Karen Smiley, Xiao Qu, Travis Galoppo, K. Eric Harper, Alok Kucheria, Mithun P. Acharya, Frank Tarzanin ABB Corporate Research Raleigh, NC, United States, karen.smiley@us.abb.com, xiao.qu@us.abb.com, travis.galoppo@us.abb.com, eric.e.harper@us.abb.com, alok.kucheria@us.abb.com, mithun.acharya@us.abb.com, frank.tarzanin@us.abb.com
ABB ha puesto en marcha recientemente varias iniciativas de investigación para aprovechar los gemelos digitales para gestionar el rendimiento de los activos. Se han desarrollado enfoques para activos con historiales cortos y largos. Estos análisis y herramientas ya se están fabricando e instalando para gestionar la salud y el rendimiento de los activos.
Este artículo destaca algunos elementos del trabajo que ABB ha realizado recientemente en varias iniciativas de investigación relacionadas que aprovechan los gemelos digitales para gestionar el rendimiento de los activos. En primer lugar se analiza un enfoque de "análisis ágil" que pone en marcha la creación de análisis útiles sobre la salud y el rendimiento de nuevos dispositivos o materiales que aún no disponen de largos historiales de datos de seguimiento, operativos o ambientales.
A continuación se aborda una iniciativa continua para sacar partido de un largo historial de recogida de datos intranube sobre inversores y plantas solares con vistas a crear nuevos análisis para la correlación de eventos y clima, así como para benchmarking, proyecciones e inteligencia de negocio (Bl) de autoservicio. Estos análisis y herramientas ya se están fabricando e instalando para uso interno y del cliente para gestionar lasalud y el rendimiento de los activos.
Gestión del rendimiento de los activos industriales (APM)
Mantener eficazmente la salud y el rendimiento de los activos críticos de larga duración es fundamental para el éxito. Los análisis juegan un papel cada vez más importante a la hora de conocer y optimizar el estado y el rendimiento de los activos. Una APM activa permite a los clientes aumentar la conciencia operativa sobre la salud y el rendimiento de los activos de la empresa. Una mayor conciencia de la salud permite a los clientes pasar del costoso mantenimiento reactivo a técnicas de gestión basadas en el riesgo que optimizan el rendimiento y maximizan el retorno sobre los activos netos (RONA). Aunque existenmuchas formas de cuantificar la salud de un activo, la mayoría de los algoritmos reflejan su riesgo de fallo (RoF) y su vida útil restante (RUL). Sin embargo, por lo general, estos indicadores clave de rendimiento (KPI) de la salud no reflejan por sí solos la degradación del rendimiento, que puede afectar a la producción y al RONA mucho antes que el fallo real o el final de la vida útil. En consecuencia, la gestión integral del rendimiento de los activos también requiere análisis que cuantifiquen la productividad y la degradación.
Gemelos digitales para la APM
Los activos conectados respaldan un enfoque coordinado que combina la tecnología operativa (TO) y la tecnología de la información (TI). Los avatares digitales o los gemelos digitales que combinan datos de TO y TI pueden considerarse como reflejos de objetos reales para combinar modelos de dispositivos. Esto no significa que tengan que ser clones exactos; solo tienen que reflejar los principales comportamientos de los activos a explorar. Estos avatares o gemelos digitales pueden acelerar la creación de modelos analíticos que integran metadatos de activosy datos operativos (como telemetría y eventos) con datos sobre el entorno del activo (como el clima, irradiancia, iluminación, condiciones operativas), para caracterizar y gestionar el rendimiento de los activos a nivel de dispositivo y de planta. Los avatares o gemelos ofrecen valoren varios escenarios, incluyendo planificación, despliegue, operación y mantenimiento. Una ventaja importante es la exploración segura y no intrusiva de escenarios del tipo "¿y si?", tales como simular cómo ciertas acciones para ajustar la salud o la producción afectarían a los dispositivos y al sistema.
Análisis del rendimiento de los activos solares
La penetración de la energía renovable está aumentando en todo el mundo, a medida que es necesaria para un suministro de energía fiable y sostenible. ABB lleva más de 13 años diseñando y fabricando una amplia gama de inversores solares fotovoltaicos (PV) para cubrir las necesidades de las aplicaciones residenciales, comerciales, de servicios públicos y de microrredes [1]. En 2017, la base instalada de inversores solares de ABB en todo el mundo superaba los 26 GW. Para respaldarlos análisis de activos solares conectados, estos inversores son cada vez más inteligentes y se integran con mayor facilidad en entornos complejose inteligentes →1.
La plataforma de gestión de la planta Aurora Vision de ABB Ability™ [2] complementa la cartera de inversores de ABB con una solución basada en la nube para la gestión de próxima generación de plantas fotovoltaicas solares →2.
Aurora Vision recopila automáticamente los datos de monitorización de los inversores solares y otros dispositivos, y proporciona un acceso en tiempo real y altamente interactivo a parámetros clave del rendimiento y operaciones con vistas a optimizar el rendimiento del inversor e informar decisiones empresariales. Los datos de monitorización recopilados en los últimos 13 años abarcan másde 250.000 dispositivos de plantas solares en todo el mundo →4.
En el caso de la energía solar, tanto los paneles fotovoltaicos como los inversores, los contadores, las unidades medioambientales, el almacenamientode energía, la planta y la red eléctrica pueden modelizarse con gemelos digitales. Estos patrones fachada proporcionan acceso a mediciones, estimaciones y resultados analíticos basados en la experiencia operativa y en el conocimiento de la física y la ingeniería de los sistemas subyacentes.
Conocer el estado y el rendimiento de los activos
Predecir el comportamiento, la producción, los eventos, el RoF, el RUL, etc. de los activos es cada vez más importante para comprender el verdadero estado de un activo y la mejor manera de maximizar su valor. Los tres conceptos clave interrelacionados son la degradación, el RoF y el RUL →3. La degradación del estado físico o lógico de un activo reduce el RUL y aumenta el RoF, pero puede mitigarse mediante acciones de mantenimiento para mejorar la producción y el rendimiento antes de que se produzca un fallo o finalice la vida útil.
Mediante un gemelo digital se pueden analizar los datos de activos para caracterizar la producción, el estado y la degradación de los activos; estimar el RUL; cuantificar el RoF; y evaluar el impacto potencial de las acciones de mantenimiento. Los análisis pueden aplicarse de forma predictiva para tomar decisiones proactivas de mantenimiento preventivo o para comprender mejor los fallos que ya se han producido.
Clasificación de los algoritmos analíticos
Para ayudar a seleccionar los enfoques de análisis en función de los datos disponibles, se han clasificado algoritmos relevantes para cada concepto. Por ejemplo, los algoritmos de RUL se agruparon bajo los epígrafes de procesos observados directamente, observados indirectamente y procesos de estado y de aprendizaje automático, mientras que los algoritmos de RoF se agruparon comos eguimiento de fallos, monitorización de síntomasy notificación de errores detectados. También pueden ser útiles muchos otros tipos de algoritmos analíticos: así, la detección de anomalías es un aspecto clave para mejorar los modelos de predicción de fallos y la proyección y puede ser muy valiosa para una gestión proactiva de la carga de activos. Estos tipos de algoritmos también se han clasificado. Algunas de las clasificaciones se muestran en detalle en →5,6.
05. Clasificación de los algoritmos RUL. 
06. Clasificación de los algortimos RoF.
Clasificación y mapeado de los datos disponibles
Los tipos, volúmenes y variedades de datos son fundamentales para aplicar estos algoritmos de manera efectiva. De hecho, si no se dispone de datos de telemetría o de eventos con suficiente tiempo de resolución, ciertos algoritmos de RoF basados en la detección temprana de anomalías no serán aplicables. Evaluar el "alistamiento de los datos" de una aplicación de análisis puede proporcionar una información valiosa a la hora de elegir qué algoritmos aplicar. En →6,7 se muestra un ejemplo de una herramienta desarrollada por ABB para caracterizar la disponibilidad de datos en relación con los requisitos de datos para una clase de algoritmos analíticos. Conocer estas relaciones puede guiar el desarrollo eficiente de los análisis de activos nuevos de una manera ágil e iterativa que maximice la ventaja de los datos disponibles.
La colaboración analítica también catalogó varias estrategias de imputación de datos para manejar valores que faltan y se basó en la experiencia previa de proyección mediante redes neuronales. Estos métodos ayudan a contrarrestar algunas inquietudes relacionadas con la exhaustividad o calidad limitadas de los datos a la hora de desarrollar nuevos algoritmos para analizar y gestionar la salud y el rendimiento de los activos.
Arquitectura analítica intranube
La identificación y la combinación de muchos tipos de datos adicionales resultó ser muy beneficiosa para crear gemelos digitales útiles para los inversores y las plantas solares. La plataforma de monitorización solar Aurora Vision ya ofrecía un amplio conjunto de metadatos sobre las plantas solares y los equipos utilizados en ellas, así como telemetría en streaming y datos de eventos enviados a la nube [3]. Algunas plantas también incluyen estaciones medioambientales in situ que registran el clima y la irradiancia solar →4. Estos datos se complementaron con mediciones meteorológicas, de rayos e irradiancia recogidas por fuentes externas [4-6]. El uso de estas fuentes externas a la planta amplió la cobertura de datos meteorológicos de la planta: Una fuente meteorológica externa proporcionó datos útiles para el 50 % de las plantas cuando no había estaciones meteorológicas in situ.
También se obtuvieron datos complementarios textuales, numéricos y complejos a partir de otros sistemas disponibles dentro y fuera de ABB [7]. La inclusión de texto de formato libre permitió el uso de técnicas de procesamiento del lenguaje natural (NLP) para comprender mejor las secuencias de eventos, independientemente de que dichos eventos hubieran sido comunicados por el cliente o hubieran sido registrados automáticamente por el sistema Aurora Vision.
La combinación de estos datos con datos de telemetría y eventos permitió que los nuevos análisis compararan y predijeran el rendimiento del inversor, y dio lugar a un mayor conocimiento del impacto de las condiciones medioambientales en la fiabilidad, disponibilidad y rendimiento del inversor solar. De manera similar, el gemelo digital aumentado para la planta solar ayudó a impulsar nuevos análisis que ofrecen información actualizada sobre el rendimiento de la planta. Por ejemplo, combinar los modos de fallo de los informes de ingeniería de campo con datos de telemetría, como alarmas de dispositivos, temperaturas y condiciones ambientales, permite a ABB correlacionar los fallos de los componentes categorizados con las señales observadas sobre el terreno antes de que los dispositivos fallen. Esta información ofrece alertas tempranas o predice cuándo puede superarse el umbral de la tasa de fallos.
Análisis meteorológicos
La combinación de esta diversidad de datos amplió la variedad y la potencia de los análisis de rendimiento. Por ejemplo, los datos meteorológicos procedentes de fuentes externas a la planta mejoraron la detección de lecturas anómalas procedente de estaciones medioambientales internas de la planta. En →8 se muestra una comparación de la irradiación diaria total en 2016 entre dos fuentes de datos, una unidad medioambiental interna de la planta y un sensor externo. Este análisis de detección de anomalías mejoró la precisión de los análisis en la nube, en el borde o híbridos que usaban las lecturas meteorológicas como entradas, tales como la estimación o predicción de la generación de energía de los inversores. A su vez, esto mejoró la capacidad de detectar la degradación gradual o repentina del rendimiento del panel o inversor que podría afectar a la producción de la planta solar.
Esta información puede ser muy útil para orientar a los operadores de plantas solares o al personal de servicio a la hora de evaluar el RoF y el RUL y tomar las medidas oportunas. Entre las medidas a corto plazo podría estar prepararse para los impactos de tormentas. A largo plazo, esta información podría justificar medidas preventivas como la instalación de más protección contra rayos en la planta o la elaboración de planes de capital y mantenimiento más precisos.
Análisis visuales de autoservicio
El análisis visual utiliza herramientas de BI de autoservicio para ilustrar varios datos - incluidos metadatos, datos de telemetría y datos de eventos- mediante figuras, mapas y otros gráficos. Las herramientas de BI permiten fusionar automáticamente múltiples fuentes ytipos de datos a través de campos comunes. La información se adapta fácilmente a los distintos requisitos e intereses del usuario mediante selecciones y filtros interactivos, aplicándose todas las selecciones que se hagan en un gráfico automáticamente a otros artefactos, en tiempo real. Estas características ayudan a los propietarios y operadores de plantas solares a identificar visualmente las anomalías y obtener otras perspectivas de manera eficiente y eficaz.
Beneficios concretos de la gestión del rendimientode activos solares
Entre los logros de la colaboración solar encontramos nuevos algoritmos para benchmarking y proyección del rendimiento y fiabilidad de inversores solares; prototipos para aplicaciones visuales de BI de autoservicio; algoritmos en el borde para estimaciones en tiempo real de la potencia CA desalida y la potencia CC de entrada; herramientas de diagnóstico automatizadas para ingenieros de mantenimiento para analizar eventos, telemetría y correspondencia de texto libre de clientes; y nuevos KPI que pueden ayudar a los clientes de ABB a conocer mejor (y obtener más valor de) sus plantas solares. El proyecto también puso de manifiesto el valor sinérgico de una arquitectura analítica intranube alineada con ABB ABB Ability™ que aprovecha fuentes de datos internas y externas complementarias.También se demostró que los datos medioambientales aumentan el valor comercial de los análisis.
La cartera de soluciones de monitorización y rendimiento de activos solares de ABB ya incorpora estas capacidades. Como ejemplo del potencial valor comercial de estos análisis, tomemos una planta solar industrial con 10 inversores solares TRIO de 60 kW. Los análisis basados en gemelos digitales permiten detectar la distinta degradación gradual o relacionada con tormentas en toda la planta (que puede solucionare mediante una simple limpieza), evitando la pérdida de producción de energía durante los muchos días o semanas previos al momento en que se hubiera podido detectar y tratar de otro modo. El fallo inesperado de un inversor en una planta con 10 inversores supone perder cerca del 10 % de la producción de energía solar de la planta, lo que podría someter al operador a sanciones legales por no cumplir los compromisos de producción de energía renovable. La predicción temprana de los fallos mediante análisis ofrece un valioso margen de tiempo para realizar tareas de mantenimiento y, si procede, adquirir e instalar un dispositivo de repuesto o las piezas adecuadas. Los beneficios económicos efectivos son circunstanciales y pueden calcularse sobre la base de los días de margen de tiempo, si hay repuestos en caliente disponibles en la planta ,el ahorro de varios viajes de servicio al traer los componentes que tienen mayor probabilidad de fallo, y factores como las sanciones legalesy el valor de la electricidad en la región.
Cuando hay grandes cantidades de datos distintos disponibles, es mucho lo que se puede conseguir. Sin embargo, los datos no son gratuitos: incorporar instrumentación y recoger, almacenar y transmitir datos conlleva costes operativos y de capital. Cuando hay muchos menos datos históricos disponibles, la creación de gemelos digitales para nuevos tipos de activos industriales en un sistema de APM puede acelerarse aprovechando el algoritmo y las categorías de datos y las herramientasde análisis ágiles asociadas. Estas herramientas también promueven la evaluación coste/beneficio de las estrategias analíticas propuestas para los tipos de activos más nuevos.E n general, el uso de avatares digitales o gemelos digitales para la gestión del rendimiento de los activos solares aporta muchísimas herramientas y análisis que ofrecen múltiples beneficios a los operadores de plantas fotovoltaicas solares.
Agradecimientos
Los autores agradecen las valiosas contribuciones de los miembros del equipo de investigación James Ottewill, Marcin Firla, David Cox,Karl Severin, Imtiaz Ahmed, Hang Xu, Melwin Jose y Rohini Kapoor. También queremos agradecer el firme apoyo manifestado por Filippo Vernia, Emanuele Figliolia, Antonio Rossi, Ronnie Pettersson, Siri Varadan, CJ Parisi y muchos otros. Además, los autores agradecen sinceramente al equipo de ABB ABB Ability™ Velocity Suite, Earth Networksy The Weather Company por compartir generosamente datos meteorológicos complementarios que se han utilizado en esta investigación.
References
[1] ABB solar inverters. Available: http://new.abb.com/power-converters-inverters/solar
[2] ABB Ability™ Aurora Vision Plant Management Platform. Available: http://new.abb.com/power-converters-inverters/solar/monitoring-and-communication/aurora-vision-plant-management-platform
[3] M. P. Acharya et al., “Real-time AI powered by edge-deployed digital twins”, pp 14–19.
[4] Earth Networks. Available: https://www.earthnetworks.com
[5] The Weather Company. Available: https://www.ibm.com/weather
[6] ABB Ability™ Velocity Suite. Available: http://new.abb.com/enterprise-software/energy-portfolio-management/market-intelligence-services/velocity-suite
[7] Salesforce. Available: https://www.salesforce.com
