IoT til energistyring: op til 6% stigning i energiproduktionen

Innowise har udviklet en specialløsning til energisektoren, som overvåger vindmøller og styrer energiproduktionen.

Kunde

Industri

Region

USA

Kunde siden

2021

Vores kunde er en fremtrædende aktør i sektoren for vedvarende energi med særligt fokus på vindkraft. De administrerer en lang række vindmøller på tværs af forskellige regioner og forsyner lokale borgere og fremstilling faciliteter med elektricitet. Detaljerede oplysninger om klienten kan ikke videregives i henhold til bestemmelserne i NDA.

Udfordring

Strømafbrydelser og dyre reparationer for kundens vindmøllepark

Området for vedvarende energi, især vindkraft, er dynamisk og kræver permanent innovation for at sikre maksimal effektivitet og oppetid. Vores kunde har arbejdet inden for dette område i over 20 år og har oplevet mange uventede nedbrud, som har resulteret i strømafbrydelser og dyre reparationer. Med ambitiøse udvidelsesplaner søgte de IoT energiløsninger til at overvåge vindmøllens ydeevne i realtid og forhindre funktionsfejl gennem intelligent ML-algoritmer. Kunden gav Innowise til opgave at udvikling af en IoT for en energistyringsløsning, der kunne tilbyde realtidsovervågning og forudsigelig analyse for at sikre, at deres vindmøller fungerer effektivt og sikkert døgnet rundt.

Løsning

IoT-energistyringsløsning, der forudsiger energiproduktion og forhindrer fejl

Baseret på kundens krav og forventninger, Innowise kom op med en IoT- og ML-drevet løsning, der forudsiger energiproduktion baseret på oplysninger fra meteorologiske sensorer og turbiner. Vores projektteam udviklede en avanceret platform, der tilbyder realtidsinformation om hver enkelt vindmølles status, hvilket gør det lettere at træffe beslutninger med det samme og reagere på driftsmæssige signaler uden forsinkelse.

Programmerbare logiske controllere (PLC)

Som hjørnesten i automatiseringen brugte vi PLC'er til at indsamle data fra sensorer, der var installeret overalt i vindmøllerne. Disse sensorer måler en lang række driftsparametre såsom vindhastighed, møllens omdrejningshastighed, temperatur, vibrationsniveauer og drejningsmoment. Ved at behandle disse data giver PLC'erne et nøjagtigt billede i realtid af vindmøllens ydeevne, opdager fejl og analyserer energiproduktionens effektivitet.

Sensorindikatorer, der afviger fra foruddefinerede tærskler - som en uventet temperaturstigning eller et vibrationsniveau - signalerer potentielle problemer som mekanisk slid, behov for smøring eller komponentfejl. PLC'er genkender til gengæld disse mønstre og udløser alarmer eller lukker møllen ned for at forhindre skader. Desuden registrerer PLC'er effektdata og analyserer dem sammen med vindforholdene for at afgøre, om møllerne genererer strøm effektivt. Derefter markerer de en anomali, hvis vindhastigheden er optimal, men energiudbyttet er under tærsklen, hvilket indikerer et problem som forringelse af vingerne, forkert justering osv. Gennem PLS-aktiveret rettidig vedligeholdelse og forebyggelse af funktionsfejl sikrer en velafbalanceret energiproduktion udstyrets levetid.

Datasøen

Da vores kunde har dusinvis af vindmøller spredt over forskellige regioner, fik vores udviklere til opgave at bygge en robust datasø til at gemme massive hændelsesdrevne meddelelser. Vi skabte et centralt lager, hvor data fra alle møllerne, uanset geografisk placering, indsamles og lagres. Dette omfatter ikke kun strukturerede data, men også ustrukturerede og semistrukturerede data som logfiler, sensoraflæsninger, billeder og meget mere. IoT-specialister sikrede, at alle datanuancer blev bevaret, hvilket gav mulighed for mere detaljerede analyser og reducerede risikoen for datatab.

Vores projektteam aktiverede også samtidig databehandling på tværs af flere noder. Det betyder, at store datasæt kan behandles parallelt, hvilket fremskynder analyse- og rapporteringsopgaver betydeligt. Det er afgørende for prædiktiv vedligeholdelse, hvor tidsfølsom indsigt kan forhindre kostbar nedetid og pludselige nedbrud på vindmøllerne. De data, der skal analyseres, hentes fra PLC'erne og lagres og behandles derefter af AWS IoT Core- og Lambda-funktioner.

Visualisering af data

Til visualisere datavalgte vores projektteam levende Grafana-dashboards. Vi oprettede dashboards bestående af forskellige visuelle elementer, der var skræddersyet til behovene i IoT-energistyring. Resultatet er, at driftsledere f.eks. kan få et overblik over møllens ydeevne i realtid, mens vedligeholdelsesteams kan se mere detaljeret på indikatorer for slitage med Grafana.Lineære diagrammer viser således tendenser over tid, som f.eks. strømudbytte i løbet af dagen. Kortdiagrammer giver geografiske visualiseringer af møllernes placering, så man hurtigt kan få et overblik over hele vindmølleparkens status. Tidsserier forudsiger fremtidige tendenser baseret på tidligere og nuværende data, hvilket er vigtigt for planlægning og prognoser. Histogrammer viser fordelingen af specifikke variabler, f.eks. vindhastigheder eller turbineoutput, hvilket er nyttigt til statistisk analyse. Endelig lægger geomaps yderligere data på geografiske kort, f.eks. vejrmønstre, for at måle indflydelsen af ugunstige vejrforhold.Alt i alt får kunden en gennemsigtig og informativ visualisering af IoT-data, som det er nemt at fortolke og handle på. Ved hjælp af farvekodede indikatorer kan en vedligeholdelsestekniker f.eks. nemt få øje på en turbine, der arbejder uden for sit optimale område, og træffe proaktive foranstaltninger for at eliminere fejlfunktionen.

Analytiske rapporter

Desuden sørgede vores ingeniører for, at den IoT-drevne platform genererer analytiske rapporter, der giver omfattende indsigt i vindmøllernes ydeevne. Disse data hjælper med at identificere, hvilke møller der fungerer godt, og hvilke der kan kræve vedligeholdelse eller justeringer. Derudover bruger det IoT-baserede system historiske data og realtidsdata til prædiktiv vedligeholdelse for at forudsige fremtidige resultater under forskellige forhold. På den måde anbefaler det, hvornår man skal planlægge vedligeholdelse eller optimere driften uden at vente på, at der opstår et problem.

Ved at analysere præstationstendenser og eksterne faktorer som vejrforhold foreslår systemet desuden scenarier, hvor IoT-energistyring kan optimeres. For eksempel foreslår det måder at optimere energiforbruget på, reducere ekstraudgifter, bestemme de ideelle tidspunkter for høst af vindenergi, styre lagring effektivt, sælge overskydende energi tilbage til nettet og strømline vedligeholdelsesprocedurer.

Forudsigelse af fejl

Ved hjælp af data science (DS) og machine learning operations (MLOps) har vi udviklet en forudsigelsesmodel, der analyserer forskellige faktorer, der påvirker turbinens sundhed, f.eks. vibrationsniveauer, temperatur og præstationsmålinger. Denne model lærer løbende af indgående data, hvilket gør den i stand til at identificere mønstre, der går forud for udstyrsfejl. Når den opdager disse tidlige advarselstegn, udløser den et alarmsystem, så vedligeholdelsesteam kan løse problemer proaktivt, før de fører til nedbrud.

Teknologier og værktøjer

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

Database

PostgreSQL, AWS TimeStream

Visualisering

Grafana

Proces

At udvikle et brugerdefineret IoT-baseret system til overvågning og vedligeholdelse af vindmøller var en kompleks, men givende rejse. Vi begyndte med omfattende diskussioner med vores kunde for at forstå deres behov og udfordringer. Denne fase omfattede identifikation af de centrale funktioner, der kræves til IoT-systemet, såsom realtidsovervågning, fejlforudsigelse og dataanalyse.Med kravene i hånden udviklede vi en omfattende projektplan, der skitserede tidslinje, ressourcer, budget og risikostyringsstrategier. Vores udviklingsfase omfattede oprettelse af systemarkitekturen og brugergrænsefladen, herunder tilpassede algoritmer til dataanalyse, visualiseringer, prædiktiv vedligeholdelse og integrerede PLC'er og AWS IoT Core. Agile metoder gjorde det muligt for os at tilpasse os hurtigt og effektivt til ændrede krav og feedback gennem hele projektet. Regelmæssige stand-ups, sprint-reviews og retrospektiver var en integreret del af vores proces, hvilket skabte et samarbejdsorienteret og dynamisk arbejdsmiljø. Denne tilgang gjorde det muligt for os at levere et skræddersyet, robust og effektivt IoT-baseret system, der passede perfekt til vores kundes unikke behov.Fra nu af leverer Innowise vedligeholdelse og support efter frokost, retter mindre fejl og udsender regelmæssige opdateringer.

Hold

Projektleder

Forretningsanalytiker

Løsningsarkitekt

Front-end udvikler

Back-end-udviklere

Indlejret udvikler

ML-udvikler

DE-udvikler

DevOps

QA Engineers

Interessenternes SMV'er

Resultater

18% reduktion i vedligeholdelses- og reparationsomkostninger med IoT- og ML-drevet system

Innowise har bygget et IoT- og ML-drevet skalerbart system, der forudsiger energiproduktion baseret på et system af programmerbare logiske controllere. Vi har udviklet en sofistikeret platform, der indsamler kritiske oplysninger fra vindmøllerne, vurderer deres ydeevne og giver nøjagtig indsigt til informeret beslutningstagning. På baggrund af disse oplysninger kan kundecheferne overvåge møllernes tilstand i realtid og foreslå scenarier for at optimere energiproduktionen og reducere overflødige udgifter. På grund af ML-algoritmer forudsiger vores banebrydende løsning elproduktion baseret på vejrprognoser og akkumulerede analyser. Desuden bestemmer den det bedste tidspunkt at lukke vindmølleparker ned og udføre vedligeholdelse i overensstemmelse hermed. Dette er især vigtigt for vindmøller i fjerntliggende eller barske miljøer, hvor reparationer kan være udfordrende og dyre.

Projektets varighed

September 2021 - Løbende

op til 6%

øget energiproduktion

18%

reduktion af vedligeholdelses- og reparationsomkostninger

kritiske trusler forhindret

Relaterede sager

Kontakt os

Book et opkald eller udfyld formularen nedenfor, så vender vi tilbage til dig, når vi har behandlet din anmodning.

Navn

Virksomhed

E-mail

Telefon

Besked

Send os en talebesked

Vedhæft dokumenter

Upload fil

Du kan vedhæfte 1 fil på op til 2 MB. Gyldige filformater: pdf, jpg, jpeg, png.

Ved at klikke på Send accepterer du, at Innowise behandler dine personlige data i henhold til vores Politik for beskyttelse af personlige oplysninger for at give dig relevante oplysninger. Ved at indsende dit telefonnummer accepterer du, at vi kan kontakte dig via taleopkald, sms og beskedapps. Opkalds-, besked- og datatakster kan være gældende.

Du kan også sende os din anmodning
til contact@innowise.com

Hvad sker der nu?

Når vi har modtaget og behandlet din anmodning, vender vi tilbage til dig for at beskrive dine projektbehov og underskriver en NDA for at sikre fortrolighed.

Når vi har undersøgt dine ønsker, behov og forventninger, udarbejder vores team et projektforslag med forslag med arbejdets omfang, teamstørrelse, tids- og omkostningsoverslag.

Vi arrangerer et møde med dig for at diskutere tilbuddet og få detaljerne på plads.

Til sidst underskriver vi en kontrakt og begynder at arbejde på dit projekt med det samme.

IoT til energistyring: op til 6% stigning i energiproduktionen

Kunde

Udfordring

Strømafbrydelser og dyre reparationer for kundens vindmøllepark

Løsning

IoT-energistyringsløsning, der forudsiger energiproduktion og forhindrer fejl

Programmerbare logiske controllere (PLC)

Datasøen

Visualisering af data

Analytiske rapporter

Forudsigelse af fejl

Teknologier og værktøjer

Proces

Hold

Resultater 18% reduktion i vedligeholdelses- og reparationsomkostninger med IoT- og ML-drevet system

Relaterede sager

Kontakt os

Hvad sker der nu?

Brug for andre tjenester?

Abonner til vores nyhedsbrev

Resultater

18% reduktion i vedligeholdelses- og reparationsomkostninger med IoT- og ML-drevet system

Abonner
til vores nyhedsbrev