Predicción de Salud de Activos Eléctricos mediante Redes de Petri

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.