Prediksjonsvedlikehold av transformatorer - Kontinuerlig tilstandsovervåkning ved GE M2 Hydran og IFS IoT Business Connector

Abstract

Transformatorene er blant de viktigste komponentene i kraftnettet, og feil på dem regnes blant de mest alvorlige feilene ettersom de innebærer lang nedetid. I underkant av 30 % av transformatorene i sentralnettet oppfyller ikke N-1 kriteriet i alle timer i året, og feil på disse medfører redusert leveringspålitelighet og ikke-levert energi. I 2015 forårsaket 23 feil på transformatorer totalt 46 MWh i ikke-levert energi i sentral- og regionalnettet. Teknisk utstyr var en sentral årsak til en stor andel av disse feilene. Tall fra SINTEF viser at 23% av feil på transformatorer i perioden 2007 - 2013 oppstod på transformatorens innvendige enheter.

Gassdannelse i transformatoren er den beste indikasjonen på degradering av de innvendige enhetene. GE M2 Hydran benyttes til kontinuerlig tilstandsovervåkning ved måling av totalt innhold av H2, CO, C2H2 og C2H4. Undersøkelser viser at det er klare begrensninger ved bruk av GE M2 Hydran i tilstandsovervåkning av transformatorer, og at bruk av sensoren må komplementeres med periodisk analyse av oppløst gass i olje. Utnyttelse av data er sentralt i Statnett sine utviklingsprosjekter SAMBA og BUDV, men er også viktig i Statnett sitt systematiske kvalitetsarbeid for reduksjon av KILE. IFS IoT Business Connector representerer en front-end-løsning for utnyttelse av Big Data. I plattformen kan data samles inn, analyseres og visualiseres. Visualisering av vedlikeholdsdata i Power BI viser seg å gi Statnett økt innsikt i:

Hvor feil har inntruffet Hvilken feil som har inntruffet og hvorfor Når feil har inntruffet Hva som er konsekvensene

Samtidig viser en maskinlæringsmodell utarbeidet i Microsoft Azure Machine Learning Studio seg å kunne gjøre en prediksjonsanalyse av vedlikeholdsdata for å identifisere transformatorer med kritiske feil på innvendige enheter. I tillegg til dette viser også visualisering av gassmålinger ved GE M2 Hydran seg å gi større innsikt i transformatorens tilstandsutvikling. Prognoser av fremtidig gassutvikling ved maskinlæring har ikke vært mulig å etablere.

Et konsept for prediksjonsvedlikehold av transformatorer tar utgangspunkt i bruken av IFS IoT Business Connector. Ved å knytte sammen vedlikeholdsdata og kontinuerlige tilstandsdata kan Statnett benytte informasjonen til å målrette bruken av GE M2 Hydran, spesielt mot transformatorer med kritiske feil på innvendige enheter. Konseptet ventes å kunne bidra til en forbedret vedlikeholdsstyring ved at Statnett kan avdekke flere av feilene på innvendige enheter på et tidlig tidspunkt. Dette vil legge til rette for at Statnett kan gjøre en mer optimal vedlikeholdsplanlegging samt å iverksette forebyggende tiltak ut ifra reelle behov.

Gjennom det foreslåtte konseptet ventes Statnett å kunne redusere antall feil på transformatorer i det norske kraftnettet. Færre feil vil øke leveringspåliteligheten, samtidig som sviktkonsekvensene i form av nedetid, ILE og KILE reduseres. Konseptet vil gi Statnett bedre forutsetninger for å opprettholde driftssikkerheten og øke tilgjengelighet i sentralnettet, for på den måten å oppnå sitt hovedmål for vedlikeholdet. I tillegg antas målrettet bruk av GE M2 Hydran å være mer kostnadseffektivt enn dagens bruk. Konseptet for prediksjonsvedlikehold av transformatorer er i tråd med SAMBA, BUDV og systematisk kvalitetsarbeid for reduksjon av KILE.