Use dados e machine learning para melhorar o desempenho operacional das turbinas eólicas

Gerencie o congelamento de turbinas eólicas com uma plataforma de dados moderna

A quantidade de recursos que os serviços públicos empregam em operações e manutenção (O&M) está aumentando sem perspectiva de desacelerar. O desempenho operacional é uma área que as organizações procuram com mais frequência quando tentam otimizar os níveis de pessoal e, ao mesmo tempo, reduzir custos. Nesse caso de uso, exploraremos como uma plataforma de dados moderna pode ajudar a gerenciar o congelamento de turbinas eólicas e melhorar o desempenho operacional.

A energia eólica está evoluindo rapidamente para ocupar espaço no cenário de energia renovável e, por isso, as suas operações estão sendo analisadas com maior escrutínio. Ao contrário de outras operações dentro da indústria, a das turbinas eólicas deve ser avaliada de forma um pouco diferente porque cada turbina é afetada de uma maneira única pelas condições climáticas, altitude e outros fatores baseados na sua localização.

Melhore o desempenho das turbinas eólicas usando machine learning e análises avançadas

Ao otimizar o desempenho das turbinas eólicas, é necessário considerar vários fatores diferentes, incluindo as especificações de engenharia da turbina e de suas pás, juntamente com sua localização e o clima que afeta seu desempenho. Para entender todos esses dados, você precisa de uma plataforma que permita combinar essas informações e aplicar machine learning (ML) o mais rápido possível para obter insights e assim otimizar seu desempenho operacional. No caso das turbinas eólicas, foi comprovado que o gelo ou até mesmo geada nas pás afeta substancialmente a eficiência aerodinâmica do motor e pode reduzir a geração de energia em até 80%. A capacidade de usar ML e análises avançadas para compreender, preparar e gerenciar rapidamente essa perda é fundamental para minimizar o impacto geral e manter a eficiência operacional.

Esta imagem mostra como a Oracle Data Platform para energia e água pode ser usada para dar suporte a um caso de uso relacionado ao desempenho operacional, especificamente em relação ao congelamento de turbinas eólicas. A plataforma inclui os seguintes cinco pilares:

1. 1. Fontes de dados, Descoberta
2. 2. Ingestão, Transformação
3. 3. Persistência, Curadoria, Criação
4. 4. Análise, Aprendizado, Predição
5. 5. Medição, Ação

O pilar Fontes de Dados, Descoberta inclui três categorias de dados.

1. 1. Os dados primários são compostos por metadados de ativos, GIS e vídeo.
2. 2. As aplicações incluem SCADA, hub de dados de dispositivos e sistemas de gerenciamento de interrupções e manutenção.
3. 3. Dados de terceiros incluem GPS e fontes meteorológicas.

O pilar Ingestão, Transformação abrange três recursos.

1. 1. A ingestão em lote usa o OCI Data Integration e o Data Studio.
2. 2. A captura de dados de alteração usa o OCI GoldenGate.
3. 3. A ingestão de streaming é composta pelo OCI Streaming e pelo OCI Connector Hub.

Os três recursos se conectam unidirecionalmente ao armazenamento de dados de serviço e ao armazenamento em nuvem no pilar Persistência, Curadoria, Criação.

O pilar Persistência, Curadoria, Criação abrange quatro recursos.

1. 1. O armazenamento de dados de serviço usa o Oracle Autonomous Data Warehouse.
2. 2. O armazenamento em nuvem usa OCI Object Storage.
3. 3. O processamento em lote usa OCI Data Integration, Functions e Data Flow.
4. 4. A governança usa OCI Data Catalog.

Esses recursos estão conectados no pilar. O armazenamento em nuvem é conectado unidirecionalmente ao armazenamento de dados de serviço; ele também é conectado bidirecionalmente ao processamento em lote.

As linhas de metadados conectam-se unidirecionalmente a partir do armazenamento de dados de serviço e na nuvem à governança.

Dois recursos se conectam ao pilar Análise, Aprendizado, Previsão: O armazenamento de dados de serviço se conecta unidirecionalmente aos serviços de análise e visualização, previsão, aprendizado e IA. O Cloud Storage se conecta bidirecionalmente para aprender, mas unidirecionalmente para análise e visualização, aprendizado e serviços de IA.

O pilar Análise, Aprendizado, Previsão abrange seis recursos.

1. 1. Análise e visualização usam Oracle Analytics Cloud e Spatial Studio.
2. 2. Produtos de dados e APIs usam OCI API Gateway, Oracle Integration Cloud e OCI Functions.
3. 3. O Predict usa os serviços OCI Data Science e Oracle Machine Learning.
4. 4. O Learn usa notebooks do OCI Data Science e Oracle Machine Learning.
5. 5. Os serviços de IA usam OCI Vision, OCI Language e terceiros.
6. 6. O recurso de previsão está unidirecionalmente conectado aos recursos de produtos de dados e APIs.

O pilar Medição, Ação captura como a análise de dados pode ser aplicada para dar suporte a um modelo de congelamento de turbinas eólicas e monitorar o desempenho. Essas aplicações são divididas em dois grupos.

O primeiro grupo, Pessoas e Parceiros, inclui operações e manutenção.

O segundo grupo, Aplicações, inclui Oracle Field Service, Oracle Utilities Work and Asset Management, gestão de ativos corporativos, sistema de gerenciamento de trabalho e gestão de serviços de campo.

Os três pilares centrais—Ingestão, Transformação; Persistência, Curadoria, Criação; e Análise, Aprendizado, Previsão — têm suporte de infraestrutura, rede, segurança e IAM.

Arquitetura lógica do desempenho operacional da turbina eólica

Existem três maneiras principais de injetar dados em uma arquitetura para permitir que as concessionárias avaliem efetivamente sua estratégia de desempenho operacional para turbinas eólicas.

• Usaremos a ingestão em lote para importar dados de sistemas que não suportam streaming (por exemplo, sistemas mais antigos de controle de supervisão e aquisição de dados (SCADA) ou sistemas de gerenciamento de manutenção). Nesse caso de uso, dados de ativos, meteorológicos e de GPS, manutenção e sistemas de gerenciamento de interrupções serão ingeridos em intervalos variados. Usaremos o OCI Data Integration para carregar esses conjuntos de dados no Oracle Cloud Infrastructure (OCI) Object Storage ou diretamente no Oracle Autonomous Data Warehouse (ADW).
• Além disso, usaremos o Oracle Cloud Infrastructure GoldenGate para ingerir dados de sistemas operacionais, como os de interrupções, de gerenciamento de manutenção e os hubs de dados de ativos, por meio da captura de dados alterados.
• Para quaisquer dados de streaming, como os meteorológicos, usaremos a combinação perfeita do OCI Streaming e do OCI Connector Hub para capturar, agregar e carregar os dados diretamente no OCI Object Storage.

A persistência e o processamento de dados são baseados em três componentes.

• Os dados brutos ingeridos de todas as fontes são armazenados na nuvem. Dependendo da ação necessária, podemos usar os recursos automatizados da OCI, como o OCI Events Service, para iniciar eventos de processamento em lote. Nesse caso de uso, iremos ingerir os dados meteorológicos e convertê-los em um formato legível para uso posterior. Em seguida, usaremos o OCI Data Integration, o OCI Functions ou o OCI Data Flow para o processamento em lote para consolidar, selecionar ou aprimorar os dados coletados conforme necessário. Os pipelines de dados são criados e mantidos usando o OCI Data Integration. Embora o OCI Data Integration venha com uma ampla variedade de conectores para diversos ativos (bancos de dados, aplicações, armazenamento de objetos, APIs REST e assim por diante), ele pode não atender a todas as suas necessidades. Se for esse o caso, você pode criar uma aplicação no OCI Data Flow para aproveitar todos os conectores disponíveis por meio do Spark. Neste exemplo, dados de hub, GPS, clima, histórico de interrupções e manutenção são combinados para construir um modelo para identificar os locais de ativos físicos que requerem atenção; essas informações podem então ser usadas para melhorar o programa de manutenção operacional.
• Agora criamos conjuntos de dados processados que estão prontos para serem persistidos em formato relacional otimizado para curadoria e desempenho de consulta no armazenamento de dados de serviço fornecido pelo ADW. Isso nos permite visualizar os resultados das previsões do modelo. Podemos até usar os recursos espaciais integrados para visualizar turbinas que podem exigir atenção imediata.

A capacidade de analisar, aprender e prever é facilitada por três tecnologias.

• Serviços de análise e visualização, como Oracle Analytics Cloud e Spatial Studio, podem fornecer painéis interativos que usamos para visualizar informações de imagens e prever o impacto do clima em turbinas individuais ou parques específicos. Esses serviços fornecem
  • Análise descritiva, que podemos usar para ilustrar as taxas atuais e históricas de tendência a congelamento com histogramas e gráficos para ajudar a identificar áreas que requerem manutenção imediata
  • Análise preditiva, que podemos usar para planejar e determinar necessidades operacionais e de manutenção de longo prazo, prevendo eventos climáticos, identificando tendências e determinando a probabilidade de resultados incertos
  • Análise prescritiva, que pode propor ações adequadas para ajudar a otimizar a tomada de decisões estratégicas quanto ao desempenho operacional
• Juntamente com o uso de análises avançadas, modelos de machine learning são desenvolvidos, treinados e implementados usando o OCI Data Science. Esses modelos usam machine learning para analisar grandes quantidades de ativos, clima, manutenção, sistema de informações geográficas (GIS) e outros dados para permitir compreender melhor e aprimorar o desempenho operacional de cada turbina eólica. Esse entendimento refinado pode ajudar você a priorizar continuamente tarefas como desligar turbinas e determinar o trabalho a ser realizado, mobilizando as equipes necessárias para fazê-lo da maneira mais eficiente e econômica. Alguns dos tipos mais comuns de modelos usados são algoritmos XGBoost e aqueles que podem ser encontrados em deep learning, como redes neurais recorrentes, redes neurais profundas e aprendizado por transferência. Uma vez que esses modelos são treinados, eles podem ser implementados de diversas formas, dependendo da preferência do usuário. Os modelos podem ser chamados por meio de endpoints REST usando a plataforma OCI Data Science ou a API REST do Oracle Machine Learning Services no banco de dados. Além disso, o usuário pode empacotar esses modelos em um formato Open Neural Network Exchange (ONNX) e implementá-los como parte de uma aplicação.
• Nossos dados e modelos selecionados, testados e de alta qualidade podem ter regras e políticas de governança aplicadas usando o OCI Data Catalog em conjunto com outros serviços e podem ser expostos como um “produto de dados” (API) dentro de uma arquitetura de malha de dados para distribuição em toda a organização.

Melhore os resultados financeiros da sua concessionária com um desempenho operacional aprimorado

Estratégias de manutenção ineficientes podem degradar o desempenho operacional e a lucratividade e resultar em clientes insatisfeitos. Esse caso de uso de congelamento de turbinas eólicas é apenas um exemplo de como você pode usar ML e outras técnicas analíticas avançadas, incluindo análises preditivas e prescritivas, para ajustar sua estratégia de desempenho operacional. Ao usar essas técnicas, agora você pode antecipar eventos de congelamento e quebras de ativos e gerar insights acionáveis em tempo real. Esses insights acionam fluxos de trabalho prescritivos para que você possa tomar medidas preventivas e otimizar sua manutenção. Os exemplos a seguir são alguns dos resultados possíveis que você pode obter ao usar a plataforma de dados certa para melhorar seu desempenho operacional:

• Melhor confiabilidade
• Tempos de resposta de manutenção proativa/preventiva reduzidos
• Custos reduzidos
• Tempo de restauração reduzido
• Maior conveniência de fornecimento