares pueda desencadenar cortes que afecten la vida diaria de los clientes y hacer que los costos de estos sean de varias decenas de miles de dólares.

Para solucionar este problema, SDG & E se propuso crear una solución para identificar los empalmes en T de alto riesgo antes de la falla. La empresa se asoció con PA Consulting y Toumetis, un proveedor de análisis predictivo para el Internet industrial de las cosas, para desarrollar una solución de aprendizaje automático (ML) que pudiera predecir fallas de activos, no solo con un alto nivel de precisión, sino también con suficiente advertencia. La solución final, llamada iPredict, fue introducida recientemente en el mercado por PA Consulting para otras empresas de servicios públicos y se extiende a clases de activos más allá de los empalmes en T.

Una mirada más profunda a los datos

Los datos están en el corazón de todas las utilidades. Sin embargo, la integración completa de conjuntos de datos operativos, por ejemplo, del sistema de gestión de interrupciones (OMS), el sistema de control de supervisión y adquisición de datos (SCADA) y el sistema de información geográfica (GIS), no es fácil de implementar. Aunque la integración de datos estándar de tecnología de la información / tecnología operativa (IT / OT) de los datos de conectividad de estos sistemas puede ser desafiante y compleja, dicha integración se está volviendo más común. Esta completa integración puede ser útil para casos de uso como identificar causas de interrupciones, diagnosticar activos en mal estado y configurar alarmas para que el personal operativo las analice.

Es mucho más difícil y menos común integrar los datos operativos de rendimiento del sistema con los datos de calidad de la energía, de las mismas fuentes mencionadas anteriormente, incluidos OMS, GIS y SCADA, así como sistemas de relés y de protección. Sin embargo, estos datos se pueden utilizar para un análisis mucho más granular de los activos para proporcionar conocimientos predictivos mejorados.

Los algoritmos de ML se pueden entrenar para predecir fallas de activos. Las herramientas analíticas anteriores no han podido utilizar todos los datos disponibles. Necesitan al menos dos ciclos de estado estable para pasar, pero la predicción de fallas de activos requiere que el sistema interprete más anomalías transitorias. Los algoritmos de ML tamizan y analizan todos los datos disponibles, identificando posibles fallas donde otras técnicas han fallado.
Los algoritmos de ML se pueden entrenar para predecir fallas de activos. Las herramientas analíticas anteriores no han podido utilizar todos los datos disponibles. Necesitan al menos dos ciclos de estado estable para pasar, pero la predicción de fallas de activos requiere que el sistema interprete más anomalías transitorias. Los algoritmos de ML tamizan y analizan todos los datos disponibles, identificando posibles fallas donde otras técnicas han fallado.


El equipo del proyecto encontró que estos datos más granulares y de alta frecuencia debían correlacionarse con otros datos del sistema para que los algoritmos pudieran predecir fallas de empalme en T con alta confianza. Para identificar fallas críticas de activos, se necesitaban algoritmos para reconocer e interpretar anomalías que duran menos de dos ciclos de forma de onda de voltaje y corriente de 60 Hz. Estos datos representan el espectro de ciclos normales frente a aquellos que indican señales incipientes / precursoras, una firma predictiva de fallas de activos.


El equipo del proyecto descubrió que la precisión de las predicciones de fallas de activos podría aumentarse mediante el uso de datos de subciclo, disponibles de fuentes como medidores de calidad de energía (PQ), para identificar las anomalías de fallas y las firmas eléctricas predictivas resultantes. En el caso de SDG & E, estos datos anteriormente no se habían analizado más allá del monitoreo y la regulación de voltaje. Este fue un descubrimiento fundamental en el viaje para identificar datos esenciales en los algoritmos de ML para predecir fallas en T-splice. Se trataba de descubrir datos previamente no apalancados que no se habían integrado con el conjunto estándar de fuentes de datos de TI / OT de servicios públicos.


Datos de alta frecuencia de muestreo


Los medidores PQ en el nivel del bus de la subestación de SDG & E proporcionan datos a una alta frecuencia de muestreo de 128 muestras por ciclo de 60 Hz, lo que permitió al algoritmo ML desarrollar firmas de fallas que podrían ayudar a predecir fallas de activos al final de su vida útil. El equipo del proyecto pasó aproximadamente 18 meses agregando, catalogando e integrando los datos de alta frecuencia de muestreo para prepararlos para su uso en el algoritmo. Los aprendizajes de este viaje de descubrimiento han dado como resultado la identificación de datos previamente desaprovechados, su integración con otras fuentes de datos y el descubrimiento del poder y la fuerza del aprendizaje automático aplicado a la ingeniería de servicios públicos, el análisis de gestión de activos y las operaciones.


Desarrollar y entrenar el algoritmo requirió un alto grado de experiencia en la materia de operaciones e ingeniería de servicios públicos. Esta sinergia de la ciencia de datos y el conocimiento profundo de los principios de ingeniería y el comportamiento de los activos permitieron descifrar el código, por así decirlo, para la solución ML.



Para clasificar los activos como normales o indicativos de una próxima falla de activos, el equipo tuvo que correlacionar los datos de PQ de los circuitos con los datos de interrupción para recopilar suficientes datos deseados (falla / incidente versus condiciones normales) y luego coordinar marcas de tiempo entre el OMS informes y datos de alta frecuencia de muestreo. Era un escenario clásico de ingeniería inversa en el que los datos se usaban para crear las firmas de forma de onda deseadas para la falla, así como las firmas que conducían a la falla. El algoritmo se entrenó con estos datos para reconocer las formas de onda.


Además, el equipo buscó aprovechar el hardware instalado existente, como el medidor PQ, en lugar de simplemente comprar nuevas alternativas de hardware, para reducir el costo general de la solución. El equipo también consideró muestras de datos adicionales e incidentes de fallas de activos para determinar si podrían explotarse para permitir que el programa prediga otros tipos de fallas de activos.


La identificación de datos de fallas de alta frecuencia para más tipos de activos ha resultado en la creación de algoritmos adicionales (aún por ajustar) para varios otros activos críticos, como interruptores de aceite, codos de ruptura de carga y transformadores. Estos algoritmos proporcionarán información predictiva y permitirán a SDG & E identificar otros tipos de interrupciones de activos críticos. El procesamiento de subciclos adicionales de alta frecuencia y la catalogación de firmas predictivas emparejadas con fallas de activos ampliarán la capacidad de identificar y predecir fallas de activos adicionales.


Ampliando el análisis


SDG & E está teniendo éxito con la forma en que esta solución de aprendizaje automático puede integrar y analizar datos de múltiples fuentes, así como identificar ubicaciones de activos de manera más definitiva. PA Consulting está buscando llevar la solución iPredict a otras empresas de servicios públicos de EE. UU.


Aplicando los descubrimientos de este equipo, las empresas de servicios públicos pueden desarrollar soluciones de arquitectura de integración de datos más sólidas para aumentar su visibilidad general del estado de activos específicos. La solución puede ayudar a las empresas de servicios públicos a identificar probables fallas de cables, codos, empalmes aéreos y subterráneos y uniones con semanas de anticipación.


Otras empresas de servicios públicos pueden basarse en el proceso de SDG & E identificando las fuentes de datos correctas que requieren los algoritmos y optimizando el proceso de recopilación e integración de datos. Esta innovación puede capacitar a las cuadrillas para identificar fallas de activos a corto plazo y programar reparaciones en el mejor momento para minimizar el impacto en el cliente, maximizar la seguridad pública y de los empleados y reducir el daño ambiental.


Gregg Edeson, Tom Bialek

WhatsApp