Möglichkeiten der prädiktiven Analytik zur Verbesserung der Energieeffizienz von Anlagen und Prognose des Energieverbrauchs

Nach Angaben des Beratungsunternehmens Roland Berger, Führende Energieversorger auf der ganzen Welt implementieren digitale Transformationsprogramme. Die weit verbreitete Nutzung von Big Data trägt zur Entwicklung von Predictive-Analytics-Lösungen bei, die heute im Energiesektor stark nachgefragt werden. Predictive Analytics ermöglicht es Ihnen, Geräteausfälle vorherzusagen, Risiken objektiv einzuschätzen und strategisch richtige Entscheidungen zu treffen.

In diesem Artikel werden wir darüber sprechen, wie mithilfe von Vorhersageanalysen eine qualitative Prognose des Energieverbrauchs umgesetzt und die Energieeffizienz von Anlagen von Stromerzeugungsunternehmen verbessert werden kann.

Energieeffizienz von Industrieanlagen: Relevanz und Problemfelder

Entsprechend Energiestrategie der Russischen Föderation, Die Verbesserung der Energieeffizienz im Kraftstoff- und Energiesektor wurde als eines der strategischen Ziele für die kommenden Jahre anerkannt. Nahezu jedes größere Industrieunternehmen hat eine Energieeinspar- und Energieeffizienzrichtlinie im Jahr 2022, die es verfolgt.

Energieeffizienz ist die rationelle Nutzung von Energieressourcen, das Erreichen einer wirtschaftlich begründeten Effizienz ihrer Nutzung auf dem aktuellen Stand der Entwicklung von Technologie, Technologie und Einhaltung von Umweltanforderungen.

Der Verantwortungsbereich eines gewerblichen Energieverbrauchers ist die Energieeffizienz bestimmter Geräte, die von der Richtigkeit ihrer Einstellungen und Betriebsarten, der Effizienz und der technischen Gebrauchstauglichkeit abhängt. Während des Betriebs der Ausrüstung entstehen objektive Probleme im Zusammenhang mit der Nichteinhaltung von Wartungs- und Reparaturplänen, unvorhergesehenen Ausfällen und verminderter Effizienz, schlechter Qualität der Geräteeinstellungen, Nichteinhaltung der Betriebsbedingungen der Ausrüstung durch das Personal und Gewährleistung Pflichten der Lieferanten.

Die Stabilität des Stromerzeugungsprozesses, die Bereitstellung vertraglicher Verpflichtungen, die Berechnung der Belastung der Erzeugungsanlagen gemäß dem Wartungsplan und der technische Zustand der Anlagen hängen von den Erzeugungsunternehmen ab. Schwierigkeiten, die bei der Arbeit von Erzeugungsunternehmen auftreten, hängen mit Saisonalität und Preisänderungen sowie dem technischen Zustand der Ausrüstung zusammen.

Ansätze zur Lösung dieser Probleme lassen sich grob in vier Bereiche einteilen:

  1. Analyse von Geschäftsprozessen.

  2. Analyse technologischer Prozesse.

  3. Analyse und Prognose des Gerätezustands.

  4. Automatisierung von Wartung und Reparatur.

Für jeden dieser Bereiche bietet Factory5 separate Produkte und Lösungen auf Basis von Technologien der künstlichen Intelligenz und des maschinellen Lernens an. Eines unserer erfolgreichen Projekte ist der Einsatz des Anlagenzustandsüberwachungs- und Prognosesystems F5 PMM zur Analyse der Energieeffizienz einer Gasturbinenanlage (GTP). Dieses Projekt kombiniert Beispiele für den Einsatz von Predictive Analytics zur Analyse des technischen Zustands, zur Berechnung der Energieeffizienz und zur Lösung organisatorischer Probleme, die zwischen dem Kunden und dem Gerätehersteller auftreten.

Analyse der Energieeffizienz von Gasturbinen mit der F5 PMM-Lösung zur Überwachung und Vorhersage des Gerätezustands

Dieses Projekt wurde gemeinsam mit einem Hersteller von Gasturbinenanlagen realisiert, der diese im Rahmen eines „Life Cycle Contract“ an Kunden liefert.

Eine Gasturbinenanlage ist eine komplexe Anlage, deren Effizienz von vielen Faktoren beeinflusst wird: Einige liegen in der Verantwortung des Herstellers, andere in der Verantwortung des Kunden. Es gibt bestimmte technologische Parameter, die leicht nachzuvollziehen sind und normalerweise keine Fragen seitens der Parteien aufwerfen. Aber es gibt auch umstrittene Faktoren, bei deren Vorhandensein es schwierig sein kann, die verantwortliche Partei zu bestimmen: Änderungen der Eigenschaften des Kraftstoffs, Einfluss des technologischen Regimes, Grad des Geräteverschleißes und so weiter. Standardansätze, die es erlauben, den Einfluss dieser Faktoren nachzuvollziehen, reichen oft nicht aus. Aber dank Machine-Learning-Tools und Data-Analytics-Technologien wird diese Aufgabe lösbar.

Die geringe Leistung der Gasturbine bei hohem Energieverbrauch kann auf mehrere Faktoren zurückzuführen sein. Die Auswirkung des Gerätezustands auf die Effizienz abzuschätzen ist eine ziemlich triviale Aufgabe, die mit F5 PMM gelöst werden kann.

Zunächst entbündelt das System die Geräte und bindet die Sensoren an die entsprechenden Knoten. Außerdem wird unter Beteiligung von Technologen aus dem Gesamtvolumen historischer Daten ein Referenzzeitraum für den Gerätebetrieb ausgewählt, der zum Trainieren des Vorhersagemodells verwendet wird. Nach dem Training vergleicht das Modell den aktuellen Zustand mit dem prognostizierten, und anhand der identifizierten Abweichungen ist es möglich zu verstehen, in welchen Momenten sich die Ausrüstung ungewöhnlich verhält. Gleichzeitig werden diese Anomalien in der überwiegenden Mehrheit von den ESD-Systemen nicht erfasst, sie erreichen nicht die Warn- und Notfallwerte der Einstellungen.

Als nächstes werden der Referenzkraftstoffverbrauch und der Beitrag des Verhaltens jedes Knotens zum Gesamtverbrauch modelliert. Der gesamte übermäßige Brenngasverbrauch der gesamten Anlage wird geschätzt.

Effizienzbewertungsalgorithmus

In der dritten und vierten Stufe sind die Anomalien im Verhalten von Einheiten und Baugruppen mit dem allgemeinen übermäßigen Verbrauch von Brenngas verbunden. Es werden die Komponenten und Baugruppen identifiziert, die den größten Beitrag zur Reduzierung der Energieeffizienz leisten. Somit hat der Benutzer des Systems Informationen über die Gründe für eine geringe Effizienz und Daten darüber, wie die Abnutzung jedes Knotens oder jeder Einheit die Gesamtineffizienz beeinflusst.

Das Einholen dieser analytischen Informationen ermöglicht es Ihnen, eine fundierte Entscheidung darüber zu treffen, was für das Unternehmen rentabler ist: eine außerplanmäßige Abschaltung von Geräten zur Reparatur und Wiederherstellung der Passeigenschaften oder die Fortsetzung des Dauerbetriebs mit geringer Effizienz und erhöhtem Ausfallrisiko . Eine solche Machbarkeitsanalyse des ersten oder zweiten Szenarios, die Neuberechnung der Differenz aus Ausfallverlusten mit Reparaturkosten und aufgelaufenen Energieüberschreitungen kann fast täglich durchgeführt werden, um zum wirtschaftlich günstigsten Zeitpunkt über eine außerplanmäßige Abschaltung zu entscheiden Wirkung.

Für beide Parteien erscheinen wichtige zusätzliche Informationen, die als Dreh- und Angelpunkt für Entscheidungen dienen können – das Gerät anzuhalten und die verschlissene Einheit zu ersetzen oder es bis zu einer geplanten Reparatur mit reduzierter Effizienz weiter zu betreiben. Diese Entscheidung hängt normalerweise auch von anderen Faktoren ab – dem Ausfallrisiko, der Zeit bis zur nächsten Reparatur, den Kosten und der Bedeutung jeder Stunde Ausfallzeit. Die kumulative Betrachtung all dieser Faktoren dient als Entscheidungsgrundlage für eine außerplanmäßige Reparatur oder einen Weiterbetrieb mit reduzierter Effizienz. Der Einsatz von Predictive Analytics ermöglicht uns eine kompetente und strategisch angepasste Vorgehensweise zur Erzielung maximaler Effizienz.

Die auf Basis der prädiktiven Analyse gewonnenen Daten sind von besonderer Bedeutung bei der Entscheidungsfindung der Dienste von Technologen, Ingenieuren und Wirtschaftsabteilungen. Sie regeln und vereinfachen die Interaktion sowohl zwischen Abteilungen innerhalb des Kundenunternehmens als auch zwischen Parteien in Lebenszyklusverträgen, wenn der Kunde und der Geräteverbraucher den Hersteller für die Zeit der kontinuierlichen Arbeit an Pass-Leistungsindikatoren bezahlen. Die erhaltenen Informationen können als Grundlage dienen, um Meinungsverschiedenheiten zwischen dem Hersteller und dem Betreiber zu lösen, den Schuldigen für die Verringerung der Effizienz der Ausrüstung zu ermitteln und vor allem festzustellen, wer für die Beseitigung dieser Probleme bezahlen wird.

Die Wirtschaftlichkeit der Umsetzung eines auf Predictive Analytics basierenden Ansatzes ist in jedem Einzelfall individuell und bei Bedarf können Projekte auch durch technische Umrüstungen von Produktionsanlagen erweitert werden. In jedem Fall stellen wir dem Kunden nicht nur eine digitale Lösung zur Verfügung, sondern gehen mit ihm auch alle Schritte der Umsetzung durch und unterstützen ihn kompetent bei der Lösung jeder einzelnen Aufgabenstellung.

Similar Posts

Leave a Reply

Your email address will not be published. Required fields are marked *