Asset Performance
Management

Zarządzanie
wydajnością infrastruktury

Kolejnym obszarem, obok zarządzania popytem / podażą energii, w którym AI oraz robotyka mogą pomóc obniżyć koszty przedsiębiorstw, jest działalność operacyjna, od produkcji energii elektrycznej do jej przesyłu i dystrybucji. W Polsce niezawodność sieci energetycznej jest znacznie niższa niż w wielu innych krajach europejskich. SAIDI (wskaźnik przeciętnego trwania przerwy długiej i krótkiej w dostawie energii) wynosi 205 minut na odbiorcę na rok (dane z 2014 r.), w porównaniu do 14 minut w Niemczech i 12 minut w Danii.

Dzięki zastosowaniu rozwiązań AI wytwórcy mogliby zwiększyć efektywność wytwarzania energii, bardziej precyzyjnie planując produkcję poszczególnych jednostek wytwórczych (z uwzględnieniem prognoz dotyczących źródeł odnawialnych i rozproszonych) w odniesieniu do aktualnych potrzeb. Wydajność produkcji, przesyłu i dystrybucji energii może być również wyższa dzięki skróceniu czasu wyłączeń i usprawnieniu realizacji planowanych prac utrzymaniowych. To szczególnie istotne w przypadku Polski, gdzie wskaźnik SAIDI jest ponad pięciokrotnie wyższy niż w wiodących krajach Unii Europejskiej.

Uczenie maszynowe działające na bazie Big Data może odegrać ogromną rolę w obniżaniu strat energii w przesyle i dystrybucji. Analizując różne jednostki funkcjonujące w danym regionie energetycznym, narzędzia AI (wraz z Big Data, Big Data Analytics) mogą na bieżąco podejmować decyzje pozwalające na właściwe bilansowanie sieci. Ograniczając szczytowe zapotrzebowanie w ciągu dnia, firmy energetyczne mogłyby opóźnić w czasie lub całkowicie wyeliminować konieczność inwestowania w dodatkowe szczytowe moce wytwórcze oraz rozbudowaną infrastrukturę sieciową. Operatorzy sieciowi mogliby także przejść od utrzymania majątku realizowanego w ustalonych z góry terminach na rzecz utrzymania opartego na stanie faktycznym urządzeń oraz przewidywania tego stanu w najbliższej przyszłości.

Jak wynika z doświadczeń spółek dystrybucyjnych realizujących ten scenariusz możliwe jest na przykład w ciągu 5 lat obniżenie kosztów finansowych o 30% tylko poprzez analizowanie około 20 parametrów (różnych zmiennych) w celu określenia ogólnego stanu transformatorów oraz innych podzespołów.

Działaniom tym mogą, a wręcz powinny towarzyszyć usprawnienia w zarządzaniu służbami technicznymi, co prowadziłoby do poprawy planowania, skrócenia czasu reakcji w przypadku awarii sieci oraz podniesienia wskaźników wydajności.

Wydaje się, że należy założyć, iż w przyszłości zarządzanie poziomem produkcji pomiędzy kilkoma różnymi elektrowniami lub w ramach sieci dystrybucyjnej będzie dokonywane automatycznie, dzięki wykorzystaniu zaawansowanej analityki oraz algorytmów uczenia maszynowego. W razie konieczności algorytm będzie mógł zaplanować przeglądy elementów sieci w celu oceny ich stanu faktycznego oraz autonomicznie zdecydować, czy wystarczy wysłanie dronów (i robotów), czy też niezbędna będzie interwencja człowieka.