Tecnologías de Inteligencia Artificial (AI) en el mantenimiento de activos del sector eléctrico

Proporciona una visión general de la teoría de gestión de activos y diferentes enfoques de mantenimiento, incluido el mantenimiento basado en el estado y la gestión de salud pronóstica, y también se centra en la gestión de la salud predictiva, describiendo cómo construir modelos utilizando datos históricos e IA.

Asimismo, se discuten técnicas de análisis prescriptivo y optimización que se pueden utilizar para optimizar los programas de mantenimiento, tanto a nivel de activo individual como de red. El objetivo es ayudar a los interesados del sector eléctrico a comprender mejor cómo las tecnologías digitales emergentes pueden transformar las prácticas de mantenimiento de activos.

Nuevas tecnologías para el mantenimiento

Se aborda la discusión sobre tecnologías para el mantenimiento inteligente de activos del sector eléctrico utilizando inteligencia artificial (IA). Se resumen los beneficios de la gestión de salud pronóstica (PHM), que utiliza análisis avanzado para modelar las vidas útiles de los activos y predecir fallos. Esto permite una planificación de mantenimiento más optimizada y reducciones de costes del 18 al 25% en comparación con el mantenimiento preventivo y correctivo tradicional. PHM está fuertemente vinculado a la digitalización, dado que tecnologías como sensores, análisis de datos y aprendizaje automático ayudan a recopilar y analizar datos en tiempo real, permitiendo la detección temprana de anomalías y la predicción de fallos. Se mencionan muchas aplicaciones actuales y en desarrollo de IA combinadas con análisis avanzado para ayudar en las operaciones y el mantenimiento de activos eléctricos. La optimización del mantenimiento en general debe tener una visión empresarial holística, integrando variables de otras áreas comerciales para anticipar impactos. El documento describe metodologías analíticas predictivas para comprender el comportamiento de los activos a partir de datos de salud y conocimiento de componentes. Además, se discuten métodos analíticos prescriptivos para optimizar decisiones sobre componentes, activos y redes. Se describen los beneficios de estos enfoques y su importancia para los interesados del sector eléctrico.

El análisis sobre la modelización y la analítica avanzada para el mantenimiento de la infraestructura eléctrica aborda una serie de conceptos clave, como componentes, redes de activos y el estándar ISA-95 para organizar la infraestructura de empresas eléctricas. Describe la analítica predictiva y prescriptiva para determinar el estado del equipo y la programación óptima de mantenimiento. Tecnologías de Industria 4.0, como sistemas ciberfísicos, IoT y medición inteligente, se presentan en el contexto de la transformación digital en el sector eléctrico. Se mencionan beneficios clave como el monitoreo remoto, la toma de decisiones en tiempo real utilizando grandes conjuntos de datos y la mejora del mantenimiento a través de sistemas de gestión de salud predictiva. Además, se esboza brevemente el papel de tecnologías como distritos de energía distribuida, predicción y generación georreferenciadas e integración digital en cadenas de valor. Del mismo modo, se discuten varias tecnologías relacionadas con las redes inteligentes y la digitalización en el mantenimiento de activos del sector eléctrico. Se describen las redes inteligentes y cómo permiten la comunicación bidireccional entre consumidores y empresas de servicios públicos para optimizar el uso y los costos de la energía. Se mencionan los medidores inteligentes que registran el consumo de energía por hora o con mayor frecuencia. También se discute la automatización del sistema de distribución para monitorear y controlar componentes de distribución en tiempo real. Los gemelos digitales se presentan como representaciones virtuales de objetos o procesos físicos que están conectados a través de flujos de datos. Se menciona su uso para simular varios escenarios operativos. Se resumen las aplicaciones de realidad virtual y aumentada para capacitación en mantenimiento y simulaciones interactivas. Se describen los robots cognitivos y la analítica avanzada como el uso de conceptos de IA para crear algoritmos vinculados a sistemas empresariales.

Mantenimiento Predictivo e Industria 4.0

En cuanto a los conceptos relacionados con el mantenimiento predictivo y la gestión de activos en la Industria 4.0, se definen términos clave como activos, componentes, redes de activos, sistemas y subsistemas. La gestión de salud predictiva (PHM) utiliza sensores, sistemas de monitoreo y tecnologías de control para detectar degradación y modos de falla en los activos para mejorar las decisiones de gestión y operativas. La PHM tiene como objetivo determinar la «salud» del activo y predecir la confiabilidad y la vida útil restante. Se observa que la PHM y los enfoques interdisciplinarios de pronóstico y gestión de la salud utilizando datos, IoT y big data pueden monitorear el estado del sistema, detectar fallas, diagnosticar causas y pronosticar fallas a través de métricas como la vida útil restante (RUL). Estas tecnologías se están incorporando ampliamente en la infraestructura eléctrica para permitir la evaluación en tiempo real del sistema de componentes como transformadores. La implementación de sistemas PHM puede aumentar la disponibilidad de activos en un 5-15% y reducir los costos de mantenimiento en un 18-25%. Se discute cómo la inteligencia artificial es clave para habilitar servicios PHM al permitir la modelización con conocimientos limitados del sistema. La IA también puede mejorar las previsiones de generación y demanda de electricidad para ayudar en las decisiones de producción. A medida que crecen las tendencias de energía renovable, generación distribuida y demanda como vehículos eléctricos, la IA puede ayudar a equilibrar los productores tradicionales y los operadores del sistema. En otra instancia, se introduce la teoría de gestión de activos y conceptos relacionados con el mantenimiento de infraestructura eléctrica en la Industria 4.0. En relación con las tecnologías para la gestión de activos en el sector eléctrico utilizando inteligencia artificial (IA), se enfoca en el desarrollo de un sistema integrado de apoyo a decisiones para gestionar activos de infraestructura eléctrica que brinda soporte en la caracterización de las demandas de los propietarios de activos y la evaluación de la condición técnica, económica y social de los activos. La gestión de activos puede abordarse desde tres niveles: el primero se centra en la información técnica de los activos y la evaluación del estado, el segundo combina la información económica con el primer nivel con un enfoque en la confiabilidad de la red, y el tercero utiliza información económica y social para tomar decisiones centradas en riesgos corporativos. Factores como la información social/económica, la fiabilidad del inventario de equipos y la topología de la red forman los riesgos involucrados. Se esbozan los roles y responsabilidades de varios participantes en el proceso de gestión de activos. La ingeniería de confiabilidad tiene como objetivo estimar la capacidad del equipo para funcionar en condiciones establecidas durante un período. Los tipos de mantenimiento incluyen correctivo, predictivo basado en tiempo y predictivo basado en condiciones. Se considera que el mantenimiento predictivo basado en condiciones y el mantenimiento basado en la salud/prognóstico utilizando tecnologías como la IA son importantes para la gestión inteligente de activos. Los beneficios de la gestión de salud pronóstica incluyen menores costos del ciclo de vida, mejor predicción de diseño/fiabilidad, mejor eficiencia de producción/operación y logística optimizada.

Ahorro energético y vida útil

Vistra Corp, el mayor productor de energía competitiva en los Estados Unidos, opera plantas de energía en 12 estados con más de 39,000 megavatios de capacidad eléctrica, suficiente para abastecer a casi 20 millones de hogares. La empresa adoptó un modelo de red neuronal multicapa para unidades de generación de energía en 26 plantas, logrando en promedio una mejora de eficiencia del 1% y más de $23 millones en ahorros. Estos esfuerzos, junto con otras iniciativas de inteligencia artificial, han ayudado a Vistra a reducir alrededor de 1.6 millones de toneladas de carbono por año, lo que representa el 10% de su compromiso de reducción de carbono restante para 2030. En el documento se menciona la implementación de sistemas de gestión de salud pronóstica (PHM) para activos al desglosarlos en componentes fundamentales y modelarlos desde abajo hacia arriba. Describe la tendencia hacia sistemas PHM cerrados y específicos de componentes que pueden realizar todo el procesamiento de PHM requerido localmente. Tales sistemas PHM cerrados integran la detección, el procesamiento de datos, el almacenamiento y la capacidad de resolución de problemas locales. De igual forma, esboza enfoques de analítica predictiva en PHM, incluyendo métodos basados en modelos, basados en datos y híbridos. Se discute la división del tiempo en períodos históricos, de entrenamiento, de prueba y de pronóstico para la modelización predictiva. Se presentan técnicas de estimación como el filtro de Kalman como base para la estimación de estado y muchas aplicaciones prácticas. Adicionalmente, se aborda el uso de analítica predictiva y técnicas de inteligencia artificial para el mantenimiento de activos en el sector eléctrico. Se describe el filtrado de Kalman como un modelo para estimar el estado actual de los sistemas de motores basado en entradas de comando y retroalimentación del sensor. Otras aplicaciones del filtrado de Kalman incluyen la predicción de variables hidro climáticas, el procesamiento de imágenes y la analítica predictiva de manera más general. Se mencionan diferentes variantes del filtro de Kalman, incluidas formas centralizadas y distribuidas. El filtrado de Kalman distribuido es más adecuado para sistemas dinámicos a gran escala con mediciones de sensores distribuidos, debido a que proporciona más robustez y escalabilidad que un enfoque centralizado. Posteriormente, se examina cómo la inteligencia artificial se aplica cada vez más en el sector eléctrico para mejorar la eficiencia, confiabilidad y seguridad. Se incluyen ejemplos como mantenimiento predictivo utilizando datos de sensores para identificar problemas de equipos temprano, optimización de red para minimizar pérdidas de transmisión, pronóstico de energía para planificar necesidades futuras, gestión de respuesta a la demanda y balanceo de carga. Se cubre el proceso de gestión de salud pronóstica (PHM), incluyendo validación de datos, diagnóstico para determinar las causas raíz de las fallas, pronóstico para estimar la vida útil restante y optimización de decisiones. Se da paso al análisis de enfoques de modelado para los pronósticos de PHM, y se aborda el uso de analítica prescriptiva para optimizar decisiones de mantenimiento de activos considerando confiabilidad y costos; siendo el objetivo minimizar costos mientras se maximiza la confiabilidad.

El análisis aborda diversas tecnologías relacionadas con la generación de energía renovable y el almacenamiento de energía. Se cubren técnicas prognósticas utilizadas para los rodamientos de turbinas eólicas, incluyendo el uso de datos de vibración para predecir la vida útil restante. También se discuten sistemas fotovoltaicos, incluyendo el uso de modelado físico y técnicas de detección de fallas como la reflectometría en el dominio del tiempo. Se describen dos estudios de caso que aplican algoritmos de gestión de salud pronóstica a sistemas fotovoltaicos para detectar fallas y reducciones en la salida de energía solar. Luego, se cubren tecnologías de energía solar como células fotovoltaicas y energía solar concentrada. Se discute cómo la energía solar puede convertirse directamente a través de fotovoltaicos o indirectamente enfocando la luz solar. La sección final cubre tecnologías de almacenamiento de energía en la red eléctrica y sus roles en el equilibrio entre la generación y la demanda en la red a través de aplicaciones como la regulación de frecuencia, el corte de picos, la integración de energías renovables y la gestión energética. También se mencionan tecnologías de almacenamiento de energía en la red como baterías secundarias, baterías de flujo, supercondensadores, volantes de inercia y almacenamiento térmico. Además, se discuten diversas tecnologías de almacenamiento de energía, incluido el almacenamiento de aire comprimido, el almacenamiento de energía térmica y el almacenamiento hidroeléctrico por bombeo. Seguidamente se da un enfoque en las baterías de ion litio (LIBs), describiendo su composición y funcionamiento. Detalles clave sobre las LIBs incluyen que implican el movimiento de iones de litio entre un electrodo negativo, generalmente hecho de grafito, y un electrodo positivo hecho de un compuesto que contiene litio. Las LIBs exhiben alta eficiencia energética, larga vida útil y densidad de energía relativamente alta. El texto discute las aplicaciones de las LIBs en electrónica portátil, herramientas eléctricas, vehículos eléctricos y estabilización de la red. También se abordan desafíos como problemas de seguridad debido a electrolitos inflamables, impactos ambientales de la minería de litio y áreas de investigación como el aumento de la densidad de energía y la seguridad. El pasaje describe subestaciones eléctricas y su papel en la transformación de voltajes para redes de transmisión y distribución. Se discute el mantenimiento de subestaciones, incluido el análisis de gases disueltos para monitorear materiales aislantes y el uso de modelos de redes neuronales para el monitoreo de salud predictivo de transformadores.

El documento proporciona un análisis del uso de tecnologías de inteligencia artificial como el aprendizaje profundo y los sistemas aéreos no tripulados (UAS) para el mantenimiento de activos en el sector eléctrico. Describe cómo los modelos de optimización estocástica pueden incluir consideraciones de gestión de riesgos al optimizar el valor esperado de la función objetivo mientras se restringen medidas de riesgo cuantificables. Se discute el uso de UAS como flotas de drones para la planificación automatizada, construcción y mantenimiento de instalaciones eléctricas. Las redes neuronales profundas y el procesamiento de imágenes son metodologías importantes para usos de UAS como el procesamiento de imágenes de UAV. Los UAS permiten inspecciones de redes eléctricas más económicas, seguras y precisas. Se presenta una formulación del problema de enrutamiento de vehículos para enrutamiento de una flota considerando la vida útil restante de los drones. Se proporcionan ejemplos del uso de UAS para inspecciones visuales y térmicas de líneas eléctricas e identificación de necesidades de mantenimiento. También se discuten sistemas UAS cooperativos que utilizan diferentes tipos de drones para inspecciones a larga distancia, de primer plano y de relé de comunicación. Adicionalmente, se discute el uso de drones para inspecciones de líneas eléctricas y torres. Se señala que los drones son necesarios para inspecciones donde la ruta de señal entre la aeronave y la estación terrestre no está a la vista, lo que puede provocar fallas de comunicación. Un equipo típico de inspección con drones consiste en 6 personas con 4-5 drones, incluido 1 dron de ala fija, 3 hexacópteros y 1 dron multi-rotor. El dron de ala fija se utiliza primero para evaluar las condiciones a lo largo de la línea de transmisión. Los videos se transmiten en tiempo real a la estación terrestre y luego a la oficina de operaciones para un análisis rápido y decisiones sobre inspecciones adicionales. Los especialistas luego identifican torres o líneas específicas para inspeccionar más detenidamente. Los hexacópteros luego inspeccionan áreas designadas en detalle. Las regulaciones en países desarrollados permiten a las empresas de servicios públicos utilizar drones para inspecciones. Sin embargo, estas se limitan principalmente a vuelos visuales (VLOS) a la vista. Un mayor valor proviene de vuelos autónomos más allá de la línea de visión (BVLOS) a lo largo de los derechos de paso. Algunos países otorgan exenciones especiales para vuelos BVLOS por parte de empresas de servicios públicos. Las inspecciones rutinarias de torres y líneas son detalladas, mantenimiento preventivo. Los drones multi-rotor pequeños o medianos que llevan cámaras visibles e infrarrojas son comúnmente utilizados y pueden completar inspecciones de 2-3 torres de alta tensión en aproximadamente 1 hora. Los pilotos de drones pueden ser manuales o automáticos. Los pilotos automáticos se han vuelto más populares puesto que los diseños de torres a menudo están estandarizados. Las inspecciones del corredor de líneas involucran un escaneo rápido y mapeo detallado. El mapeo detallado aplica LiDAR para obtener datos geométricos 3D de torres, líneas y entornos. Esto establece una línea de base para monitoreo, operaciones y planificación. Los drones también pueden ayudar con tareas de gestión de emergencias como evaluaciones posteriores a desastres y estudios de impacto.

En cuestión, el documento trata sobre el uso de tecnologías de Inteligencia Artificial (IA) en el mantenimiento de activos del sector eléctrico. Está destinado a informar a los formuladores de políticas, participantes del mercado energético y organizaciones de América Latina y el Caribe sobre los beneficios potenciales de implementar tecnologías de IA en el mantenimiento de activos. El documento enfatiza la importancia de integrar análisis avanzado, IoT y tecnologías digitales para lograr ventajas competitivas, minimizar costos y maximizar beneficios en el sector eléctrico. Del mismo modo analiza la transformación del sector eléctrico a través de la digitalización y la convergencia de nuevas tecnologías como AI, IoT, Big Data y realidad aumentada. Enfatiza los beneficios inmediatos de la IA en el mantenimiento de activos, como la reducción de las acciones correctivas y los costos asociados a través del mantenimiento predictivo del estado. Además, cubre la integración de la Industria 4.0, los conceptos fundamentales de la gestión de activos, el análisis predictivo y prescriptivo y el impacto de las nuevas tecnologías en la toma de decisiones en el sector eléctrico. El documento también destaca la importancia de la optimización en toda la empresa (EWO) al integrar el mantenimiento, la energía, la producción y otros aspectos operativos para lograr resultados óptimos. Describe la estructura del sector eléctrico, las regulaciones y la necesidad de un análisis integral del marco regulatorio de cada país. En general, tiene como objetivo demostrar la importancia de implementar el mantenimiento inteligente utilizando análisis avanzados y nuevas tecnologías en el sector eléctrico, y recomienda una mayor exploración de este campo contactando a expertos de la industria y buscando la financiación adecuada.

Fuente: Colombia Inteligente