Transformer l’industrie de l’énergie électrique grâce à l’analyse prédictive

L’Internet des objets transforme de nombreuses industries, et l’industrie de l’électricité ne fait pas exception. Grâce à une explosion de capteurs combinée à une modélisation informatique avancée, les services publics d’énergie changent la façon dont ils entretiennent les actifs, passant de la entretien préventive à la entretien prédictive et adoptant des analyses prédictives pour prendre des décisions plus intelligentes en matière de gestion des actifs.

Pour les services publics d’énergie qui ont fait l’investissement, les premiers avantages ont déjà commencé à émerger.

Comment fonctionne l’analyse prédictive?

L’analyse prédictive prévoit les résultats possibles. Elle offre une sorte de boule de cristal qui peut vous dire des choses comme les actifs de génération et de transmission qui auront besoin d’entretien quand et les pièces ou systèmes qui risquent de tomber en panne.

En résumé, le logiciel utilise les données accumulées sur les performances de la machine pour créer un modèle de comportement de fonctionnement normal. Les données en temps réel proviennent de capteurs fixés à l’équipementet d’appareils connectés à l’IdO qui surveillentles instruments et les systèmes. Les algorithmes comparent les données en temps réel avec le modèle et recherchent des changements inattendus. Par exemple, une légère variation de tension peut divulguer un problème avec une batterie de condensateurs de sous-station.

Enfin, l’apprentissage automatique fournit l’analyse de décision nécessaire pour identifier la meilleure réponse. 

Guider les décisions d’entretien

Si vous saviez quels actifs de production et de transmission allaient avoir le plus besoin d’entretien, vous pourriez prioriser cet entretien et même reporter l’entretien des actifs qui, malgré le respect du calendrier d’entretien, se passent bien. L’analytique prédictive fournit ces informations.

Les tableaux de bord du logiciel montrent les modèles de charge, indiquent la probabilité d’une échec d’un actif et analysent les causes profondes des problèmes avec les systèmes de contrôle, les turbines, les systèmes de gestion de l’énergie et d’autres processus de l’usine. Avec ces informations à portée de main, les superviseurs peuvent ajuster la planification, la priorisation et la planification du travail.

En plus d’éclairer de meilleures décisions sur la gestion des ressources, l’analyse prédictive peut mener à des réponses plus rapides aux problèmes de entretien critiques.

Prédire les défaillances des actifs

Les routines d’entretien préventif régulières peuvent ne pas détecter de signes subtils de sous-performance de l’équipement plus ancien qui peuvent entraîner une panne. Mais l’analyse prédictive peut identifier ces problèmes, ainsi que les conditions critiques qui peuvent causer une panne, bien avant qu’une panne ne se produise.

Prenons une turbine à essence, par exemple. Les outils de décision basés sur l’analyse de régression trouvent des modèles dans de grands ensembles de données et identifient les facteurs qui influencent le fonctionnement de la turbine. Si le logiciel détecte des changements par rapport au fonctionnement normal prévu, il émet un avertissement précoce concernant les défaillances possibles. Les capteurs peuvent indiquer que le taux de chaleur et la puissance de sortie ont dépassé un seuil de fonctionnement, par exemple.

Puisque le logiciel identifie l’emplacement de la défaillance probable, les techniciens peuvent prendre de meilleures décisions sur les pièces nécessaires à la réparation.

Prévoir les pannes liées aux tempêtes

Lorsqu’une tempête s’amorce, il est difficile de prédire quels actifs pourraient être endommagés. Mais là encore, l’analyse prédictive peut vous aider. Elle utilise les données de SCADA, des services météorologiques, des systèmes de gestion des panne et des systèmes de gestion de la distribution pour construire des modèles qui montrent des faiblesses potentielles dans le système. L’analyse prédictive prévoit également la trajectoire de la tempête, sa force et son impact sur les points faibles. Vous pouvez utiliser ces modèles pour prévoir le nombre et l’emplacement des pannes, vous adapter aux conditions changeantes des tempêtes et préparer des ressources de restauration pour répondre aux besoins des clients.

Après la tempête, le logiciel prédictif superpose les informations accumulées sur les impacts des tempêtes sur les données qui montrent des routes impraticables et des lignes descendantes. Disposer de ces informations composites aide les équipes à rétablir l’alimentation de plusieurs façons. Les algorithmes calculent les meilleurs itinéraires pour que les équipes rétablissent l’alimentation pour la plupart des clients. Et le logiciel fait correspondre les compétences des équipes de travail avec le type de panne. 

Tout le monde sait ce qui se passe lorsque vous faites des suppositions, qui s’avèrent souvent fausses. Grâce à l’analyse prédictive, les entreprises peuvent ignorer les hypothèses et prendre des décisions basées sur des informations actualisées provenant de « grandes données » auxquelles aucun humain ne pourrait arriver par lui-même.

John Ross écrit sur les technologies industrielles, automobiles et de consommation depuis 17 ans.

Image : Usine_facile / Shutterstock.com