Майк Редер, доктор, основатель и генеральный директор/технический директор ANNEA

Марсель Френцель, основатель и финансовый директор/директор по стратегическому планированию ANNEA

Казахстан стремится модернизировать свою нынешнюю энергетическую инфраструктуру, сделать ее более экологически чистой и эф­фективной. Это позволит стране отказаться от зависимости от внутренних ресурсов газа, неф­ти и угля по мере продвижения к своей цели по обеспечению 50% производства энергии за счет возобновляемых источников к 2050 году. Параллельно будут возникать возможности, которые появятся при эксплуатации и обслу­живании этих возобновляемых источников энергии. Ниже мы рассмотрим различные циф­ровые решения, доступные в настоящее время на рынке, которые позволяют производителям экологически чистой энергии, в частности производителям энергии ветра, предотвращать чрезвычайные ситуации, обслуживать и ремон­тировать свои активы наиболее эффективными из возможных способов.

ОТРАСЛЕВАЯ ИНФОРМАЦИЯ

Индустрия возобновляемых источников энергии сталкивается с различными проблемами, такими как конкуренция с традиционными источника­ми энергии по стоимости из-за высоких затрат на эксплуатацию и техническое обслуживание (ЭиТО). Поскольку возобновляемые источники энергии стали более конкурентоспособными по сравнению с традиционными источниками, конкуренция между операторами возобновляемых источников энергии усилилась. При правильной стратегии цифровые технологии помогают противостоять вызовам ЭиТО, дают операторам возобновляемых источников энергии конкурентные преимущества и увеличивают их вклад в достижение углеродной нейтральности.

Сектор добился успехов в своем подходе к техническому обслуживанию машин, отойдя от традиционной практики «наработка на отказ с последующим проведением технического обслуживания», которая включает в себя «ремонт после отказа». В настоящее время многие операторы используют стратегию профилактического обслуживания, которая вместо этого отдает предпочтение периодическому плановому техническому обслуживанию и ремонтным работам. Также используется прогнозное техническое обслуживание. Прогнозное техническое обслуживание, как следует из названия, предполагает знание того, когда актив или компонент выйдет из строя, как это произойдет и что будет основной причиной отказа. Поднимаясь на другой уровень, при предписывающем техническом обслуживании турбина сообщает оператору, как избежать прогнозируемого отказа.

В совокупности эти стратегии не позволяют владельцам ветряных турбин, операторам и поставщикам услуг по техническому обслуживанию без необходимости тратить ресурсы на техническое обслуживание своих активов.

Основываясь на оценках европейских рынков, таких как Германия, Великобритания и Дания, затраты на эксплуатацию и техническое обслуживание оцениваются в пределах от 1,2 до 1,5 евро за кВт ч произведенной энергии ветра в течение всего срока службы турбины. Это приводит к 20-30% от полной приведенной стоимости электроэнергии. На рынках США затраты на ЭиТО обычно ниже (оцениваются в 0,01 доллара за кВтч).

Экономия затрат на техническое обслуживание и рабочую силу может быть значительной. Данные из США и Европы свидетельствуют о том, что доля ремонта и технического обслуживания составляет от 46% до 57% от общих затрат на ЭиТО. Сокращение этой доли на 20% позволило бы ежегодно экономить более 11 000 долларов на турбине мощностью 2,5 МВт и около 34 000 долларов на турбине мощностью 7,5 МВт. Ограничение расходов на ЭиТО - перво­очередная задача для сектора ветроэнергетики. В настоящее время, имея доступ к огромным объемам данных, операторы ветроэлектростан­ций могут использовать машинное обучение для преобразования недостаточно используемых данных датчиков в более низкие общие затраты на эксплуатацию турбин.

Сокращение расходов на ЭиТО зависит от вы­явленных вариантов использования, имеющихся возможностей и разработанного в результате решения. Например, компании, ориентирован­ные исключительно на искусственный интел­лект, обычно ожидают снижения затрат ЭиТО на 3-5%. Компании, которые сочетают отраслевые знания, машинное обучение и моделирование надежности, видят, что этот показатель возрас­тает до 30-50%.

В дополнение к этому, с приходом цифровизации, промышленного интернета вещей (IIoT) и искусственного интеллекта (AI) все больше компаний стремятся извлечь выгоду изданных своих активов. Это способствует будущему, в ко­тором компании смогут использовать прогноз­ные и предписывающие стратегии технического обслуживания. Чтобы сделать это возможным, решения должны быть удобными для пользова­теля инструментами, использующими передо­вые технологии, такие как цифровые двойники.

ТЕХНОЛОГИЯ ЦИФРОВОГО ДВОЙНИКА

Цифровой двойник-это цифровое представле­ние физического объекта или системы, основан­ное на данных, которые излучаются одним и тем же физическим объектом или системой. Техно­логия цифровых двойников оказывает огромное влияние на процессы разработки продуктов, связанные с инженерными знаниями. Цифровые двойники в основном используются для прогно­зирования различных результатов в различных сценариях. В результате технология создает большую ценность для предприятий, которые находят ей хорошее применение.

Большинство современных объектов во­зобновляемой энергетики оснащены SCADA-системами, генерирующими огромное количество информации, которую обычно можно получить бесплатно без каких-либо дополнительных затрат. Платформы технического обслужива­ния могут использовать эти уже существующие датчики и источники данных для передачи данных в цифровой двойник, создавая таким образом цифровую копию актива, которую можно удаленно использовать для анализа и прогнозирования. Это одна из самых сильных сторон цифровизации операций технического обслуживания, поскольку она снижает влияние незапланированных отключений. Цифровые двойники в итоге помогают конечным пользова­телям лучше прогнозировать и, следовательно, предотвращать будущие сбои, значительно повышая производительность.

Одним из способов, с помощью которых раз­работчики технического обслуживания исполь­зуют цифровых двойников, является разработка комплексных информационных панелей. Эти ин­формационные панели визуализируют данные и могут похвастаться несколькими модулями, призванными вывести деятельность в области возобновляемых источников энергии на новый уровень.

Комплексные решения, которые в настоя­щее время представлены на рынке, предлагают различные модули на IIoT-платформах. Клиенты могут выбрать, какие модули соответствуют их потребностям, и подписаться на них за ежеме­сячную плату (ПО как услуга - SaaS).

Эта плата обычно зависит от требований клиента, функций и продолжительности забро­нированного плана обслуживания. Ниже мы рассмотрим два ключевых примера решений, которые стремятся предложить платформы технического обслуживания.

ПРОГНОЗНОЕ ТЕХНИЧЕСКОЕ ОБСЛУЖИВАНИЕ 

Модуль прогнозного технического обслужива­ния сосредоточен на прогнозировании отказов. Это решение обычно предоставляет подробную информацию об активах и их компонентах, состоянии работоспособности, оставшемся сроке службы, производительности и условиях эксплуатации. В этом модуле информация часто разделена на три уровня детализации, чтобы клиенты могли легко получить доступ к подроб­ностям технического обслуживания по мере необходимости.

Например, цель первого уровня - предоста­вить высокоуровневый обзор всех ветроэлек­тростанций, которые клиенты подключили к своей платформе технического обслуживания. На этом уровне активы ветроэлектростанций отображают ключевые показатели эффектив­ности, прогнозируемые сбои и неисправности в режиме реального времени. Второй уровень обычно предлагает более подробный просмотр, позволяя пользователю приблизить данные об активе. В этом режиме отображения информа­ция о состоянии работоспособности турбин, оставшемся сроке службы, производительности и условиях эксплуатации должна быть доступна в любой момент времени. Последний слой будет направлен на то, чтобы обеспечить углублен­ный, низкоуровневый обзор одного из основных компонентов. Он демонстрирует текущее и будущее состояние работоспособности, первопричи- нулюбых текущих или будущих неисправностей и полезную информацию по эксплуатации и техническому обслуживанию, которая позволяет клиенту разрешить любую ситуацию, которая могла возникнуть.

Такие модули прогнозирования отказов используют автоматизированный механизм прогнозирования. Эти ядра представляют собой сложное программное приложение, способное прогнозировать отказы ветряных турбин. Некоторые рыночные решения делают это за год до того, как они действительно возникнут. Этот модуль обычно разрабатывается в сочетании с индексом работоспособности для обогащения данных, который демонстрирует общую эксплуатационную эффективность компонентов турбины. Кроме того, усовершенствованные цифровые двойники обеспечивают подробную оценку оставшегося срока службы турбин и рекомендуемых действий по техническому обслуживанию. Эти действия обычно становятся видимыми через различные слои панели мониторинга, а также в виде объединенного обзора.

ИСПОЛЬЗОВАНИЕ ЭФФЕКТИВНОСТИ

Обнаружение недостатков должно быть второй целью решений по эксплуатации и техническому обслуживанию, поскольку устранение таких проблем значительно повышает эффективность. ANNEA может предложить обширную информацию о различных аспектах работы турбины, например, определить место наибольших потерь мощности и причины таких потерь.

Опять же такой сложный модуль лучше всего доставлять, разделив его на несколько слоев, чтобы он мог легко удовлетворять потребности пользователя. Например, первый уровень позволяет в режиме реального времени просматривать агрегированное представление целостной деятельности по снижению производительности на уровне ветроэлектростанции с учетом компоновки ветроэлектростанции и влияния спутной струи. Эта информация дает общее, но полезное представление о производстве электроэнергии, потерях мощности, обнаруженном снижении производительности и его причине. Кроме того, в нем содержатся практические рекомендации о том, как повысить производительность, и дается представление о состоянии ветряной турбины, связанном с производительностью. Второй уровень обычно предоставляет обзор недостаточной производительности турбины, подчеркивая взаимосвязь между потерями энергии, потерей дохода и общими потерями энергии. Клиенты могут оценить эффективность турбины и затраты, связанные с недостаточной производительностью и неэффекти вностью.

Платформы технического обслуживания также способны осуществлять мониторинг компонентов турбины для выявления недостаточной производительности и предоставления рекомендаций. Именно тогда модули оценки низкой производительности, управляемые данными, обнаруживают первопричину и предоставляют рекомендации о том, как наилучшим образом устранить проблему. Следуя рекомендациям, клиенты могут повысить эффективность своих активов за счет улучшения производства энергии и минимизации потерь доходов.

ВКЛАД В ПЛАН «ЗЕЛЕНОЙ» ЭНЕРГЕТИКИ КАЗАХСТАНА

В соответствии с целью Ассоциации Qazaq Green, объединяющей игроков в области возобновляемых источников энергии по созданию благоприятных условий для развития отрасли, платформы технического обслуживания стремятся предложить членам ассоциации свой опыт и уникальные решения для дальнейшего продвижения их бизнеса.

Сочетание технологии цифрового двойника с различными методами моделирования позволяет производителям экологически чистой энергии прогнозировать сбои на 12 месяцев вперед на уровне компонентов с точностью 99,9% без установки дополнительного оборудования. При правильной стратегии, передовых технологиях от разработчиков технического обслуживания и их коллег из ветроэнергетических компаний мы можем преодолеть проблемы технического обслуживания, часто связанные с возобновляемыми источниками энергии, и внести свой вклад в достижение нулевого уровня выбросов.

Платформы, подобные платформе ANNEA, https:// annea.ai/, используют прогнозное техническое обслуживание, машинное обучение и моделирование надежности, чтобы повысить надежность, свести к минимуму незапланированные простои и продлить срок службы при одновременной оптимизации производительности.

Свяжитесь с представителем ANNEA, чтобы понять, как можно использовать ваши системы технического обслуживания для максимального повышения эффективности: www.annea.ai