IoT do zarządzania energią: wzrost produkcji energii nawet o 6%

Innowise opracowało niestandardowe rozwiązanie dla sektora energetycznego, które monitoruje turbiny wiatrowe i kontroluje produkcję energii.

Klient

Branża

Energia

Region

USA

Klient od

2021

Nasz klient jest znaczącym graczem w sektorze energii odnawialnej, ze szczególnym uwzględnieniem energii wiatrowej. Zarządza szeroką gamą turbin wiatrowych w różnych regionach, zaopatrując lokalnych mieszkańców i operacje produkcyjne udogodnienia z elektrycznością. Szczegółowe informacje o kliencie nie mogą być ujawnione zgodnie z postanowieniami NDA.

Wyzwanie

Przerwy w dostawie prądu i kosztowne naprawy farmy wiatrowej klienta

Sektor energii odnawialnej, a w szczególności energii wiatrowej, jest dynamiczny i wymaga ciągłych innowacji w celu zapewnienia maksymalnej wydajności i czasu pracy. Działając w tej branży od ponad 20 lat, nasz klient napotkał wiele nieoczekiwanych awarii, skutkujących przerwami w dostawie prądu i kosztownymi naprawami. Mając ambitne plany ekspansji, poszukiwał rozwiązań IoT rozwiązania energetyczne monitorowanie wydajności turbiny wiatrowej w czasie rzeczywistym i zapobieganie awariom dzięki inteligentnemu algorytmy ML. Klient powierzył firmie Innowise zadanie rozwój IoT w poszukiwaniu rozwiązania do zarządzania energią, które oferowałoby monitorowanie w czasie rzeczywistym i analizę predykcyjną w celu zapewnienia wydajnej i bezpiecznej pracy turbin wiatrowych przez całą dobę.

Wdrożenie

Rozwiązanie IoT do zarządzania energią, które przewiduje produkcję energii i zapobiega błędom

W oparciu o wymagania i oczekiwania klienta, Innowise opracowała rozwiązanie oparte na IoT i ML, które przewiduje produkcję energii na podstawie informacji zgromadzonych z czujników meteorologicznych i turbin. Nasz zespół projektowy opracował zaawansowaną platformę, która oferuje informacje w czasie rzeczywistym o stanie każdej turbiny wiatrowej, ułatwiając natychmiastowe podejmowanie decyzji i reagowanie na sygnały operacyjne bez opóźnień.

Programowalne sterowniki logiczne (PLC)

As the cornerstone of automation, we used PLCs to collect data from sensors installed throughout the wind turbines. These sensors measure a wide range of operational parameters such as wind speed, turbine rotational speed, temperature, vibration levels, and torque. By processing this data, PLCs give an accurate, real-time picture of the wind turbine’s performance, detect malfunctions, and analyze energy production efficiency.

Wskaźniki czujników odbiegające od wcześniej zdefiniowanych progów – takie jak nieoczekiwany wzrost temperatury lub poziom wibracji – sygnalizują potencjalne problemy, takie jak zużycie mechaniczne, konieczność smarowania lub awaria komponentu. Sterowniki PLC z kolei rozpoznają te wzorce i uruchamiają alarmy lub wyłączają turbinę, aby zapobiec uszkodzeniom. Co więcej, sterowniki PLC rejestrują dane wyjściowe mocy i analizują je wraz z warunkami wiatrowymi, aby określić, czy turbiny generują moc wydajnie. Następnie oznaczają anomalię, jeśli prędkość wiatru jest optymalna, ale produkcja energii jest poniżej progu, co wskazuje na problem, taki jak uszkodzenie łopatek, niewspółosiowość itp. Dzięki terminowej konserwacji i zapobieganiu awariom z wykorzystaniem PLS, zrównoważona produkcja energii zapewnia długowieczność sprzętu.

Jezioro danych

Ponieważ nasz klient posiada dziesiątki turbin wiatrowych rozproszonych w różnych regionach, nasi programiści mieli za zadanie zbudować solidne jezioro danych do przechowywania ogromnych komunikatów sterowanych zdarzeniami. Stworzyliśmy centralne repozytorium, w którym gromadzone i przechowywane są dane ze wszystkich turbin, niezależnie od ich lokalizacji geograficznej. Obejmuje to nie tylko dane strukturalne, ale także dane nieustrukturyzowane i częściowo ustrukturyzowane, takie jak dzienniki, odczyty czujników, obrazy i inne. Specjaliści IoT zapewnili, że wszystkie niuanse danych zostały zachowane, umożliwiając bardziej szczegółową analizę i zmniejszając ryzyko utraty danych.

Ponadto nasz zespół projektowy umożliwił współbieżne przetwarzanie danych na wielu węzłach. Oznacza to, że duże zbiory danych mogą być przetwarzane równolegle, co znacznie przyspiesza zadania związane z analizą i raportowaniem. Ma to kluczowe znaczenie dla konserwacji predykcyjnej, gdzie wrażliwe na czas spostrzeżenia mogą zapobiec kosztownym przestojom i nagłym awariom turbin wiatrowych. Dane do analizy są pobierane ze sterowników PLC, a następnie przechowywane i przetwarzane przez AWS Funkcje IoT Core i Lambda.

Wizualizacja danych

Do wizualizacja danychNasz zespół projektowy zdecydował się na żywe dashboardy Grafana. Skonfigurowaliśmy pulpity składające się z różnych elementów wizualnych dostosowanych do potrzeb zarządzania energią IoT. W rezultacie menedżerowie operacyjni mogą na przykład uzyskać przegląd wydajności turbiny w czasie rzeczywistym, podczas gdy zespoły konserwacyjne mogą bardziej szczegółowo przyjrzeć się wskaźnikom zużycia za pomocą Grafany.Thus, linear charts show trends over time, like power output throughout the day. Map charts provide geographical visualizations of the turbines’ locations, enabling a quick overview of the entire wind farm’s status. Time series predict future trends based on past and present data, essential for planning and forecasting. Histograms detail the distribution of specific variables, such as wind speeds or turbine output, which is helpful for statistical analysis. Finally, geomaps layer additional data on geographical maps, such as weather patterns, to measure the influence of unfavorable weather conditions.Ogólnie rzecz biorąc, klient otrzymuje przejrzystą i bogatą w informacje wizualizację danych IoT, które można łatwo interpretować i podejmować na ich podstawie odpowiednie działania. Na przykład, dzięki oznaczonym kolorami wskaźnikom, technik konserwacji może łatwo zauważyć turbinę działającą poza optymalnym zakresem i podjąć proaktywne działania w celu wyeliminowania awarii.

Raporty analityczne

Ponadto nasi inżynierowie zapewnili, że platforma oparta na IoT generuje raporty analityczne, aby zapewnić kompleksowy wgląd w wydajność turbin wiatrowych. Dane te pomagają zidentyfikować, które turbiny działają dobrze, a które mogą wymagać konserwacji lub regulacji. Poza tym system oparty na IoT wykorzystuje dane historyczne i dane w czasie rzeczywistym do konserwacji predykcyjnej w celu prognozowania przyszłych wyników w różnych warunkach. W ten sposób zaleca, kiedy zaplanować konserwację lub zoptymalizować operacje bez czekania na wystąpienie problemu.

Dodatkowo, analizując trendy wydajności i czynniki zewnętrzne, takie jak warunki pogodowe, system proponuje scenariusze, w których można zoptymalizować zarządzanie energią IoT. Na przykład sugeruje sposoby optymalizacji zużycia energii, zmniejszenia dodatkowych wydatków, określenia idealnego czasu na pozyskiwanie energii wiatrowej, efektywnego zarządzania magazynowaniem, sprzedaży nadmiaru energii z powrotem do sieci i usprawnienia procedur konserwacyjnych.

Przewidywanie błędu

Wykorzystując moc nauki o danych (DS) i operacji uczenia maszynowego (MLOps), opracowaliśmy model predykcyjny, który analizuje różne czynniki wpływające na stan turbiny, takie jak poziomy wibracji, temperatura i wskaźniki wydajności. Model ten nieustannie uczy się na podstawie napływających danych, umożliwiając identyfikację wzorców poprzedzających awarie sprzętu. Gdy wykryje te wczesne sygnały ostrzegawcze, uruchamia system alarmowy, umożliwiając zespołom konserwacyjnym proaktywne rozwiązywanie problemów, zanim doprowadzą one do awarii.

Technologie i narzędzia

Front-end

JavaScript, React, Redux

Back-end

Python, FastAPI

DE/ML

Apache Spark

Cloud

AWS EKS, AWS ECS, AWS ECR, AWS EC2, AWS API Gateway, AWS IOT Core, AWS Kinesis, AWS Lake Formation, AWS Lambda, AWS RDS Postgres, AWS TimeStream DB; AWS S3, AWS Route 53; AWS CloudFront.

DevOps

Kubernetes, Docker, AWS EKS, AWS ECS

Baza danych

PostgreSQL, AWS TimeStream

Wizualizacja

Grafana

Proces

Opracowanie niestandardowego systemu opartego na IoT do monitorowania i konserwacji turbin wiatrowych było złożoną, ale satysfakcjonującą podróżą. Rozpoczęliśmy od szeroko zakrojonych dyskusji z naszym klientem, aby zrozumieć jego potrzeby i wyzwania. Faza ta obejmowała identyfikację podstawowych funkcji wymaganych dla systemu IoT, takich jak monitorowanie w czasie rzeczywistym, przewidywanie błędów i analizy danych.Mając w ręku wymagania, opracowaliśmy kompleksowy plan projektu określający harmonogram, zasoby, budżet i strategie zarządzania ryzykiem. Nasza faza rozwoju obejmowała stworzenie architektury systemu i interfejsu użytkownika, w tym niestandardowych algorytmów do analizy danych, wizualizacji, konserwacji predykcyjnej oraz zintegrowanych sterowników PLC i AWS IoT Core. Agile methodology enabled us to adapt quickly and effectively to changing requirements and feedback throughout the project. Regular stand-ups, sprint reviews, and retrospectives were integral to our process, fostering a collaborative and dynamic work environment. This approach enabled us to deliver a tailored, robust, efficient IoT-based system aligned perfectly with our client’s unique needs.Obecnie Innowise zapewnia obsługę techniczną i wsparcie po premierze, naprawia drobne błędy i wydaje regularne aktualizacje.

Zespół

Kierownik projektu

Analityk biznesowy

Architekt rozwiązań

Programista front-end

Programistów back-end

Embedded Developer

ML Developer

DE Developer

DevOps

Inżynierowie QA

MŚP zainteresowanej strony

Wyniki

18% redukcja kosztów konserwacji i napraw dzięki systemowi opartemu na IoT i ML

Innowise zbudowało skalowalny system oparty na IoT i ML, który przewiduje produkcję energii w oparciu o system programowalnych sterowników logicznych. Opracowaliśmy zaawansowaną platformę, która gromadzi krytyczne informacje z turbin wiatrowych, ocenia ich wydajność i zapewnia dokładny wgląd w świadome podejmowanie decyzji. Na podstawie tych informacji menedżerowie klienta mogą monitorować stan turbin w czasie rzeczywistym i sugerować scenariusze optymalizacji produkcji energii i redukcji zbędnych wydatków. Dzięki algorytmom uczenia maszynowego, nasze przełomowe rozwiązanie przewiduje wytwarzanie energii w oparciu o prognozy pogody i zgromadzone dane analityczne. Co więcej, określa najlepszy czas na wyłączenie farm wiatrowych i odpowiednie przeprowadzenie konserwacji. Jest to szczególnie istotne w przypadku turbin w odległych lub trudnych warunkach, gdzie naprawy mogą być trudne i kosztowne.

Czas trwania projektu

Wrzesień 2021 r. - w toku

do 6%

wzrost produkcji energii

18%

redukcja kosztów konserwacji i napraw

zapobieganie krytycznym zagrożeniom

Podobne projekty

Skontaktuj się z nami!

Zadzwoń lub wypełnij poniższy formularz, a my skontaktujemy się z Tobą po przetworzeniu Twojego zgłoszenia.

Nazwa

Firma

Telefon

Wiadomość Prosimy o podanie szczegółów projektu, czasu trwania, stosu technologicznego, potrzebnych specjalistów IT i innych istotnych informacji.

Nagraj wiadomość głosową na temat projekt, który pomoże nam lepiej go zrozumieć

W razie potrzeby dołącz dodatkowe dokumenty

Prześlij plik

Można załączyć maksymalnie 1 plik o łącznej wielkości 2 MB. Ważne pliki: pdf, jpg, jpeg, png

Informujemy, że po kliknięciu przycisku Wyślij Innowise będzie przetwarzać Twoje dane osobowe zgodnie z naszą Polityką prywatności w celu dostarczenia Ci odpowiednich informacji.

Co będzie dalej?

Po otrzymaniu i przetworzeniu Twojego zgłoszenia skontaktujemy się z Tobą wkrótce, aby wyszczególnić potrzeby projektu i podpisać umowę o zachowaniu poufności, aby zapewnić poufność informacji.

Po przeanalizowaniu wymagań, nasi analitycy i programiści opracowują projekt z zakresem prac, wielkością zespołu, czasem i kosztami szacunki.

Umówimy się z Tobą na spotkanie, aby omówić ofertę i dojść do porozumienia porozumienia.

Podpisujemy umowę i rozpoczynamy pracę nad projektem tak szybko, jak to możliwe.