Transformación del mantenimiento en plantas Renovables: implantación de nuevas soluciones de mantenimiento predictivo aplicando IA, IoT y Computación en el borde

Indicadores y procesos de mejora

El plan de transformación define semestralmente los objetivos del período, así como las soluciones que se desarrollarán, priorizándolas en base a varios indicadores:

– Reducción costes de mantenimiento de un sistema frente a los originales antes del desarrollo de la solución (%): un ejemplo es evitar la avería de una pala eólica (100% de su coste de mantenimiento), o incurrir en menores coste de reparación (10-95%) de averías mecánicas que detectamos en estado incipiente en turbinas eólicas e hidráulicas.

– Mejora de la eficiencia energética al evitar pérdidas de producción de los activos (MWh) mediante el mantenimiento predictivo. Las soluciones desarrolladas detectan averías en inversores solares y en otros activos renovables con impactos para cada solución de entre 300 y 1.200 MWh anuales.

– Reducción de tiempo en una actividad (%) gracias a la automatización de algunos análisis de datos mediante modelos de inteligencia artificial, entre el 20 y el 100% según el análisis.

Cuantificación/Estimación reducción consumo

La transformación del mantenimiento predictivo a través de las soluciones implica principalmente reducción de costes de mantenimiento, mejora de la eficiencia energética y ahorro de tiempo por automatización de análisis. Estos beneficios tienen una traslación económica por reducción de costes de nuestra actividad y aumento de ingresos que supone desde inicio del plan una cifra de 2.2 M€ anuales. Se estima que a la finalización de 2026, se superen los 4 M€ anuales.

Cuantificación/Estimación reducción emisiones CO2

La generación renovable reduce las emisiones de CO2 al sustituir las fuentes de energía que dependen de combustibles fósiles, como el carbón, el petróleo y el gas natural, por fuentes limpias que no emiten gases de efecto invernadero durante su funcionamiento. El hecho de que el plan de transformación de mantenimiento predictivo en curso esté reduciendo las pérdidas de producción, hasta el momento en unos 1.600 MWh/año, supone la reducción de emisiones de CO2 de unas 700 toneladas al año de producirse esa misma energía con gas natural.

Innovación aplicada y buenas prácticas

El factor diferenciador del plan de transformación ha sido la utilización del conocimiento experto en la empresa para orientar el uso de las tecnologías, IA e IoT con computación en el borde, para que mejorasen los resultados que ya se venían obteniendo.
Hemos comprobado que los modelos de IA dan resultados significativamente diferentes en función de las decisiones que se toman respecto a los datos que sirven de etiqueta a los modelos, y la transformación de las variables disponibles en bruto (directamente obtenidas de los sistemas de medida) para que la información sea relevante para las predicciones.

Así mismo, la breve historia de las tecnologías hidráulica y eólica, supone un reto por la cantidad de componentes en sus activos que no disponen de sistemas preparados para predecir sus averías. Esto hace necesario implentar IoT dirigido a medir magnitudes que sí permitan hacer dichas predicciones, y que con computación en el borde permitan actuar de urgencia cuando sea necesario.

Uso de tecnologías (TICs)

Se desarrollan algoritmos y modelos de inteligencia artificial que, previa transformación de magnitudes físicas recogidas por los sistemas de control de las plantas, los sistemas de monitorización de datos como vibraciones y otras variables, son capaces de identificar patrones de comportamiento similares (en modelos de IA no supervisados) o caracterizar patrones para situaciones ya conocidas (modelos de IA supervisados).

La disponibilidad de redes de telecomunicaciones y sistemas en la nube que otorgan capacidad de computación para abordar los problemas matemáticos necesarios, son un elemento indispensable en nuestro plan. También lo es la disponibilidad en el mercado de sistemas electrónicos y sensórica que gracias a la optimización de sus costes en los últimos años, se han convertido en una solución económicamente viable para su escalabilidad en grandes portfolios de activos renovables.