Comunicación presentada al VI Congreso Ciudades Inteligentes
Autores
- Ernesto Gámiz Martínez, Energy & Utilities: Business Engagement Manager, Everis
- Agustin Argelich Argerich, Energy & Utilities: Senior Business Consultant, Everis
Resumen
Son numerosos los casos de éxito en los que se están implementado los Digital Twins en el sector de Utilities para predecir situaciones adversas con gran antelación. Más allá del Big-Data, el Machine Learning o la mera explotación de datos, el concepto de generar una réplica virtual de un activo físico modelado a partir de datos reales de operación que simule el comportamiento de su homólogo, está afianzándose como tecnología dadas sus múltiples aplicaciones en este sector. Tal es el potencial de los Digital Twins, que se espera un crecimiento de esta tecnología del 40% para 2023. Si bien, hay varios retos como la validación de modelos y mantenimiento del proceso o amenazas de ciberseguridad que aún deben resolverse para consolidar esta tecnología como respuesta en el sector. Con el objetivo de acercar un poco más esta tecnología, se ha trabajado en un breve resumen sobre qué es un Digital Twin bajo el concepto de las redes eléctricas, se analizarán sus múltiples aplicaciones y algunos de los ejemplos más notables donde han sido implementados, se entrará en detalle de los tres elementos esenciales que conforman un Digital Twin y por último se dará una visión sobre su futuro en el entorno de las redes eléctricas.
Palabras clave
Digital Twins, Analítica, Mantenimiento Predictivo, Operación, Digitalización, Modelos, Algoritmos, Big Data
¿Qué es un digital twins, bajo el concepto de red eléctrica?
La disrupción tecnológica de los últimos años ha afectado a todo tipo de sectores e industrias, viéndose inmersos en un mundo digital, interconectado y con una cantidad de información imposible de imaginar.
La comprensión de los beneficios que pueden obtenerse del procesamiento y análisis de grandes volúmenes de datos ha lanzado a las empresas a la captura y monitorización de todos los datos disponibles implantando elementos de sensorización y capacidades de análisis complejas y sofisticadas. Las empresas de transporte y distribución son un ejemplo perfecto de esta transformación y evolución hacia la adquisición y uso de datos.
Es en este contexto, en el cual se busca ir más allá en la explotación de datos superando modelos de Machine Learning o Big Data, encontramos el nacimiento del concepto de Digital Twin (Gemelo Digital) que consiste en generar una réplica virtual de un activo físico y que simula el comportamiento de su homologo real, modelado a partir de los datos reales de la operación de dicho activo.
Estos modelos digitales, alimentados por los datos de la operación y las nuevas capacidades de sensorización haciendo uso del “Industrial Internet of Things” (IIoT), permiten estudiar y modelar el comportamiento de un activo físico, dando como resultado la capacidad de reproducir ese activo de manera digital, permitiéndonos probar hipótesis sobre el comportamiento en un entorno sin repercusiones en la operación. De esta manera se puede simular cualquier condición de operación y predecir el resultado con un alto grado de precisión, siendo capaces de observar segundo a segundo cómo se comportaría el activo de manera simulada en la vida real.
Resumiendo lo anterior, un Digital Twin es una manera de simular activos y procesos, en este caso el comportamiento de centros de transformación, subestaciones y redes, entre otros… permitiéndonos predecir y optimizar el desempeño de los mismos.
Ahora bien, existen dos grandes modelos de Digital Twins:
- Digital Twin Operativo: Es la primera fase de un Digital Twin. Esta base constituye una réplica de los activos que se asemeja en mayor o menor medida a la realidad dependiendo del nivel de sensorización que los activos físicos tengan. En este modelo de cuatro dimensiones (modelado CAD o 3D y las variables de sensorización ligadas a su operación), se logra visualizar el activo y determinar todos los factores relevantes en su ambiente de producción. De esta manera, se puede trabajar en agregar capas de información y datos que aporten visibilidad de estas variables, como puede ser el uso de drones con LiDAR, para mapearlos o para gestionar la vegetación, y digitalizar de esta manera las condiciones y el estado de los activos. En este punto, se incorporan herramientas de modelado que logran monitorizar el efecto de las variables en el comportamiento del activo, como puede ser el efecto de personas, clima, cadena de suministro, mantenimiento, entre otras… con este análisis de causa efecto, se pueden identificar cuellos de botella en los procesos y optimizarlos, logrando efectos positivos como la reducción del downtime operativo o la prevención de fugas.
- Digital Twin Predictivo: Este segundo tipo parte de la base de un Digital Twin Operativo. En este caso, se habilita un segundo modelo del activo (separado del primero), donde se incorporan capacidades de inteligencia artificial (AI) basadas en métodos estadísticos y en motores de reglas. De esta forma, se reconocen condiciones que inducen fallos o resultados no deseados y se generan soluciones que eviten que se susciten dichas condiciones. Las expresiones de aprendizaje, tanto supervisado como no supervisado, producen un valor predictivo y prescriptivo que ilustra los pasos a seguir para garantizar, por ejemplo, que un problema similar que podría haber provocado un fallo en un transformador no vuelva a ocurrir. El gran valor de estos modelos es que se nutren de información en tiempo real y contienen la experiencia de haber analizado cientos de situaciones, por lo que pueden predecir situaciones con un alto rango de probabilidad de ocurrencia con bastante tiempo de antelación. En la manufactura, un modelo de Digital Twin Predictivo puede pronosticar problemas con varios meses de antelación. En el ámbito de las redes eléctricas pueden predecir la probabilidad de ocurrencia de factores específicos para activos de manera individual.
¿Qué se puede hacer con un digital twin y qué ejemplos existen?
Quizá uno de los ámbitos más interesantes a estudiar cuando hablamos de Digital Twins es no sólo aquello que se ha hecho y lo que se podría hacer, sino aquellas cosas que se debieron de haber realizado mediante el uso de un Digital Twin. En este sentido, hay un caso particular que cobra relevancia debido a su actualidad y que supone una lección aprendida para cualquier empresa dedicada al transporte o la distribución de energía eléctrica: Los incendios de California en EEUU y la estrategia de mitigación mediante interrupciones en el suministro.
Quizá el primer problema que pueden solventar los Digital Twins, y por ende el primer caso de uso a presentar, es la capacidad de predecir fallos en la red. Debido a que estos modelos se encuentran alimentados por señales en tiempo real de diferentes factores, ya sean ambientales, meteorológicos o tecnológicos, se pueden realizar predicciones con alta probabilidad de ocurrencia y con una antelación de hasta 28 días.
Ante el acontecimiento de los incendios en California, la Utility que tuvo que dar respuesta fue PG&E. Su estrategia inicial fue realizar cortes generales de suministro para mitigar posibles incendios, dando como resultado un “blackout” de cinco días que afectó a alrededor de 2 millones de personas. Para reducir el efecto negativo de esta estrategia, PG&E decidió instalar más de 550 dispositivos que le permitiesen seccionar la red y realizar cortes de manera más selectiva, reduciendo el número de clientes afectados por esta estrategia de mitigación. Si bien es cierto que la capacidad de reconfigurar y realizar cortes con mayor precisión es un factor determinante para mitigar el impacto de esta estrategia, resulta más relevante mencionar que PG&E realizó un estudio para justificar sus llamados apagones.
Este estudio, integró más de 10 años de datos históricos y cerca de 20 años de datos de incendios forestales de sus análisis predictivos existentes, imitando un Digital Twin. El resultado fue una correlación entre las predicciones del análisis y los lugares de la red en donde las cuadrillas de PG&E descubrieron afectaciones en la vida real. En su momento PG&E utilizó dicho análisis para justificar los apagones como un medio efectivo de mitigación, sin embargo, bajo la opinión de otros expertos, la mejor estrategia hubiese sido optar por un Digital Twin desde el inicio.
Gestión del modelo de la red de transporte en Fingrid
Fingrid es el operador del sistema de Trasporte eléctrico de Finlandia, responsable de las operaciones y la planificación de más de 14.000 kilómetros de líneas de transmisión de 400, 220 y 110 kV y más de 100 subestaciones.
En la realización del ejercicio de planificación de futuras inversiones en redes, aproximadamente el 80% de esfuerzo se dedicaba a la recolección y verificación de los datos y únicamente un 20% al análisis de los mismos.
El cambio de escenario en la generación eléctrica, remplazando las centrales tradicionales por energías renovables como la solar y eólica, han provocado una descentralización de la producción de energía que junto con el envejecimiento de las herramientas de Fingrid ha hecho más difícil mantener la estabilidad de la red.
Para contrarrestar esta situación en 2016, Fingrid colaboró con Siemens para crear un modelo de red digital denominado ELVIS. Éste, habilita la gestión de activos y operaciones, así como la planificación de inversiones en infraestructura. Esta solución integra y combina en un único modelo los datos de múltiples fuentes de información como la gestión de activos, la incorporación de datos históricos y en tiempo real, agregar la información de estudios económicos, entre otros… Con estos elementos, Fingrid ha logrado pronosticar de manera más precisa el consumo de energía futuro y elaborar diferentes escenarios de planificación.
En la actualidad el Digital Twin de Fingrid permite ahorrar el tiempo y dinero que originalmente era invertido en mantener manualmente un modelo menos eficiente. Respecto a la situación inicial, el proceso de recopilación y verificación de datos no requiere más del 20% del tiempo en su total, dejado el 80% restante para la realización de un análisis más profundo mediante la simulación de múltiples escenarios.
En resumen, la integración de los datos en una única solución ha mejorado la precisión general y la consistencia de las acciones para la red de transporte. Siendo una base sólida para una futura toma de decisiones estratégicas y la digitalización de las operaciones.
Gestión del modelo de red de Transporte de American Electric Power (AEP)
AEP Transmission es una división de American Electric Power, y es la empresa responsable de operar la red de trasporte más grande de EEUU, con más de 40.000 millas de líneas (64.374 Km) que suministran a más de 5,4 millones clientes en 11 estados. Es la empresa responsable de la operación diaria, planificación y realización de las actividades de ingeniería y mantenimiento asociadas a la actividad de transporte y distribución en ciertos casos. Para la realización de cada una de estas actividades es necesario recopilar y tratar una gran cantidad de datos de múltiples sistemas tanto internos como externos.
En los últimos años, la red ha evolucionado significativamente incrementando su tamaño y complejidad lo que ha provocado que realizar la gestión sea cada día más complejo y demandante de recursos y tiempo. Este desafío se agrava al incluir la antigüedad de la infraestructura y la aplicación de nuevas medidas regulatorias.
Frente a esta situación y considerando las limitaciones organizativas y tecnológicas de AEP Transmission, se tomó la decisión de lanzar en 2015 una iniciativa con dos objetivos principales: Mejorar la coordinación y el flujo de información entre las unidades de negocio y centralizar la gestión de dicha información. Con estos objetivos, en 2017 AEP decide contar con la colaboración de Siemens para el diseño y desarrollo de la Electrical Networks Digital Twin. La nueva solución se basa en un modelo de información común (CIM) que permite visualizar, analizar, almacenar e intercambiar los datos que genera la red de Transporte.
- Con la implantación del Digital Twin, AEP Transmisión obtuvo los siguientes resultados:
- Reducción considerable del tiempo y de los costes asociados a las actividades manuales de tratamiento de datos y a la coordinación entre entidades tanto internas como externas.
- Implantación de una infraestructura y un modelo de gobierno del dato que provee de información de valor para la definición de la estrategia de inversiones en mantenimiento y expansión de la red.
- Dotar a AEP de una solución que facilite la activación e implantación de otras tecnologías digitales.
Optimizar el plan estratégico del mayor TSO de Europa
Siendo la única empresa de transporte de energía eléctrica en su país, la compañía, opera la red de transporte de electricidad más grande Europa con una red de más de 100.000 Km de líneas, 8.000 empleados y unos ingresos superiores a los 4MM€ anuales.
Este TSO tiene el desafío de mantener la eficiencia operativa a corto plazo para continuar las operaciones diarias dentro de las restricciones presupuestarias, regulatorias y ambientales existentes. Al mismo tiempo, el cambiante mercado de la energía, la llegada de recursos energéticos distribuidos y la necesidad de incorporar las energías renovables a una red construida a mediados del siglo pasado exigen una visión a largo plazo. Dada su responsabilidad, es necesario que la compañía trabaje de manera eficiente y acierte en las inversiones estratégicas a largo plazo para garantizar un buen servicio en el futuro, teniendo en cuenta las limitaciones presupuestarias establecidas.
- Para hacer frente a esta situación, la compañía ha optado por la implementación de un Digital Twin de la red de Transporte. Este proyecto se ha realizado de la mano de CosmoTech e incluye:
- Los elementos de la red como líneas de transporte, torres y subestaciones.
- El detalle de los recursos humanos incluyendo los equipos de mantenimiento detallando sus capacidades y su distribución geográfica.
- Las restricciones existentes ya sean presupuestarias, regulatorias o por normativas ambientales.
- El impacto climático y geográfico sobre la red.
Gracias al Digital Twin la compañía ha logrado desarrollar un plan estratégico que garantice la eficiencia operativa en el corto plazo obteniendo la viabilidad y robustez de la red en el largo plazo. Adicionalmente, el Digital Twin permitió justificar frente a los reguladores nacionales la necesidad de aplicación de una nueva tarifa al detallar el porqué de los ejes estratégicos en su plan de negocio y el impacto al usuario final de los mismos.
El plan de National Grid para el piloto más innovador de Digital Twin
Fue a principios de este año 2020 que escuchamos que el TSO británico anunciaba su partnership con Utilitidata y Sense para crear un proyecto piloto de Digital Twins denominado como el primero en su clase.
La intención consiste en generar un modelo que logre representar una “imagen punta a punta de su red eléctrica”. Siendo capaz de mapear el flujo de energía, voltaje e infraestructura desde la subestación hasta el lugar del usuario final. El objetivo es demostrar el valor de los datos en tiempo real a lo largo de la red.
Estos son algunos de los casos de éxito y experiencias que se empiezan a generar en el ámbito internacional, sin embargo, conforme avance la tecnología y se masifique su aplicación, resulta innegable que más y diversos casos de uso irán saliendo a la luz, probablemente relacionados a la gestión de nuevas capacidades y tendencias como las que vemos a día de hoy en el ámbito de recursos distribuidos, gestión de la demanda, y microrredes, entre otros.
¿Qué elementos componen un digital twin?
El Digital Twin logra alinear el mundo real y virtual al recopilar la información de los diferentes elementos y segmentos de la red en una única plataforma. Esto permite disponer de un repositorio común en el que todos los datos estén estandarizados independientemente de su sistema de origen, facilitando las tareas de análisis y verificación de los datos. Bajo el aspecto más conceptual hay tres grandes elementos necesarios para conformar un Digital Twin: un modelo de datos, una serie de algoritmos y el conocimiento experto.
El primero de estos elementos será la base que alimente los algoritmos, los cuales, darán los resultados dependiendo del objetivo con el que fueron diseñados. Por ejemplo, para la detección de posibles fallos, la monetización de acciones, la sugerencia de acciones de mantenimiento o inversión, entre otros. Por último, el conocimiento experto deberá validar ajustar las variables gracias al conocimiento extenso de la operación, tanto en su histórico como en la realización de acciones y operación de la red.
Desde un punto de vista técnico, el Digital Twin consta de tres partes esenciales: El motor de plataforma, adaptadores o interfaces con otros sistemas y endpoints y la interfaz de usuario. El Digital Twin tiene como representación el modelado 3D que permite al usuario interactuar de manera más natural con la red, visualizando cómo se comporta actualmente la infraestructura y cómo responderá en situaciones futuras. Recordemos que los Digital Twins nacen de los primeros modelos CAD de hace algunas décadas.
El motor de plataforma consiste en una base de datos central multiusuario que incluye funciones de gestión de datos, como la generación de escenarios, proyectos, introducción de variables etc. La plataforma realiza la sincronización y validación de los datos de manera automática, permitiendo también su intercambio de manera manual. Los adaptadores e interfaces son los conectores que permiten la importación y/o exportación de datos con otros sistemas (fuentes de datos, MDM, EAM, GIS, SCADA, Datalake, etc.).
La interfaz de usuario es la principal herramienta gráfica de interacción entre el Digital Twin y el usuario, sus principales funcionalidades son permitir la visualización de datos, el análisis de la planificación y la gestión de tareas asociadas a la red.
Conectando los tres componentes esenciales, el Digital Twin es capaz de crear una réplica digital perfecta de la red, con un modelo que permite la sincronización y estandarización de toda información de la compañía.
Retos y visión a futuro de un digital twin en las redes eléctricas
En el mundo de las redes eléctricas, tanto de transporte como de distribución, el Digital Twin es un elemento con gran potencial de aplicación cuya evolución estará marcada por el grado de digitalización y sensorización de las propias redes. En este sentido, el Digital Twin puede aportar beneficios clave para las redes eléctricas como puede ser la resiliencia y confiabilidad, bajo la promesa de poder convertir el big-data en información accionable que permita predecir retrasos o “downtime” operativos.
No obstante, la industria de las redes eléctrcias no ha sido la más rápida en la implantación de los digital twins. Existen varios retos como la selección apropiada de datos, la validación de los modelos, el mantenimiento del proceso, las amenazas de ciberseguridad, entre otros, así como la falta de estándares que permitan la interoperabilidad entre proveedores que dificultan la adopción de los Digital Twins en esta industria.
Es justamente el último punto el que ha sido un factor determinante en el uso y explotación de los Digital Twins en las redes eléctricas, debido a que muchos activos críticos ya cuentan con un modelo de Digital Twin “Out of the Box”, lo cual puede llevar a una empresa de distribución o transporte a contar con múltiples modelos de la noche a la mañana y sobre una sola estructura de red. Adicionalmente, la información y los datos capturados son cada vez mayores, provenientes de diferentes sistemas y dispositivos IoT.
Ante la complejidad de diferentes modelos y múltiples y variadas fuentes de datos, hay que considerar un tercer punto, el procesamiento de los mismos. Hace no tanto tiempo vimos cómo la implementación y gestión de medidores inteligentes desafiaban la capacidad de ancho de banda en las Utilities. Valorando un modelo de red unificado bajo un Digital Twin, necesitaríamos considerablemente mayores capacidades de edge computing para procesar los datos y aún así, sería necesario alimentar el modelo de forma centralizada. Con lo cual, nos vemos ante una necesidad considerable de gestión de datos, tanto de manera centralizada como de manera descentralizada en ese procesamiento bajo edge computing.
Habiendo mencionado lo anterior, el futuro de los Digital Twins en las redes eléctricas es un futuro brillante. En este sentido, el mercado se encuentra en crecimiento, de acuerdo con el Instituto de Utility Anlytics, se espera un crecimiento del 40% (TCAC) para 2023. Esta apuesta ayudará a solventar muchas de las dificultades existentes, considerando estándares de industria, estrategias y capacidades de conectividad y gestión de datos bajo la visión de adaptación y soluciones hechas a medida.
En este sentido, los beneficios y casos de uso para las redes eléctricas son considerables, desde la optimización y mejora de procesos hasta la integración de nuevas oportunidades de negocio como pueden ser los DERs (Recursos Energéticos Distribuidos según sus siglas en inglés), paneles fotovoltaicos o vehículos eléctricos.
Referencias
- Jans Aasman, Ph.D., 2020, California utilities should have used digital twin technology instead of power shutoffs, PG International, USA.
- Gene Wolf, Digital Twins Are Changing The Grid, 2020, T&D Magazine, USA.
- Lauren Callaway, Digital Twins: Big Gains for Utilities, But Not So Fast, 2019, T&D Magazine, USA.
- GreenTech Media (18 abril 2020)
- UtilityDive (04 mayo 2020)
- Siemens (08 mayo 2020)