Utiliza datos y aprendizaje automático para mejorar el rendimiento operativo de las turbinas eólicas

Gestiona de manera eficaz la formación de hielo en las turbinas eólicas con una plataforma de datos moderna

La cantidad de dinero que las empresas de servicios públicos dedican a operaciones y mantenimiento (O&M) está aumentando sin que se espere ningún tipo de desaceleración en el futuro próximo. El rendimiento operativo es un área que las organizaciones buscan con mayor frecuencia cuando intentan optimizar los niveles de personal al tiempo que reducen los costos. En este caso de uso, analizaremos una plataforma de datos moderna puede ayudar a gestionar la formación de hielo en las turbinas eólicas y mejorar el rendimiento operativo.

La energía eólica se está convirtiendo a pasos agigantados en un pilar básico de las iniciativas globales de energía verde, y como tal, sus operaciones están sujetas a mayor escrutinio. A diferencia de otras operaciones de la industria, el funcionamiento de las turbinas eólicas debe evaluarse de manera un tanto diferente, ya que cada turbina se ve afectada de manera diferente por las condiciones climáticas, la altitud y otros factores en función de su ubicación.

Mejora el rendimiento de las turbinas eólicas con aprendizaje automático y análisis avanzados

Al optimizar el rendimiento de las turbinas eólicas, debes considerar varios factores diferentes, como las especificaciones de su diseño y sus palas, además de su ubicación y el clima que condiciona su rendimiento. Para dar sentido a toda esta información, necesitas una plataforma de datos que te permita combinarla y aplicar el aprendizaje automático lo antes posible para generar insights que optimicen el rendimiento operativo. En el caso de las turbinas eólicas, se ha demostrado que el hielo o incluso la escarcha de sus palas afectan de manera drástica a su eficiencia aerodinámica, y pueden reducir la generación de energía hasta en un 80 %. La capacidad de utilizar el aprendizaje automático y los análisis avanzados para comprender, prepararse y gestionar rápidamente esta pérdida es imprescindible para minimizar el impacto general y mantener la eficiencia operativa.

En esta imagen se muestra cómo se puede utilizar Oracle Data Platform en el ámbito de la energía y el agua para respaldar un caso de uso relacionado con el rendimiento operativo, en concreto con la formación de hielo en turbinas eólicas. La plataforma incluye estos cinco pilares:

1. 1. Orígenes de datos, detección
2. 2. Ingerir, transformar
3. 3. Persistir, curar, crear
4. 4. Analizar, aprender, predecir
5. 5. Medir, actuar

El pilar Orígenes de datos, detección incluye tres categorías de datos.

1. 1. Los datos propios se componen de metadatos de activos, datos de SIG y video.
2. 2. Las aplicaciones incluyen SCADA, hub de datos de dispositivos, y sistemas de gestión de interrupciones y mantenimiento.
3. 3. Los datos de terceros incluyen información de GPS y fuentes meteorológicas.

El pilar Ingerir, Transformar comprende tres capacidades.

1. 1. La ingesta por lotes utiliza OCI Data Integration y Data Studio.
2. 2. La captura de datos de cambios utiliza OCI GoldenGate.
3. 3 La ingesta mediante streaming consta de OCI Streaming y OCI Connector Hub.

Las tres capacidades se conectan unidireccionalmente al almacén de datos de servicio y al almacenamiento en la nube dentro del pilar Persistir, curar, crear.

El pilar Persistir, curar, crear incluye cuatro capacidades.

1. 1. El almacén de datos servidor utiliza Oracle Autonomous Data Warehouse.
2. 2 El almacenamiento en la nube utiliza OCI Object Storage.
3. 3. El procesamiento por lotes utiliza OCI Data Integration, Functions y Data Flow.
4. 4. La gobernanza utiliza OCI Data Catalog.

Estas capacidades están conectadas dentro del pilar. El almacenamiento en la nube está conectado unidireccionalmente al almacén de datos de servicio; también está conectado bidireccionalmente al procesamiento por lotes.

Las líneas de metadatos se conectan unidireccionalmente desde el almacén de datos de servicio y el almacenamiento en la nube hasta la gobernanza.

Dos capacidades se incluyen en el pilar "Analizar, aprender, predecir": el almacén de datos de servicio se conecta unidireccionalmente a los servicios de análisis y visualización, AppDev con poco código, predicción, aprendizaje e IA. Si bien el almacenamiento en la nube se conecta bidireccionalmente para aprender, lo hace unidireccionalmente en el caso de los servicios de análisis y visualización, aprendizaje e IA.

El pilar "Analizar, aprender, predecir" incluye seis capacidades.

1. 1. Análisis y visualización, que utiliza Oracle Analytics Cloud y Spatial Studio.
2. 2. Las API y los productos de datos, que utilizan OCI API Gateway, Oracle Integration Cloud y OCI Functions.
3. 3. Predecir, que utiliza los servicios de OCI Data Science y Oracle Machine Learning.
4. 4. Aprender, que utiliza OCI Data Science y Oracle Machine Learning Notebooks.
5. 5. Los servicios de IA utilizan OCI Vision, OCI Language y herramientas de terceros.
6. 6. La capacidad de predicción está unidireccionalmente conectada a la capacidad de las API y los productos de datos.

El pilar "Medir, actuar" evalúa cómo se puede aplicar la analítica de datos para impulsar un modelo de gestión de la formación de hielo en turbinas eólicas y supervisar el rendimiento. Estas aplicaciones se dividen en dos grupos.

El primer grupo, Peoples and Partners, incluye las operaciones y el mantenimiento.

El segundo grupo, Applications, incluye Oracle Field Service, Oracle Utilities Work and Asset Management, gestión de activos empresariales, sistema de gestión de trabajo y gestión de servicios de campo.

Los tres pilares centrales, Ingerir, transformar; Persistir, curar, crear; y Analizar, aprender, predecir, son compatibles con la infraestructura, la red, la seguridad y la gestión de identidades y accesos.

Arquitectura lógica de rendimiento operativo de turbinas eólicas

Hay tres formas principales de inyectar datos en una arquitectura para permitir que las empresas de servicios públicos evalúen eficazmente su estrategia de rendimiento operativo para turbinas eólicas.

• Utilizaremos la ingesta por lotes para importar datos de sistemas que no pueden admitir la transmisión (por ejemplo, antiguos sistemas de control de supervisión y adquisición de datos (SCADA) o sistemas de gestión de mantenimiento). En este caso de uso, los datos de activos, meteorológicos y de sistemas de gestión de GPS, mantenimiento e interrupciones se ingerirán a intervalos variables. Utilizaremos OCI Data Integration para cargar estos conjuntos de datos en Oracle Cloud Infrastructure (OCI) Object Storage o directamente en Oracle Autonomous Data Warehouse (ADW).
• Además, utilizaremos Oracle Cloud Infrastructure GoldenGate para ingerir datos de sistemas operativos, como sistemas de interrupción, sistemas de gestión de mantenimiento y hubs de datos de activos, mediante la recopilación de datos de cambios.
• Con todos los datos de streaming, como la información meteorológica, recurriremos a la eficaz combinación de OCI Streaming y OCI Connector Hub para recopilarlos, agregarlos y cargarlos directamente en OCI Object Storage.

La persistencia y el procesamiento de datos se basan en tres componentes.

• Los datos en bruto ingeridos se alojan en el almacén en la nube. Si la acción que resulte necesaria lo permite, podremos utilizar las funciones automatizadas de Oracle Cloud Infrastructure, como OCI Events Service, para iniciar eventos de procesamiento por lotes. En este caso de uso, vamos a ingerir los datos meteorológicos y convertirlos en un formato legible para su uso posterior. A continuación, utilizaremos OCI Data Integration, OCI Functions u OCI Data Flow para el procesamiento por lotes con el fin de consolidar, curar o mejorar los datos recopilados según sea necesario. Los pipelines de datos se crean y mantienen mediante OCI Data Integration. Aunque OCI Data Integration incluye una amplia gama de conectores para diversos activos de datos (bases de datos, aplicaciones, almacenamiento de objetos, API de REST, etc.), puede que no satisfaga todas tus necesidades. Si este es el caso, puedes crear una aplicación de OCI Data Flow para aprovechar todos los conectores disponibles a través de Spark. En este ejemplo, la información del hub de datos de activos, GPS, clima, el histórico de interrupciones y mantenimiento se combinan para crear un modelo que identifique las ubicaciones de activos físicos que requieran atención. Esta información se puede utilizar para mejorar el programa de mantenimiento operativo.
• Ahora hemos creado conjuntos de datos procesados que están listos para conservarse en un formato relacional optimizado para garantizar el adecuado rendimiento de la curación de contenidos y de las consultas en el almacén de datos de servicio facilitado por ADW. Esto nos permite visualizar los resultados de las predicciones del modelo. Incluso podemos utilizar las capacidades espaciales integradas para visualizar turbinas que puedan exigir atención inmediata.

La capacidad de analizar, aprender y predecir se ve facilitada por dos enfoques tecnológicos.

• Los servicios de análisis y visualización como Oracle Analytics Cloud y Spatial Studio ofrecen paneles de control interactivos que podemos utilizar para visualizar información de imágenes y predecir el impacto futuro de la meteorología en turbinas específicas o campos eólicos. Estos servicios proporcionan
  • Analítica descriptiva, que podemos utilizar para ilustrar la situación actual y las tendencias históricas de formación de hielo con histogramas y gráficos que permitan identificar áreas que requieran mantenimiento inmediato
  • Analítica predictiva, que podemos utilizar para planificar y determinar las necesidades operativas y de mantenimiento a largo plazo mediante la predicción de futuros fenómenos meteorológicos, la identificación de tendencias y la determinación de la probabilidad de que se produzcan resultados inciertos
  • Análisis prescriptivo, que puede proponer acciones adecuadas para ayudar a optimizar la toma de decisiones de gestión estratégica del rendimiento operativo
• Además del uso de análisis avanzados, se desarrollan, entrenan y despliegan modelos de aprendizaje automático por medio de OCI Data Science. Estos modelos utilizan el aprendizaje automático para analizar grandes cantidades de datos sobre activos, clima, mantenimiento, sistemas de información geográfica (SIG) y otros, que te ayudarán a comprender mejor y optimizar el rendimiento operativo de cada turbina eólica. Este profundo conocimiento puede ayudarte a priorizar constantemente tareas como la desconexión de turbinas y determinar el trabajo que se debe hacer y los equipos necesarios para llevarlo a cabo de la manera más eficiente y rentable. Algunos de los tipos más comunes de modelos utilizados son los algoritmos XGBoost, así como los que se suelen encontrar en el aprendizaje profundo, como las redes neuronales recurrentes, las redes neuronales profundas y el aprendizaje por transferencia. Una vez entrenados estos modelos, su despliegue puede realizarse de varias formas en función de las preferencias del usuario. Los modelos se pueden solicitar a través de puntos finales REST utilizando la plataforma OCI Data Science o la API REST de Oracle Machine Learning Services de la base de datos. Además, el usuario puede combinar estos modelos en un formato Open Neural Network Exchange (ONNX) y desplegarlos dentro de una aplicación.
• Nuestros datos y modelos curados, comprobados y de alta calidad pueden estar sujetos a reglas y políticas de gobernanza aplicadas mediante el uso de OCI Data Catalog en combinación con otros servicio y exponerse como un "producto de datos" (API) dentro de una arquitectura de malla de datos para distribuirse en todas las esferas de la organización.

Incrementa el beneficio de tu empresa de servicios públicos con un rendimiento operativo mejorado

Unas estrategias de mantenimiento ineficientes pueden perjudicar al rendimiento operativo y la rentabilidad, y provocar insatisfacción entre los clientes. Este caso de uso sobre formación de hielo en turbinas eólicas es solo un ejemplo de cómo puedes utilizar el aprendizaje automático y otras técnicas analíticas avanzadas, incluidos los análisis predictivos y prescriptivos, para ajustar tu estrategia de rendimiento operativo. Con estas técnicas, ahora puedes anticipar casos de congelación y daño de activos, y generar insights útiles en tiempo real. Estos insights generan flujos de trabajo prescriptivos para que puedas tomar medidas preventivas y optimizar tu mantenimiento. A continuación, incluimos algunos ejemplos de los posibles beneficios que puedes obtener si utilizas la plataforma de datos adecuada para mejorar el rendimiento operativo:

• Mejora de la confiabilidad
• Reducción de los tiempos de respuesta del mantenimiento proactivo/preventivo
• Costos más bajos.
• Reducción del tiempo de rehabilitación
• Optimización del abastecimiento de suministros