Conditie gebaseerd onderhoud/vervanging
De grote toename van o.a. decentrale opwek en EV (Electric Vehicles) in de midden – en laagspanning, zorgen ervoor dat assets, zoals distributie-transformatoren en ondergrondse kabels, in het net het zwaarder krijgen. Dit wordt o.a. veroorzaakt door grotere – en meer wisselende belasting/opwek. Daarnaast zijn sommige assets zodanig op leeftijd dat er goed gekeken moet worden of deze assets nog voldoende betrouwbaar en inzetbaar zijn.
Daarom is een van de focus-gebieden, die veel aandacht vragen van de netbeheerders, conditie-gebaseerd onderhoud en – vervanging. Deze benadering is fundamenteel anders dan de meer traditionele aanpak waar wordt gewerkt met vaste tijdsintervallen/draaiuren voor onderhoud of maximaal aantal jaren/draaiuren voor vervanging. Denk bijvoorbeeld aan een auto die na 30.000km een onderhoudsbeurt nodig heeft of na 150.000 wordt vervangen.
Conditie-gebaseerd onderhoud/vervanging betekent dat er d.m.v. data en kennisregels wordt bepaald of een component moet worden onderhouden of moet worden vervangen. Bijvoorbeeld, wanneer de temperatuur van een component voor een bepaalde periode boven een drempel waarde komt, detecteert een algoritme dit en stuurt vervolgens een bericht naar de bedrijfsvoerders. De bedrijfsvoerders kunnen dan besluiten om op locatie aanvullende metingen te verrichten.
De conditie-gebaseerde benadering vereist wel dat de metingen veel frequenter (bijvoorbeeld realtime) wordt uitgevoerd. Daarnaast moeten er drempelwaarden bekend zijn (kennisregels) die als trigger kunnen dienen om de metingen in te delen in de verschillende conditie groepen. De conditie groepen kunnen zowel ordinaal (bijvoorbeeld “slecht”, “matig”, “goed”) als ook numeriek (0-100%) worden weergegeven. Steeds vaker wordt de conditie van een asset in de literatuur omschreven als de “health” van een asset.
Dashboard voor het continu bepalen van de restlevensduur
In olie-gekoelde distributietransformatoren betekent dit concreet dat door een hogere belasting, de top-olietemperatuur en hotspottemperatuur stijgen en daardoor het isolerende papier sneller veroudert (dit is een onomkeerbaar proces). De ultieme consequentie is dat daardoor de spanning in de transformator doorslaat, er een interne sluiting plaatsvindt en dat vervolgens de transformator niet meer bruikbaar is.
Binnen Infiniot hebben wij een demo-dashboard gebouwd die o.a. de hotspottemperatuur van een distributie-transformator vertaalt naar een relatieve LOL (Loss of Life) en vervolgens naar een relatieve RL (Remaining Life). Het dashboard zelf is gebouwd in Grafana met InfluxDB als onderliggende database. Het Loading Guide algoritme zelf is geschreven in Python.
De RL kan verkregen worden door de LOL af te halen van de EL (Expected Life) en is erg informatief: wanneer de hotspottemperatuur boven een bepaalde drempelwaarde uitkomt, veroudert de transformator sneller waardoor de LOL groter en de RL kleiner is dan wat verwacht mag worden bij nominaal gebruik. In de praktijk is de hotspottemperatuur niet goed direct te meten maar wordt vaak via de IEC 70067 Loading Guide afgeleid van o.a. de top-olie temperatuur en de belasting i.c.m. transformator thermische parameters.
Wanneer de RL zodanig is dat de veroudering te snel gaat (dus een bepaalde drempelwaarde overschrijdt), kan er automatisch een alert worden verstuurd naar de operator. Deze kan dan besluiten om ter plekke een oliemonster te nemen om o.a. de kwaliteit van het papier te bepalen (de DP –degree of polymerisationwaarde).
Brede toepassing
Hoewel de RL analyse met name voor transmissie-transformatoren wordt gebruikt (gezien de vele male grotere CAPEX en OPEX dan distributie-transformatoren), is deze analyse mogelijk ook zeer interessant voor distributie-transformatoren die zwaar worden belast zoals te vinden in bijvoorbeeld grote industrieën, spoorwegen-tractie, locaties met veel decentrale opwek en EV-laadstations. Dit wordt met name interessant wanneer dit relatief goedkoop en (near) realtime kan plaatsvinden middels een PT100 weerstandsthermometer (om de top-olie temperatuur te meten) i.c.m. met een relatief eenvoudig Loading Guide algoritme.
Momenteel ben ik werkzaam binnen het Stedin Innovatielab, waar de digitalisering van metingen en de analyses van de meetdate, een belangrijke rol spelen. Deze stap is noodzakelijk om o.a. steeds meer richting conditie-gebaseerd onderhoud te gaan.
