PROYECTO: “I.A. para mantenimiento predictivo y análisis de fallas en transformaciones de plantas de generación“

EMPRESA: Enel Generación Perú S.A.A.

CATEGORÍA: Energía

REGIÓN: Moquegua

RESUMEN EJECUTIVO

El software desarrollado por Enel Generación Perú, permite integrar el conocimiento de expertos en transformadores de potencia y distribución en aceite mineral, empleado los sistemas de potencia; integrando las buenas prácticas de la comunidad científica y también normas internacionales en un solo sistema que integren el conocimiento extranjero y nacional, altamente especializado en el diagnóstico del equipo. El sistema de inteligencia artificial con Support Vector Machine, ha integrado el conocimiento de varias fuentes de datos, para transformadores completamente digitales, y transformadores tradicionales (sin integración digital), dado que permite integrar información en línea y fuera de línea, a través de sistemas de bases de datos estructurados (como la información del sistema SCADA, registros de mantenimiento u otros y no estructurados, como información integrada basado en sistemas de “Internet de las Cosas” (loT por sus siglas en inglés). En resumen, es un sistema que combina procesos de IA y Machine Learning, para predecir y evitar fallas en transformadores de distribución, transmisión y generación de energía; integrando el conocimiento mundial de la industria y academia, comparando las pruebas reales con los estándares internacionales recomendando el mantenimiento e incrementando la disponibilidad energética.

El sistema de inteligencia artificial es diferente porque ha integrado el conocimiento de varias fuentes de datos, para transformadores completamente digitales, y transformadores tradicionales, dado que permite integrar información en línea y fuera de línea, a través de sistemas de bases de datos estructurados y no estructurados.

Los resultados muestran una efectividad del 90%, en la detección de diferentes fallas y han servido para monitorear los transformadores de diversar centrales de generación, esta plataforma sirve como una buena orientación en el monitoreo de la condición del transformador de potencia. El sistema ha sido programado en Python y en SAS Study, para poder visualizarse en SAS Analytics, empleando la información almacenada en el Plant Information (Pl Osisoft), el cual monitorea en tiempo real la información de los transformadores, y también integra la información del mantenimiento, inspecciones y pruebas de laboratorio a partir de diversas bases de datos.

SÍNTESIS

El sistema de inteligencia artificial con Support Vector Machine, ha integrado el conocimiento de varias fuentes de datos, para transformadores completamente digitales, y transformadores tradicionales, dado que permite integrar información en línea y fuera de línea, a través de sistemas de bases de datos estructurados. En resumen, es un sistema que combina procesos de Inteligencia Artificial y Machine Learning, para predecir y evitar fallas en transformadores de distribución, transmisión y generación de energía; integrando el conocimiento mundial de la industria y academia.

El proyecto es 100% digital lo que reduce de 22 a 5 los procesos a ejecutar y permite la actualización de datos de manera diaria y el monitoreo a tiempo real.

Los resultados muestran una efectividad del 90%, en la detección de diferentes fallas y han servido para monitorear los transformadores en las centrales Térmicas, hidráulicas, eólicas y solares en Perú, Italia, Colombia, entre otros países que corresponden al grupo Enel. Respecto a los costos, el proyecto permite evitar gastos en 241 equipos lo cual es equivalente a 1,205 MUSD.

En el ámbito de seguridad, salud y medio ambiente, la plataforma permite una reducción del riesgo del personal en campo de un 100%, evita un menor consumo de energía de 16.78kWh / año por país, al ser completamente digital eliminación las emisiones de dióxido de carbono por reducción del uso del papel en un 15 Kg.

RESULTADOS

El sistema de inteligencia artificial es diferente a los modelos existentes, porque ha vinculado el conocimiento de varias fuentes de datos, para transformadores completamente digitales, y transformadores tradicionales, dado que permite integrar información en línea y fuera de línea, a través de sistemas de bases de datos estructurados como la información del sistema SCADA, registros de mantenimiento u otros y no estructurados, como información integrada basado en sistemas de “Internet de las Cosas” (loT por sus siglas en inglés).

Se entrenan redes neuronales para determinar los índices de degradación para cada modo de falla, finalmente, sistema de redes convolucionales, realizan el diagnóstico empleando normas internacionales lo cual permite determinar, con alta precisión, la probabilidad acumulada de ocurrencia de fallas, basándose en mediciones reales del sistema de potencia.

Los resultados muestran una efectividad del 90%, en la detección de diferentes fallas, una disminución de OPEX con el contrato de mantenimiento de 38kUSD que corresponde a mantenimiento preventivo para actividades planificadas, mejora del 15% adicional en la disponibilidad de los transformadores de generación, la mejora del 20% en la productividad laboral ya que ha reducido la ineficiencia en la productividad en reuniones de 10h a 8h, con los Resultados y un informe automático, que permite organizar el equipo de una mejor manera.

LOGROS ALCANZADOS

En líneas generales, el software brinda retroalimentación en tiempo real, almacenamiento de datos (big data) y solución de problemas a distancia, es escalable y flexible por lo que se ha sido producto de exportación a más de dos países. Así mismo, el proyecto reduce el impacto ambiental en los 3 países donde se tiene una reducción de energía por el uso del software de aproximadamente 52.02kWh/año, mejora del 15% en la disponibilidad de los transformadores de generación, existe una disminución en el OPEX por el contrato de mantenimiento de 38kUSD, así mismo, se evita el monto de pago por 7kUSD el cual está asociado a la prueba para diagnóstico en el modo de falla, el cual requiere 4.6 días de prueba. Sin embargo, con una evaluación online y con una plataforma no lo requiere, dado que se realiza en tiempo real.