dc.description.abstract | Se ha realizado este TFM perteneciente al itinerario de investigación del Máster de Organización Industrial y
Gestión de Empresas (MOIGE) de la Universidad de Sevilla. Se titula “Predicción de Salud de Activos
Eléctricos mediante Redes de Petri”, y está relacionado con las materias impartidas en las asignaturas de
Mantenimiento y de Sistemas Inteligentes de Mantenimiento [1], abordando la necesidad de profundizar en
nuevas líneas de investigación relacionadas con la ingeniería de fiabilidad y riesgo aplicada a la gestión de
activos en los sistemas eléctricos de potencia (a los activos físicos de ámbito eléctrico), y el uso de herramientas
de evaluación de la salud de los activos, basadas en modelos dinámicos probabilísticos.
El suministro de energía eléctrica es un bien esencial que requiere de una compleja infraestructura de
activos industriales, que suele caracterizarse por una distribución geográfica de activos eléctricos a lo largo de
los territorios por donde transcurren las redes eléctricas.
Las empresas eléctricas que se dedican al negocio de la distribución de energía eléctrica (empresas
distribuidoras de electricidad) están reguladas por el sector eléctrico, y reciben una retribución anual que
depende de varios factores, entre los que se encuentran: por las inversiones realizadas, por operación y
mantenimiento (tanto en instalaciones existentes como en nuevas instalaciones), y una serie de incentivos y
penalizaciones que dependen de la calidad de servicio, de la reducción de pérdidas, de la reducción del fraude,
y recientemente, se ha incorporado un nuevo término retributivo denominado parámetro REVU [2], que
incentiva la extensión del funcionamiento de aquellas instalaciones que hayan superado su vida útil
regulatoria.
Las empresas distribuidoras de electricidad se enfrentan actualmente a importantes retos e
incertidumbres. Para poder hacerles frente están empezando a adoptar buenas prácticas estandarizadas,
relacionadas con la gestión de activos de acuerdo con la norma internacional ISO 55001:2015 de Gestión
de Activos [3], renovando sus procesos y actividades, e implantando sistemas empresariales de gestión de
activos. Esto les permite optimizar sus recursos mediante una toma de decisiones informada y basada en el
equilibrio entre los costes, el riesgo asumido y el rendimiento, con objeto de obtener el máximo valor de sus
activos no sólo en su fase de operación, sino contemplando todo el ciclo de vida de sus activos: adquisición,
puesta en servicio, operación, mantenimiento, y desincorporación. Según el nuevo enfoque de gestión, no se
trata sólo de mantener los activos, sino que hay que saber focalizar de forma objetiva qué activos requieren
más atención (estrategia focalizada), y qué tipos de acciones se deben tomar sobre ellos, con objeto de
maximizar el valor de los activos durante todo su ciclo de vida.
Con la finalidad de maximizar el valor de los activos durante todo el ciclo de vida, se está extendiendo el uso
en los últimos años de una herramienta alternativa al cálculo del coste del ciclo de vida (LCCA), que permite
calcular el fin de la vida útil de un activo mediante una metodología distinta que consiste en el cálculo de
métricas de índices de salud (AHI, por las siglas en inglés de “Asset Health Index” [4]). Las métricas AHI
son herramientas que permiten a los gestores de activos poder cuantificar numéricamente la salud general de
los activos industriales, y utilizar esta información como soporte para justificar técnica y económicamente sus
planes de inversiones y programas de mantenimiento, clasificando a los activos en distintos niveles de índices
de salud (saludables y no saludables). La importancia de implementar el uso de métricas AHI consiste en que
además de emplearse para obtener el índice de salud de un activo industrial, desde un punto de vista
estratégico, añade ventajas competitivas a las organizaciones, ya que pueden utilizarse como una nueva
herramienta que permite aprovechar las nuevas tecnologías (sensorización, captura de datos, monitorización
online, “IoT”, etc.), el conocimiento del negocio (experiencia y recomendaciones de expertos de la organización)
y la analítica de los datos (análisis de datos históricos, uso de algoritmos de big data, aprendizaje automático y
“machine learning”, etc.) de los activos industriales de una empresa para poder dirigirla y guiarla en la toma de
decisiones de una manera efectiva, eficiente y más inteligente, enfocada hacia el valor, de acuerdo con una
filosofía de empresa “data driven” basada en la inteligencia de datos.
x
El motivo de interés de este TFM se centra en el desarrollo mediante Python de una herramienta
informática de gestión de activos de una empresa distribuidora de energía eléctrica, que podrá ser utilizada
en las fases 6 y 7 del modelo de gestión de mantenimiento (MGM) [5], para calcular la disponibilidad,
fiabilidad, mantenibilidad (RAM) e índice de salud (“Health”) de un activo eléctrico para un horizonte de
simulación determinado, teniendo en cuenta el estado de condición y degradación. A esta herramienta se le ha
denominado predictor ‘RAMH’, por ser el nombre de las iniciales de las principales variables de salida que
obtiene. Al obtener una predicción de las variables ‘RAMH’, se dispone de valiosa información para realizar
una gestión más eficaz y eficiente del ciclo de vida de los activos, al poder estimar la empresa distribuidora de
energía eléctrica el intervalo de aplicación del parámetro REVU que incrementa su retribución recibida, en
relación a los años de extensión de vida útil de los activos que superan su vida útil regulatoria.
La herramienta ‘RAMH’ desarrollada se enfoca en el activo más importante y crítico del subsistema eléctrico
de distribución: el transformador de potencia. Integra un modelo de comportamiento dinámico del sistema
“transformador de potencia” de eventos discretos realizado mediante redes de Petri estocásticas (SPN)
soportadas a través de la simulación Monte Carlo (MCS) para poder realizar una simulación histórica
de las variables ‘RAMH’, teniendo en cuenta los siguientes estados y consideraciones:
• los posibles estados operacionales de funcionamiento e indisponibilidad, por mantenimiento
preventivo, por avería, etc.
• Los posibles eventos de fallos estocásticos o fallos aleatorios de un componente del transformador al
originarse un modo de fallo, o al producirse la desenergización o el disparo de las protecciones del
transformador debido a un fallo o causa común, como: una perturbación externa, el sabotaje de un
activo, un posible error operativo debido a una maniobra telemandada desde el centro de control, la
manipulación indebida de circuitos de control en otros activos de la misma instalación, etc.).
• Las posibles intervenciones de reparación (mantenimiento correctivo) para devolver el activo a la
condición deseada y las diversas políticas de mantenimiento que pudieran plantearse, como: no tener
en cuenta la condición del activo y operar hasta el fallo, realizar mantenimiento preventivo programado
a intervalos constantes de tiempo, o bien, realizar mantenimiento preventivo basado en la condición de
salud del activo, etc.
Se pretende analizar también el impacto de las distintas políticas de mantenimiento de un activo en cuanto
a la mejora de las variables ‘RAMH’.
Con la aplicación y uso de la herramienta de predicción desarrollada, se facilita la toma de decisiones de los
responsables de activos de distribución de energía eléctrica, sobre las políticas de mantenimiento y la renovación
de aquellos activos eléctricos que están cerca de cumplir o que ya han cumplido su vida útil, permitiendo alargar
la vida útil de aquellos activos con objeto de incrementar el intervalo de aplicación del parámetro retributivo
REVU, que incentiva la extensión de la vida útil de los activos. | es |