Kuvittele suuri kirjasto, jossa on miljoonia kirjoja. Ilman mitään järjestelmää tai apuvälineitä olisi hyvin vaikeaa löytää yksittäistä kirjaa. Analytiikan avulla on mahdollista seuloa tämänkaltaisen valtavan tietomäärän läpi ja löytää yksittäinen tai eri lähteistä koottu tieto tehokkaasti. Samalla tavalla analytiikkaa voidaan käyttää apuvälineenä sähköverkkojen tarkastuksissa.
Analytiikasta apua nopeaan vianpaikannukseen
Yksi suurimmista haasteista sähköverkkotoiminnassa on vikojen nopea paikantaminen ja korjaaminen häiriötilanteissa. Vikoja paikannetaan maastossa yhä silmämääräisesti jalkapartioissa, mikä on aikaa vievää ja paljon manuaalista työtä vaativaa. Dronejen hyödyntäminen nopeuttaa korjauspartioiden toimintaa ja laserkeilaus mahdollistaa vikapaikkojen löytämisen pimeälläkin. Laserkeilaus on yksi tehokkaimmista tarkan tilannekartoituksen mahdollistavista menetelmistä. Keilaus tuottaa pistepilviä, jotka sisältävät miljoonia havaintoja. Tämä raaka data luokitellaan, jotta se on käyttökelpoista analytiikan kannalta. Tähän voidaan käyttää automaattisia luokittelumalleja, jotka vähentävät manuaalisen työn määrää ja parantavat analyysin tarkkuutta.
Tällä hetkellä kehitteillä on lisäksi tekoälymalleja, jotka pystyvät automaattisesti ehdottamaan mahdollisia vikapisteitä aiemman keilausdatan perusteella. Vikojen etsinnän voi silloin häiriön sattuessa kohdistaa näihin tunnistettuihin kohteisiin.
Tehokkaampaa kunnossapitoa
Analytiikka tarjoaa merkittäviä mahdollisuuksia myös sähköverkon kunnossapitoon: laserkeilaimella ja kameralla varustetuilla droneilla voidaan kartoittaa sähkölinjojen ja -komponenttien kuntoa tehokkaasti. Laserkeilausdatasta havaitaan jo linjoihin nojaavat puut ja aineistosta voidaan tehdä kasvillisuusanalyysi, joka havaitsee linjojen alta raivausta kaipaavaa aluskasvillisuutta sekä tunnistaa lähellä tai jopa kiinni linjassa olevaa oksistoa.
Droneilla kerätystä kuvamateriaalista voidaan tunnistaa vaurioituneita komponentteja, kuten rikkinäisiä orsia tai eristimiä. Keräämällä ja analysoimalla laadukasta dataa on voitu vähentää maastotarkastuksien tarvetta, tehdä ennakoivaa kunnossapitotyötä sekä saada keskenään vertailukelpoista dataa eri vuosien vertailuun.
Datan tuominen yhteen paikkaan: Evisionin jakeluverkon luotettavuusperusteinen hallintamalli
Analytiikka auttaa myös optimoimaan huoltotoimenpiteitä. Perinteisesti sähköverkkojen kunnossapitoa on tehty aikaperusteisesti, eli tietyistä alueista on huolehdittu aina tietyin väliajoin. Perinteisissä menetelmissä ei kuitenkaan pystytä kattavasti huomioimaan esimerkiksi linjojen ympäristön tai komponenttien vaikutuksia huolenpidon tarpeen määrään.
Tällaiselle perinteiselle aikaperusteiselle kunnossapidolle olemme kehittäneet nykyaikaisemman vaihtoehdon: luotettavuuteen perustuvassa mallissa jokaista verkonosaa voidaan käsitellä ennemmin sen ominaisuuksien perusteella ja kunnossapitotyötä voidaan siten priorisoida sitä tarvitseviin kohteisiin luotettavuutta hyödyntäen. Yleisimmin vikaantuvat alueet ja komponentit voidaan tunnistaa keräämällä ja analysoimalla vikatietoja, mikä auttaa kohdistamaan huoltotoimenpiteet tehokkaammin ja parantamaan koko verkon toimintavarmuutta.
Luotettavuutta mittaavan analytiikkatyökalun avulla kaikki haluttu data saadaan samaan ympäristöön, jolloin sitä voidaan käyttää tarkastuksien ja kunnossapidon suunnittelussa, mutta myös uusien investointien ja saneerauksien suunnittelun tukena. Varsinkin sähköverkon investoinneissa luotettavuus voi olla jatkossa merkittävä tekijä saneerattavien alueiden priorisoinnissa. Lue lisää Evisionin tarjoamasta hallintamallista ja sen hyödyistä.
