Gerenciamento e manutenção aprimorados de ativos de serviços públicos usando tecnologias AWS IoT e GenAI

Espera-se que o consumo médio mundial de eletricidade pelas famílias aumente cerca de 75% entre 2021 e 2050 (Relatório ExxonMobil, 2024) . Espera-se que a adoção de veículos elétricos (VE) impulsione 38% do aumento da demanda doméstica de eletricidade até 2035 (Ross Pomeroy – Ciência RealClear). Além disso, implantações de Recursos Distribuídos (DER), como sistemas solares FotoVoltaicos (PV), aumentarão a complexidade da infraestrutura para serviços públicos. Todos esses fatores podem colocar uma grande pressão na rede elétrica de serviços públicos.

As concessionárias estão começando a usar tecnologias de Web das Coisas (IoT) baseadas em sensores inteligentes para monitorar ativos de serviços públicos, como transformadores elétricos. Esses sensores também podem detectar problemas com a qualidade da energia e linhas de transmissão e distribuição subjacentes. Para desenvolver uma solução de IoT sustentável e escalável para concessionárias, é essencial coletar, gerenciar e processar grandes volumes de dados de maneira oportuna e segura. Esses dados podem então ser analisados ​​para fornecer insights significativos usando tecnologias de inteligência synthetic (IA) e aprendizado de máquina (ML), por exemplo, IA generativa (GenAI). Este weblog descreve como coletar e analisar dados de serviços públicos com serviços da AWS, como Núcleo de IoT da AWS, Transmissão de dados do Amazon Kinesis, Séries temporais da Amazone Amazon DynamoDB. Também usamos o monitoramento de transformadores como exemplo para ilustrar um fluxo de dados de ponta a ponta.

Desafios atuais no monitoramento de um transformador

Os transformadores desempenham um papel very important na distribuição residencial de energia, reduzindo com eficiência os níveis de alta tensão para níveis mais seguros e utilizáveis. Eles permitem o fornecimento confiável e seguro de eletricidade para nossas casas, promovendo a eficiência energética e reduzindo a perda de energia durante a transmissão. Os transformadores de distribuição são projetados e classificados para funcionar em faixas específicas de carga e temperatura. Quando a temperatura operacional interna excede as faixas especificadas por longos períodos de tempo, esses transformadores podem ser danificados e interromper a rede de fornecimento elétrico. Isso também pode causar aumento no custo de manutenção e frustração do cliente. Pior ainda, pode causar incêndios e colocar em risco o entorno.

O número de transformadores aumenta com o tamanho da empresa de serviços públicos e sua população de serviços. Grandes serviços públicos podem operar centenas de milhares de transformadores. Para cobrir sua área de serviço, os transformadores são distribuídos por suas regiões geográficas. Manter e substituir transformadores representa uma parte importante do orçamento operacional e do investimento de capital da empresa de serviços públicos. É essential monitorar as condições operacionais dos transformadores de distribuição, como temperatura interna e carga. Se um problema for detectado, a solução deve gerar alarmes em tempo hábil.

No entanto, monitorar um grande número de transformadores de distribuição é uma tarefa complexa. A AWS oferece serviços para atender aos requisitos do seu negócio. Para transformadores de pequeno a médio porte com um número limitado de pontos de medição, Núcleo de IoT da AWS é uma boa opção. Para transformadores grandes e complexos, você pode usar SiteWise da AWS IoT e AWS IoT TwinMaker para modelar e monitorar o ativo digital. Além disso, você pode aplicar Machine Studying (ML) para analisar os dados e detectar potenciais problemas comportamentais para manutenção preditiva eficaz.

Visão geral da solução

O diagrama a seguir ilustra a arquitetura proposta para monitoramento e análise de temperatura de transformador. Inclui: detecção e coleta de dados, transmissão, processamento de dados, armazenamento, análise, AI/ML e apresentação de dados.

Detecção e coleta de dados: Existem diferentes transformadores que têm propósito, tamanho e capacidades específicos. Esses transformadores exigem diferentes sensores para medir parâmetros de dados, como temperatura do transformador, temperatura ambiente, vibração e carga. Esses sensores devem ter um bom equilíbrio entre precisão de medição, custo de coleta de dados e vida útil da bateria, quando aplicável.

Comunicação do sensor: Dependendo do transformador, os sensores podem ser instalados na subestação, postes de serviços públicos e locais remotos. É importante que os sensores do transformador suportem diversas redes de comunicação (multicanal), incluindo LoRaWANcelular 4G/5G ou mesmo comunicação through satélite. A comunicação pode ser facilitada por serviços da AWS, como AWS IoT Core para LoRaWAN e AWS IoT Core para Amazon Sidewalk.

Transmissão de dados do sensor:AWS IoT Core é um serviço de nuvem gerenciado que permite aos usuários usar o transporte de telemetria de enfileiramento de mensagens (MQTT) para conectar, gerenciar e interagir com segurança com sensores de transformadores. O AWS IoT Guidelines Engine processa mensagens recebidas e pode oferecer suporte a dispositivos conectados para interagir perfeitamente com os serviços da AWS. É recomendável armazenar dados brutos para fins de auditoria e análise subsequente. Para fazer isso, você pode usar Amazon Information Firehose para capturar e carregar dados de streaming em um Serviço de armazenamento simples da Amazon (Amazon S3) balde.

Processamento de dados do sensor:Quando os dados chegam ao AWS IoT Core, um AWS Lambda a função pré-processa a mensagem quase em tempo actual. Este pré-processo take away dados indesejados, converte leituras do sensor em medições utilizáveis ​​e formata os dados brutos do sensor em uma mensagem padrão. Esta mensagem padronizada é então enviada para Fluxo de dados do Amazon Kinesis para posterior processamento a jusante através de Serviços sem servidor AWS. Este fluxo segue as melhores práticas da AWS descritas no modelo de arquitetura orientado a eventos.

Os itens a seguir fornecem exemplos de processamento de mensagens:

• Alertas quase em tempo actual: Esses alertas indicam que o transformador pode estar superaquecido ou sob certas condições anormais. O Lambda identifica problemas e gera alertas se as leituras estiverem fora de um limite específico. Esta notificação é enviada para Serviço de notificação simples da Amazon (Amazon SNS). O serviço Amazon SNS emite e-mails ou mensagens SMS para notificar operadores/engenheiros sobre intervenção humana. Com base no Orientação IEEE modelo, a função Lambda compara as medições de temperatura quase em tempo actual com os valores calculados que são baseados no modelo do transformador, carga e temperatura ambiente. Um alerta é criado quando a temperatura do transformador está fora dos parâmetros esperados.
• Armazenamento de dados do sensor do transformador de séries temporais: Esses dados são processados ​​por funções Lambda e armazenados no Amazon Timestream. O Amazon Timestream é um serviço de banco de dados de séries temporais gerenciado e desenvolvido especificamente para facilitar o armazenamento e a análise de bilhões de eventos por dia. Ele foi projetado especificamente para resolver casos de uso de séries temporais e tem mais de 250 funções integradas usando consultas SQL padrão, o que facilita a dor de escrever, depurar e manter milhares de linhas de código.

Interação do usuário através do GenAI: GenAI através Base rochosa da Amazônia pode detectar desvios comportamentais em equipamentos e prever falhas potenciais. O GenAI também pode gerar vários relatórios detalhados, incluindo a identificação de regiões com maior risco de incêndio ou falta de energia. Essas previsões permitem que engenheiros e técnicos acessem rapidamente informações técnicas sobre transformadores e recebam as melhores práticas para reparo e manutenção. Com esses recursos avançados de análise, o sistema pode abordar problemas proativamente antes que eles levem a interrupções de serviço.

Painéis e relatórios: A AWS fornece diferentes serviços para você visualizar séries temporais de transformadores ou dados de eventos e dados com um determinado período de tempo, como tendência geral e porcentagem de superaquecimento. Esses serviços incluem Amazon gerenciou Grafana, Amazon Q no QuickSight, e Amazonas Q. O Amazon Managed Grafana é um serviço totalmente gerenciado baseado no Grafana de código aberto que facilita para os usuários visualizar e analisar dados operacionais em escala. O Amazon QuickSight é uma solução de enterprise intelligence (BI) e o Amazon Q fornece novos recursos de BI generativos por meio de resumos executivos, exploração de dados em linguagem pure e narrativa de dados.

Manutenção preditiva: Capturar falhas de equipamento conforme elas acontecem é essential. No entanto, tomar medidas proativas para prever falhas antes que elas se manifestem é ainda mais importante. A manutenção proativa ajuda a minimizar o tempo de inatividade não planejado e a reduzir os custos de manutenção. Amazon SageMaker ajuda a capacitar empresas a alavancar ML e análise preditiva para monitorar a saúde do equipamento e detectar anomalias. Você pode desenvolver modelos personalizados ou utilizar os existentes do AWS Market para identificar anomalias e emitir alertas prontamente.

Outros serviços: A história não termina aqui, quando um transformador superaquecido é identificado, uma ordem de serviço pode ser criada e emitida para o aplicativo SAP. O tíquete de reparo/substituição pode então ser criado e rastreado, e a IA generativa pode criar etapas detalhadas para solucionar problemas e concluir o reparo.

Conclusão

A crescente demanda por eletricidade e a crescente complexidade da rede elétrica apresentam desafios significativos para as concessionárias. No entanto, os serviços de IoT e análise da AWS oferecem uma solução abrangente para lidar com esses desafios. Ao aproveitar sensores inteligentes, diversas redes de comunicação, pipelines de dados seguros, bancos de dados de séries temporais e recursos avançados de análise, as concessionárias podem monitorar efetivamente a saúde dos ativos, prever falhas potenciais e tomar medidas proativas para manter a confiabilidade da rede.

A arquitetura descrita neste weblog demonstra como as concessionárias podem coletar, processar e analisar dados de transformadores quase em tempo actual, permitindo que identifiquem problemas rapidamente, gerem alertas e informem decisões de manutenção. A integração de IA generativa aprimora ainda mais os recursos do sistema, permitindo a geração de relatórios detalhados, insights técnicos e recomendações de manutenção preditiva. A mesma arquitetura pode ser usada para outros setores que precisam gerenciar e monitorar uma rede complexa e diversificada de ativos.

À medida que a rede elétrica evolui para acomodar a crescente demanda por eletricidade e recursos de energia distribuída, incluindo o crescimento de fontes de energia renováveis ​​como eólica e photo voltaic, esta solução com tecnologia AWS pode ajudar as concessionárias e permanecer à frente da curva, otimizando o gerenciamento de ativos, melhorando a eficiência operacional e garantindo um fornecimento de energia sustentável e confiável para seus clientes. Ao adotar o poder da IoT e da IA/ML, as concessionárias podem transformar suas operações e atender melhor suas comunidades nos próximos anos.