Nutzung von Daten und maschinellem Lernen, um die Betriebsleistung von Windkraftanlagen zu verbessern

Effektives Management der Vereisung von Windkraftanlagen mit einer modernen Datenplattform

Die Ausgaben der Versorgungsunternehmen für Betrieb und Wartung (O&M) steigen und eine Verlangsamung ist nicht in Sicht. Die Betriebsleistung ist ein Bereich, auf den Unternehmen am häufigsten achten, wenn sie versuchen, den Personalbestand zu optimieren und gleichzeitig die Kosten zu senken. In diesem Anwendungsfall untersuchen wir, wie eine moderne Datenplattform dabei helfen kann, die Vereisung von Windkraftanlagen zu verwalten und die Betriebsleistung zu verbessern.

Die Windenergie entwickelt sich immer mehr zu einer tragenden Säule der weltweiten Ökostrom-Initiative, sodass ihr Betrieb immer genauer unter die Lupe genommen wird. Im Gegensatz zu anderen Betrieben in der Branche muss der Betrieb von Windturbinen ein wenig anders bewertet werden, da jede Turbine je nach Standort von den Wetterbedingungen, der Höhe und anderen Faktoren unterschiedlich beeinflusst wird.

Verbesserung der Leistung von Windkraftanlagen durch maschinelles Lernen und fortschrittliche Analysen

Bei der Optimierung der Leistung von Windkraftanlagen müssen verschiedene Faktoren berücksichtigt werden, darunter die technischen Spezifikationen der Turbine und ihrer Blätter sowie der Standort und die Wetterbedingungen, die die Leistung beeinflussen. Um all diese Daten sinnvoll zu nutzen, benötigen Sie eine Datenplattform, die es Ihnen ermöglicht, die Daten zu kombinieren und maschinelles Lernen (ML) so schnell wie möglich anzuwenden, um Erkenntnisse zur Optimierung Ihrer Betriebsleistung zu gewinnen. Bei Windkraftanlagen hat sich gezeigt, dass Eis oder sogar Frost auf der Klinge die aerodynamische Effizienz der Turbine erheblich beeinträchtigt, unddie Stromerzeugung um bis zu 80 % reduzieren kann. Die Fähigkeit, ML und erweiterte Analysen zu nutzen, um diesen Verlust schnell zu verstehen, sich darauf vorzubereiten und zu bewältigen, ist unerlässlich, um die Gesamtauswirkungen zu minimieren und die betriebliche Effizienz aufrechtzuerhalten.

Diese Abbildung zeigt, wie die Oracle Data Platform für die Energie- und Wasserwirtschaft zur Unterstützung eines Anwendungsfalls im Bereich der Betriebsleistung, insbesondere der Vereisung von Windkraftanlagen, eingesetzt werden kann. Die Plattform umfasst die folgenden fünf Säulen:

1. 1. Datenquellen, Entdeckung
2. 2. Aufnehmen, transformieren
3. 3. Beibehalten, kuratieren, erstellen
4. 4. Analysieren, lernen, prognostizieren
5. 5. Messen, handeln

Die Säule „Datenquellen, Entdeckung“ umfasst drei Datenkategorien.

1. 1. First-Party-Daten bestehen aus Metadaten, GIS-Daten und Video.
2. 2. Zu den Anwendungen gehören SCADA, Device Data Hub sowie Ausfall- und Wartungsmanagementsysteme.
3. 3. Zu den Third-Party-Daten gehören Daten aus GPS- und Wetterquellen.

Die Säule „Aufnehmen, transformieren“ umfasst drei Funktionen.

1. 1. Die Batchaufnahme nutzt OCI Data Integration und Data Studio.
2. 2. Die Datenänderungserfassung verwendet OCI GoldenGate.
3. 3. Die Streamingaufnahme besteht aus OCI Streaming und OCI Connector Hub.

Alle drei Funktionen verbinden sich unidirektional mit dem zugrunde liegenden Datenspeicher und dem Cloud-Speicher innerhalb der Säule „Beibehalten, kuratieren, erstellen“.

Die Säule „Beibehalten, kuratieren, erstellen“ umfasst vier Funktionen.

1. 1. Der zugrunde liegende Datenspeicher nutzt Oracle Autonomous Data Warehouse.
2. 2. Der Cloud-Speicher verwendet OCI Object Storage.
3. 3. Die Batch-Verarbeitung verwendet OCI Data Integration, Functions und Data Flow.
4. 4. Governance verwendet OCI Data Catalog.

Diese Funktionen sind innerhalb der Säule miteinander verbunden. Der Cloud-Speicher ist unidirektional mit dem zugrunde liegenden Datenspeicher und außerdem bidirektional mit der Batch-Verarbeitung verbunden.

Die Metadatenleitungen verbinden unidirektional den zugrunde liegenden Datenspeicher und Cloud-Speicher mit der Governance.

Zwei Funktionen sind mit der Säule „Analysieren, lernen, prognostizieren“ verbunden: Der zugrunde liegende Datenspeicher ist unidirektional mit den Services für Analyse und Visualisierung, Prognose, Lernen und KI verbunden. Der Cloud-Speicher hingegen verbindet sich bidirektional zum Lernen, aber unidirektional mit den Analyse- und Visualisierungs-, Lern- und KI-Services.

Die Säule „Analysieren, lernen, prognostizieren“ umfasst zwei Funktionen.

1. 1. Analysen und Visualisierung nutzen Oracle Analytics Cloud und Spatial Studio.
2. 2. Datenprodukte, APIs verwenden OCI API Gateway, Oracle Integration Cloud und OCI Functions.
3. 3. „Prognose“ nutzt die Services von OCI Data Science und Oracle Machine Learning.
4. 4. „Lernen“ nutzt OCI Data Science und Oracle Machine Learning Notebooks.
5. 5. Die KI-Services nutzen Services von OCI Vision, OCI Language und Drittanbietern.
6. 6. Die Prognosefunktion ist unidirektional mit der Funktion der Datenprodukte und APIs verbunden.

Die Säule „Messen, handeln“ erfasst, wie die Datenanalyse angewendet werden kann, um ein Bereitstellungsmodell für die Vereisung von Windkraftanlagen zu unterstützen und die Leistung zu überwachen. Diese Anwendungen sind in zwei Gruppen unterteilt.

Die erste Gruppe „Menschen and Partner“ umfasst Betrieb und Wartung.

Die zweite Gruppe „Anwendungen“ umfasst Oracle Field Service, Oracle Utilities Work and Asset Management, Enterprise Asset Management, Work Management System und Field Service Management.

Die drei zentralen Säulen – Aufnehmen, transformieren; Beibehalten, kurieren, erstellen; und Analysieren, lernen, prognostizieren – werden durch Infrastruktur, Netzwerk, Sicherheit und IAM unterstützt.

Logische Architektur der Betriebsleistung von Windkraftanlagen

Es gibt drei Möglichkeiten, Daten in eine Architektur einzuspeisen, damit Versorgungsunternehmen ihre Betriebsleistungsstrategie für Windkraftanlagen effektiv bewerten können.

• Wir werden die Batchaufnahme verwenden, um Daten aus Systemen zu importieren, die kein Streaming unterstützen (z. B. ältere SCADA-Systeme [Supervisory Control and Data Acquisition] oder Wartungsmanagementsysteme). In diesem Anwendungsfall werden Anlagendaten, Wetterdaten und Daten aus GPS-, Wartungs- und Ausfallmanagementsystemen in unterschiedlichen Intervallen aufgenommen. Wir werden OCI Data Integration verwenden, um diese Datensätze in Oracle Cloud Infrastructure (OCI) Object Storage oder direkt in Oracle Autonomous Data Warehouse (ADW) zu laden.
• Darüber hinaus werden wir Oracle Cloud Infrastructure GoldenGate verwenden, um Daten aus Betriebssystemen wie Ausfallsystemen, Wartungsmanagementsystemen und Asset-Daten-Hubs über Change Data Capture aufzunehmen.
• Für alle Streaming-Daten, wie z. B. Wetterdaten, verwenden wir die nahtlose Kombination von OCI Streaming und OCI Connector Hub, um die Daten zu erfassen, zu aggregieren und direkt in OCI Object Storage zu laden.

Die Datenpersistenz und -verarbeitung basiert auf drei Komponenten.

• Die aufgenommenen Rohdaten aus allen Quellen werden im Cloud-Speicher gespeichert. Je nach erforderlicher Maßnahme können wir die automatisierten Features innerhalb von OCI, wie z. B. OCI Events Service, nutzen, um Batch-Verarbeitungsereignisse zu initiieren. In diesem Anwendungsfall werden wir die Wetterdaten einlesen und in eine lesbare Form für die spätere Verwendung umwandeln. Anschließend verwenden wir OCI Data Integration, OCI Functions oder OCI Data Flow für die Batch-Verarbeitung, um die erfassten Daten nach Bedarf zu konsolidieren, zu kuratieren oder zu verbessern. Die Datenpipelines werden mit OCI Data Integration erstellt und verwaltet. Obwohl OCI Data Integration über eine Vielzahl von Connectors für verschiedene Datenbestände (Datenbanken, Anwendungen, Objektspeicher, REST-APIs usw.) verfügt, kann es nicht alle Ihre Anforderungen erfüllen. In diesem Fall können Sie eine OCI Data Flow-Anwendung erstellen, um alle über Spark verfügbaren Connectors zu nutzen. In diesem Beispiel werden Anlagendaten-Hub, GPS, Wetterdaten, historische Ausfalldaten und Wartungsdaten kombiniert, um ein Modell zu erstellen, mit dem die physischen Anlagenstandorte identifiziert werden können, die Aufmerksamkeit erfordern. Diese Informationen können dann zur Verbesserung des betrieblichen Wartungsprogramms verwendet werden.
• Wir haben nun verarbeitete Datensätze erstellt, die bereit sind, in optimierter relationaler Form für die Kuratierung und Abfrageleistung im von ADW bereitgestellten zugrunde liegenden Datenspeicher gespeichert zu werden. So können wir die Ergebnisse der Modellvorhersagen visualisieren. Wir können sogar die eingebauten räumlichen Funktionen nutzen, um Turbinen zu visualisieren, die möglicherweise sofortige Aufmerksamkeit erfordern.

Die Fähigkeit zum Analysieren, Lernen und Vorhersagen wird durch drei Technologien erleichtert.

• Analyse- und Visualisierungsservices wie Oracle Analytics Cloud und Spatial Studio können interaktive Dashboards liefern, mit denen wir Bildinformationen visualisieren und die künftigen Auswirkungen des Wetters auf bestimmte Turbinen bzw. Turbinenparks vorhersagen können. Diese Services bieten
  • Deskriptive Analysen, mit denen wir aktuelle und historische Vereisungstrends mit Histogrammen und Diagrammen veranschaulichen können, um Bereiche zu identifizieren, die sofortige Aufmerksamkeit erfordern.
  • Prädiktive Analysen, die wir zur Planung und Bestimmung des längerfristigen Betriebs- und Wartungsbedarfs nutzen können, indem wir künftige Wetterereignisse vorhersagen, Trends erkennen und die Wahrscheinlichkeit ungewisser Ergebnisse bestimmen.
  • Präskriptive Analysen, die geeignete Maßnahmen vorschlagen können, um die Entscheidungsfindung im Bereich des strategischen operativen Leistungsmanagements zu optimieren.
• Neben dem Einsatz von erweiterten Analysen werden mit OCI Data Science auch Modelle für maschinelles Lernen entwickelt, trainiert und bereitgestellt. Diese Modelle nutzen maschinelles Lernen, um große Mengen an Anlagen-, Wetter-, Wartungs-, GIS- und anderen Daten zu analysieren, damit Sie die Betriebsleistung jeder Windkraftanlage besser verstehen und verbessern können. Dieses detaillierte Verständnis kann Ihnen helfen, Aufgaben wie das Abschalten von Turbinen zu priorisieren und die zu erledigenden Arbeiten sowie die dafür erforderlichen Teams auf die effizienteste und kostengünstigste Weise zu bestimmen. Einige der am häufigsten verwendeten Modelltypen sind XGBoost-Algorithmen und solche, die im Bereich des Deep Learning zu finden sind, wie rekurrente neuronale Netze, tiefe neuronale Netze und Transfer Learning. Sobald diese Modelle trainiert sind, können sie je nach Wunsch des Benutzers auf verschiedene Weise eingesetzt werden. Die Modelle können über REST-Endpunkte mit der OCI Data Science-Plattform oder der datenbankinternen REST-API für Oracle Machine Learning Services aufgerufen werden. Darüber hinaus kann der Benutzer diese Modelle in einem Open Neural Network Exchange-(ONNX-)Format verpacken und als Teil einer Anwendung einsetzen.
• Auf unsere kuratierten, getesteten und qualitativ hochwertigen Daten und Modelle können Governance-Regeln und -Richtlinien angewendet werden, indem der OCI Data Catalog in Verbindung mit anderen Services verwendet wird, und sie können als „Datenprodukt“ (API) innerhalb einer Data-Mesh-Architektur zur Verteilung im gesamten Unternehmen bereitgestellt werden.

Verbessern Sie das Ergebnis Ihres Versorgungsunternehmens durch eine bessere Betriebsleistung

Ineffiziente Wartungsstrategien können die Betriebsleistung und Rentabilität beeinträchtigen und zu unzufriedenen Kunden führen. Dieser Anwendungsfall der Vereisung von Windkraftanlagen ist nur ein Beispiel dafür, wie Sie ML und andere fortschrittliche Analysetechniken, einschließlich prädiktiver und präskriptiver Analysen, zur Feinabstimmung Ihrer Betriebsleistungsstrategie einsetzen können. Mithilfe dieser Techniken können Sie nun Einfriervorgänge und Anlagenausfälle vorhersehen und in Echtzeit verwertbare Erkenntnisse gewinnen. Diese Erkenntnisse lösen präskriptive Workflows aus, sodass Sie präventiv handeln und Ihre Wartung optimieren können. Die folgenden Beispiele sind einige der möglichen Ergebnisse, die Sie erzielen können, wenn Sie die richtige Datenplattform zur Verbesserung Ihrer Betriebsleistung einsetzen:

• Zuverlässiger
• Kürzere Reaktionszeiten für proaktive/vorbeugende Wartung
• Geringere Kosten
• Kürzere Wiederherstellungszeit
• Besserer Versorgungskomfort