Monitorización y aplicación de técnicas de mantenimiento predictivo en elementos de la red de distribución eléctrica a través de Big Data y Analytics.

Indicadores y procesos de mejora

Cuantificar y reducir el número de eventos de sobre o bajo voltaje al nivel de contadores.

Reducir el tiempo de corte de suministro debido a eventos de sobre o bajo voltaje.

Aumentar el número de transformadores monitorizados a través de la monitorización indirecta.

Identificar y predecir transformadores expuestos a sobrecargas. Identificar y predecir transformadores infrautilizados.

Optimizar la topología de red maximizando el uso de los transformadores a la capacidad adecuada.

Cuantificar impacto en vida útil estimada de transformadores por causa de sobrecargas.

Reducir el número de incidencias reportadas por clientes y su impacto en el servicio prestado al cliente.

Anticiparse a daños causados por sobrecargas incrementando el mantenimiento preventivo en componentes que lo requieran. Reducir costos de mantenimiento correctivo.

Mejorar la planificación en el mantenimiento de componentes para reducir el número de horas trabajadas no programadas y desplazamientos de emergencia.

Cuantificación/Estimación reducción consumo

El potencial estimado de reducción de consumo por año es 37,782 kWh.Esta reducción se obtiene por la identificación de eventos de sobre voltaje y sus posibles causas asociadas, las cuales son eliminadas en un determinado porcentaje.

Como consecuencia, se estima una reducción en el voltaje para los contadores beneficiados que a su vez resulta en una reducción en el consumo de energía.

Cuantificación/Estimación reducción emisiones CO2

El potencial estimado de reducción de emisiones de CO2 por año es 133 toneladas métricas.

Esta reducción se obtiene con base en la identificación y predicción de transformadores expuestos a sobre cargas y a la identificación y solución de manera proactiva de anomalías en estos transformadores causados por sobrecargas u otros factores.

Al pasar de un modelo de mantenimiento reactivo a uno de mantenimiento preventivo, se planea de manera eficiente los desplazamientos físicos de vehículos y equipos para solucionar problemas y se reducen desplazamientos de emergencia.

Esta reducción de desplazamientos y mejor planificación reduce el número de millas recorridas por vehículos de operaciones causando una reducción en las emisiones de CO2.

Innovación aplicada y buenas prácticas

El éxito de AVANGRID con su estrategia de Analítica se centra en la definición de un Roadmap que incluye la visión estratégica con un planteamiento claro y exigente, pero a la vez alcanzable el cual permite a todos los involucrados entender el proceso para lograr el éxito.

En cuanto a la parte técnica, AVANGRID diseña su plataforma Big Data apoyándose en tecnologías de vanguardia y en su mayoría open source para desarrollar las diferentes capas de la arquitectura, además de basarse en un diseño estándar de arquitectura Big Data altamente testeado durante los últimos años y que permite el tratamiento de datos tanto en real time como en batch: “Lambda Architecture”.

De cara a cubrir las necesidades del equipo de Data Science de investigación, análisis y entrenamiento de pilotos de los modelos matemáticos que permiten el análisis predictivo, se provee de un entorno analítico elástico en cloud que permite disponer de los recursos de computación necesarios para cada experimento de una forma ágil y sin comprometer los procesos productivos.

Actualmente se estiman más de 250 millones de eventos para más de 350,000 componentes por día.

Usabilidad de Tecnologías de la Información y Comunicaciones

Hortonworks: El Sistema de archivos distribuidos de Hadoop (HDFS) es un sistema de archivos distribuidos diseñado para ejecutarse en hardware básico. Tiene muchas similitudes con los sistemas de archivos distribuidos existentes.

Sin embargo, las diferencias con otros sistemas de archivos distribuidos son significativas. HDFS es altamente tolerante a fallos y está diseñado para implementarse en hardware de bajo costo. HDFS proporciona acceso de alto rendimiento a los datos de la aplicación y es adecuado para aplicaciones que tienen grandes conjuntos de datos.

Apache Hive facilita la lectura, escritura y administración de grandes conjuntos de datos que residen en el almacenamiento distribuido y se consultan mediante la sintaxis SQL. Apache Nifi para la ingesta de datos en streaming.

Admite gráficos dirigidos y escalables de enrutamiento de datos, transformación y lógica del sistema. SQOOP como herramienta altamente eficiente para importar los datos provenientes de sistemas de bases de datos relacionales.

Apache Spark como framework de computación distribuida para el procesado de datos masivos y entrenamiento de algoritmos de aprendizaje automático de regresión y clasificación.

MicroStrategy:Implementa la capa de visualización que permite mostrar la información extraída a partir de los datos utilizando una presentación interactiva basada principalmente en gráficos y mapas.

Microsoft Azure:HDInsight como entorno analítico donde el equipo de Data Science desarrolla los pilotos y optimiza los modelos antes de ser desplegados en el entorno productivo.