چگونه مدیریت دارایی با هوش مصنوعی باعث کاهش هزینه‌های انرژی‌های تجدیدپذیر می‌شود؟

24 آگوست 2021 توسط دکتر Sandeep Gupta، معاون منابع تجدیدپذیر در SparkCognition

جهان در حال ایجاد انقلابی در نحوه تولید برق است. از آن‌جا که آب و هوا تهدیدی جدی برای بوم شناسی و اقتصاد جهانی است، آینده – و به طور فزاینده‌ای در حال حاضر – متعلق به شرکت‌هایی است که می‌توانند به طور قابل اعتماد و کارآمد از منابع کم‌کربن یا بدون کربن تولید کنند.

انتقال به انرژی باد، خورشیدی و آبی، که اغلب با سیستم‌های ذخیره سازی باتری تقویت می‌شود، هم فرصت‌های بزرگ و هم چالش‌های بزرگی را ارائه می‌دهد.

تعریف چالش‌های پیش روی تولیدکنندگان انرژی امروز

چالش‌های پیش روی تولیدکنندگان انرژی امروزه متعدد و متنوع است. مدیریت و بهینه سازی مجموعه داده‌های عظیم در عملیات دارایی‌های متفاوت هرگز آسان نبوده است، اما اکنون رقابت در بازار تولید انرژی و تهدیدهای مجرمان سایبری فشار را برای یافتن راه حل‌های مقیاس پذیر و سودآور افزایش داده است.

مدیریت دارایی‌های انرژی تجدیدپذیر که حجم عظیمی از داده‌ها را تولید می‌کند پیچیده است. در حالی که این داده‌ها حاوی اطلاعات ارزشمندی است، مدیریت کارآمد داده‌ها کار دشواری است. روش‌های دستی و نیمه خودکار که در گذشته استفاده می‌شد، مقیاس پذیر نبوده و دیگر مقرون به صرفه نیستند.

خروج از مخازن داده نه تنها حجم داده‌هایی که باید به سرعت مدیریت شوند، بلکه متنوع نیز می‌شوند. تیم‌های عملیاتی، مدیران دارایی و مدیران اجرایی به داده‌های منابع متعدد از جمله SCADA، رویداد، سیستم نظارت بر وضعیت (CMS)، تولید، بودجه، نگهداری، کاهش، درآمد، پیش‌بینی آب و هوا و تولید، ES&G و ابزارهای قیمت گذاری بازار، فقط یک مشت از این‌ها هستند.

مدیریت این منابع داده با روش‌های سنتی مستلزم استفاده از ابزارهای متعدد است که باعث کاهش کارایی و افزایش هزینه می‌شود. سیستم‌های سنتی همچنین دارای این مجموعه داده‌ها در مخازن هستند که با یکدیگر صحبت نمی‌کنند و نمی‌توانند اطلاعات موجود در داده‌ها را جمع آوری کنند. نمونه‌ای از این اطلاعات مربوط به تعمیر و نگهداری است که ممکن است در یک سیستم مدیریت تعمیر و نگهداری کامپیوتری (CMMS) ذخیره شود و به طور معمول اطلاعاتی در مورد خرابی قطعات، قطعات یدکی و تعویض دارد. این داده‌ها در مواردی برای تعمیر و نگهداری مبتنی بر قابلیت اطمینان و پیش‌بینی قطعات یدکی به صورت جداگانه استفاده می‌شود. داده‌های یکسان همراه با SCADA، داده‌های رویداد و داده‌های قیمت گذاری، برای پیش‌بینی و برنامه‌ریزی فعالیت‌های نگهداری برای به حداکثر رساندن سود عملیاتی بسیار قوی‌تر می‌شوند.

ایجاد تعادل در ترکیب متنوع دارایی‌ها.

اپراتورهای انرژی‌های تجدیدپذیر باید چندین نوع دارایی (مانند باد، خورشیدی، ذخیره سازی، آب، و غیره) و چندین دستگاه OEM و تجهیزات در یک طبقه دارایی را به طور کارآمد مدیریت کنند. این تنوع در دارایی‌های عملیاتی همچنان در حال افزایش است که مدیریت آن‌ها را پیچیده‌تر می‌کند.

افزودن فناوری‌های جدید مانند ذخیره سازی، چالش‌های بیشتری را ایجاد می‌کند که وقتی ذی‌نفعان مختلف اهداف ناهماهنگی داشته باشند به وجود می‌آید و این بدان معناست که مالکان/اپراتورها نمی‌توانند صرفاً به تولیدکنندگان تجهیزات وابسته باشند. سازندگان می‌خواهند ریسک گارانتی را کاهش داده و عملکردی را که ممکن است برای به حداکثر رساندن سودآوری دارایی مطلوب نباشد، برآورده کنند.

چشم انداز نسل رقابتی با ورود بازیگران بیشتر به بازار تولید انرژی‌های تجدیدپذیر، در حال افزایش است. کارآمدترین اپراتورها بیشتر از سهم خود در بازار برنده خواهند شد، در حالی که اپراتورهای کم کارآمد سهم بازار را از دست خواهند داد.

قراردادهای خرید برق پیچیده دوران توافقنامه‌های خرید 10 تا 20 ساله برق ثابت که استاندارد پروژه‌های انرژی تجدیدپذیر است به پایان می‌رسد. قراردادهای قیمت گذاری متغیر بانکی یا مبادله درآمد نیابتی رایج‌تر می‌شوند. این توافقات قیمت گذاری متغیر نیازمند افزایش پیچیدگی برای ارزیابی صحیح، مذاکره و مدیریت ریسک است.

اگرچه واقعیت دارد که هزینه برق ناشی از تجدیدپذیرها (دلار/کیلووات ساعت) به دلیل مزایای پیشرفت تکنولوژی و صرفه جویی در مقیاس، کاهش چشمگیر قیمت خرید برق (تا 0.03 دلار در کیلووات ساعت) و حذف تدریجی حمایت از سیاست فشار بیشتری را بر اپراتورها وارد کرده است. بهره وری عملیاتی داده محور نقش اصلی را در کمک به تولیدکنندگان انرژی برای مقابله با چالش‌های PPAهای پایین‌تر ایفا می‌کند.

گسترش تهدیدهای امنیت سایبری در حالی که اتصال دیجیتالی دارایی‌های انرژی تجدیدپذیر دارای مزایای بسیاری است، تهدیدی جدی است که نیاز به استقرار راه حل‌های امنیت سایبری دارد که در سیستم‌های فناوری اطلاعات و فناوری اطلاعات کار می‌کند.

مجموعه مهارت‌های جدید مورد نیاز است. اپراتورهای نیروگاه در طول تاریخ در کار و نگهداری تجهیزات تولیدی خود متخصص بوده‌اند. با این حال، مهارت‌هایی مانند علم داده، مهندسی داده، توسعه کامل پلتفرم و امنیت سایبری شایستگی‌های اصلی نبوده‌اند. این مجموعه مهارت‌ها تقاضای زیادی دارند، یافتن آن‌ها دشوار است و افزودن آن‌ها در داخل، هزینه‌بر است.

حرکت به خارج از وضعیت هشدار

طی 5 سال گذشته، اپراتورهای نیروگاه رویکرد فعال‌تری در مدیریت دارایی‌های خود اتخاذ کرده‌اند، حتی اگر سطح استفاده از داده‌ها به طور موثر در اپراتورها متفاوت باشد.

مدل‌های مبتنی بر قوانین و در برخی موارد، یادگیری ماشینی (ML) بیشتر برای پیشبرد اقدامات تعمیر و نگهداری استفاده می‌شود. این بدون شک یک گام بالاتر از رویکرد واکنشی دهه 2000 است، اما هر عملی نقاط قوت و ضعف خود را خواهد داشت.

محدودیت‌های مدل‌های مبتنی بر قانون دارای محدودیت‌های شدید هستند. اگر اپراتور داراي همان نوع دارايي در تعداد زياد باشد، خوب عمل مي‌كنند، اما اگر دارايي‌ها كم باشند يا شباهت نداشته باشند ضعيف است.

مدل‌های مبتنی بر قانون برای مقیاس بندی خوب تلاش می‌کنند و نمی‌توانند به راحتی با دارایی‌های جدید سازگار شوند. همچنین، خرابی قطعاتی مانند توربین‌های گازی یا ترانسفورماتورهای قدرت نسبتاً نادر است و ایجاد رویه‌ها از داده‌های تاریخی را دشوار می‌کند.

قدرت مدل‌های یادگیری ماشینی مدل‌های پیچیده راه حل‌های بهتری برای چالش‌های فوق هستند. این مدل‌ها شامل ترکیبی از مدل‌های تحت نظارت (نیاز به داده‌های تاریخی) و مدل‌های بدون نظارت خواهد بود.

مدل‌های بدون نظارت بسیار قدرتمند هستند و با موفقیت در مناطقی با داده‌های مثبت واقعی اندک مانند انفورماتیک آب و هوا مورد استفاده قرار گرفته‌اند. یک مثال پیش بینی بهمن از تصاویر کوه‌های پوشیده از برف است.

مدل‌های پیشرفته یادگیری ماشینی همراه با فیزیک اساسی دارایی‌ها یک ابزار قدرتمند در توسعه یک استراتژی عملیاتی بهینه است. اگر اپراتورها از وسعت یا علت اصلی مشکل آشکار نباشند، تصمیمات تجاری مانند سرمایه‌گذاری در کنترل نرم افزار یا ارتقاء تجهیزات نمی‌تواند گرفته شود.

بنابراین، یک پلت فرم دیجیتالی که راه حلی از دیجیتالی تا اقدامات تجویزی را ارائه می‌دهد، کلید موضوع است. این امر به شما امکان می‌دهد تصمیمات یکپارچه و کارآمدی بگیرید.

چگونه تولیدکنندگان انرژی می‌توانند در انقلاب انرژی تجدیدپذیر پیروز شوند؟

برای رهایی از چالش‌های متعدد پیش روی تولیدکنندگان انرژی امروزه، یک رویکرد جامع و مقیاس پذیر باید عناصر کلیدی زیر را شامل شود. استفاده از قدرت رایانش ابری همراه با هوش مصنوعی پیشرفته این پلتفرم باید به طور مداوم داده‌های عملیاتی را رصد کند و به طور خودکار اپراتورها را از ناهنجاری‌هایی که نیاز به توجه دارند، آگاه کند. این اتوماسیون قدرتمند کارهای خسته کننده، اپراتورهای انسانی را آزاد می‌کند تا بر فعالیت‌های با ارزش‌تر تمرکز کنند.

ترکیب چندین جریان داده در یک پلت فرم واحد.

 این پلتفرم باید بینش مربوط به تمام داده‌های مربوط به پروژه، از جمله SCADA، رویداد، نگهداری، تولید، بودجه، آب و هوا، CMS و منابع داده بدون ساختار (یعنی متن) را با استفاده از پردازش زبان طبیعی (NLP) باز کند. داده‌ها و بینش‌ها به راحتی در یک مکان واحد توسط همه کاربران پلتفرم قابل دسترسی است.

مدیریت انواع دارایی‌ها از یک پلت فرم واحد.

دارایی‌های انرژی بادی، خورشیدی، آبی و ذخیره‌سازی همه باید با یک پلت فرم واحد و جامع مدیریت شوند. با کاهش تعداد ابزارهای مورد نیاز، کارایی و امنیت عملیاتی بسیار افزایش می‌یابد.

افزایش تولید انرژی و کاهش هزینه دارایی‌های ضعیف به سرعت با توجه به تشخیص محتمل‌ترین علت این مشکل، با اقدامات اصلاحی توصیه شده توسط تجزیه و تحلیل تجویزی، به اطلاع کاربران پلتفرم می‌رسند. اطلاع قبلی از خرابی‌ها قبل از وقوع آن‌ها، برنامه‌ریزی بهتری را ممکن می‌سازد و تاثیر شکست‌ها را بر عملکرد پروژه کاهش می‌دهد.

پیش‌بینی تجارت انرژی.

این پلتفرم باید پیش بینی‌های دقیقی از قیمت انرژی ارائه دهد، که به اپراتورها اجازه می‌دهد استراتژی‌های عملیاتی بهینه را برای به حداکثر رساندن درآمد پروژه اجرا کنند.

تأمین امنیت صفر روزه برای دارایی‌های صنعتی.

از آن‌جا که بازیگران دولت ملی و مجرمان سایبری به طور فزاینده‌ای زیرساخت‌های حیاتی را با بدافزارهای نسل بعدی (به عنوان مثال باج افزار) هدف قرار می‌دهند، اپراتورهای انرژی باید از ابزارهای امنیت سایبری نسل بعدی برای محافظت از دارایی‌های OT و IT در برابر حملات صفر روز استفاده کنند.

کلاس‌های جدیدی از راه حل‌های حفاظت از نقطه پایانی مبتنی بر هوش مصنوعی را می‌توان مستقیماً در APM اپراتور ادغام کرد تا بالاترین سطح ممکن را در برابر تهدیدات سایبری ارائه دهد.

پیدا کردن شرکای مناسب فناوری تحول دیجیتالی هرگز پایان نمی‌یابد و با افزایش فناوری‌های پیشرفته مانند یادگیری ماشینی و هوش مصنوعی، اپراتورهای انرژی به خوبی انتخاب می‌شوند تا شرکای فناوری مناسبی را انتخاب کنند تا در طول مسیر تحول خود، صرف نظر از مرحله فعلی که دارند، به آن‌ها کمک کند.

این شرکا می‌توانند طیف کاملی از خدمات دیجیتالی را به مشتریان ارائه دهند، از جمله کمک در مهاجرت به فضای ابر، ادغام برنامه‌ها، سفارشی سازی پلتفرم و توسعه و ادغام قابلیت‌های آینده که مطمئناً به دست خواهند آمد، زیرا پیشرفت‌های عمده در علم داده و هوش مصنوعی همچنان ادامه دارد.

تولید برق به سرعت در حال تغییر است و پارادایم‌های قدیمی را پشت‌سر می‌گذارد. تاریخ نشان داده است که شرکت‌هایی که مایل به ظهور هستند و با چالش‌های پارادایم جدید روبرو می‌شوند، به رشد و پیشرفت خود ادامه می‌دهند، در حالی که آن‌هایی که به شیوه‌های قدیمی انجام کارها وابسته هستند، در معرض نابودی هستند.

رشد سریع تولید انرژی باد، خورشیدی و آبی، که با ذخیره انرژی افزایش یافته است، فرصت‌های جدیدی را برای اپراتورهای نوآور ایجاد می‌کند تا کسب و کار خود را توسعه داده و وارد بازارهای جدید شوند. مدیریت دارایی با هوش مصنوعی نشان‌دهنده پارادایم جدیدی است که برخی از شرکت‌ها از آن استقبال می‌کنند و برخی دیگر برای مدت طولانی مقاومت خواهند کرد.

فناوری‌های پیشرفته مانند محاسبات ابری، یادگیری ماشین و هوش مصنوعی در حال حاضر در بازار هستند. تماشای اینکه کدام شرکت‌ها از استراتژی‌های اتخاذ اولیه برای افزایش بهره‌وری و تولید دارایی‌های انرژی تجدیدپذیر خود استفاده می‌کنند، ضمن کاهش هزینه‌های نگهداری و ریسک عملیاتی، هیجان انگیز خواهد بود.