:format(webp)/nginx/o/2022/03/17/14431315t1h511b.jpg)
Euroopa elektrisüsteemide vananemine toob peagi kaasa seadmete väljavahetamise laine, kuid senisel kulukal viisil neid uuendama ei peaks. Kuidas sellist üleinvesteerimist vältida, selgub Tallinna Tehnikaülikoolis äsja kaitstud doktoritööst.
Kui tavaliselt on elektri ülekandevõrkude hooldamisel kasutatud nn ajapõhist lähenemisviisi, siis värskelt doktoritöö kaitsnud Henri Mannineni sõnul on see küll lihtne rakendada, aga viib ühtlasi üleinvesteerimiseni.
Manninen uurib oma doktoritöös «Ülekandevõrgu õhuliinide andmepõhine varahalduse ja seisundi hindamise metoodika», kuidas mõistlikult ja säästlikult oleks võimalik elektrisüsteeme uuendada. Tema arvates on oluline ka fakt, et investeeringud, mis tehakse kõige halvemas seisus olevatesse seadmetesse, ei pruugi tänapäeval tähendada kõige kuluefektiivseimaid otsuseid. Põhjus on selles, et nii tarbimise kui ka tootmise mustrid on võrkude ehitamise ajaga võrreldes oluliselt muutunud.
Doktoritöö katabki kuluefektiivset õhuliinide varahalduse raamistikku, mis sisaldab ka tänapäevastel tehnoloogiatel põhinevaid seisundihindamise metoodikaid.
Näiteks muutuvad riskipõhised varahalduse lähenemised ülekandevõrkudes järjest enam kasutatavaks ning vähendavad kulusid. Seni on aga suurimaks puuduseks olnud otsuste läbipaistmatus.
Oma töös esitleb autor andmetel tuginevat riskipõhise varahalduse lähenemisviisi, kus sisendi andmete kvaliteet mõjutab tugevalt otsuste efektiivsust.
«Rikke tekkimise tõenäosuste arvutamisel kasutatakse õhuliinide terviseindekseid, mis on määratud igale elemendile nende tegeliku seisukorra järgi,» selgitab Manninen. «Rikete tagajärgede määramiseks on välja pakutud andmata jäänud energial põhinev metoodika, mis sisaldab endas ka eeldatava rikke kestvuse prognoosimist ja kaudsete kulude arvestamist.»
Traditsiooniliselt toetub ülekandevõrkude õhuliinide seisundi hindamine aga käsitsi tehtud visuaalsetel ülevaatustel, mida on kulukas läbi viia ning mis võivad anda subjektiivseid tulemusi.
Selleks, et paremaid tulemusi saavutada, jagab Manninen õhuliinid väiksemateks osadeks, kus igale komponendile on loodud just selle eluetappe kirjeldavad hindamiskriteeriumid.
Sellise lähenemisviisi rakendamine lubas tõsta visuaalsete ülevaatuste kvaliteeti ja vähendada subjektiivsust.
Lisaks loodi ka masinõppel põhinev terviseindeksi prognoosimise mudel, mis aitas prognoosida Eesti ülekandevõrgu andmetel koostatud uuringus mastide tehnilist seisukorda ligikaudu 80% täpsusega ilma lisategevusteta.
Kui õhuliinide ülevaatustel kasutatakse aina rohkem õhusõidukite abi, mis aitavad lihtsasti koguda palju kõrge kvaliteediga pilte, siis nende automaatseks kasutamiseks pakub Manninen välja sügavõppe närvivõrkudel põhinevad pildituvastuse meetodid.
See tähendab, et tänu masinõppele on võimalik piltidelt automaatselt tuvastada õhuliini defekte, ilma et oleks vaja personali abi ning siis hinnata nende alusel komponentide tegelikku seisukorda.
Terviseindeksi määramise täpsuse hindamiseks on aga välja töötatud uued seadmete vananemise eripärasid arvestavad mõõdikud.
Mannineni töö tulemused näitavad, et pakutud metoodika aitab õhuliinide elutsükli halduse kulusid ülekandevõrkudes märgatavalt vähendada. Uute seisundihindamise metoodikate rakendamise tulemused annavad lootust, et nende abil on võimalik oluliselt vähendada õhuliinide ülevaatuste ja hindamise aega ning maksumust, suurendades samal ajal tulemuste usaldusväärust.
Terviseindeksi prognoosimise mudelil ning pildituvastusel põhinevate metoodikate kasutuselevõtmine õhuliinide ja nende komponentide seisundi hindamiseks on suure praktilise väärtusega. Pakutud metoodika aitas juhtumiuuringus minimeerida elektrivõrgu riske väiksemate kuludega, võrreldes levinud metoodikatega ja samuti lubas see tuvastada kõige kriitilisemad elemendid võrgus.
Manninen rõhutab, et kõige enam üllatas teda töö käigus see, kui keeruline on pealtnäha lihtsate seadmete tehnilist seisukorda määrata.
«Teemasse süvenedes selgus peagi, et usaldusväärsete sisendandmete kogumine muutub traditsioonilisi vahendeid kasutades käidupersonalile hoomamatuks ülesandeks. Masinõppe prognoosimudelite ja närvivõrkudel põhineva pildituvastuse kasutusele võtmisega õnnestus see murekoht lahendada.»
Tutvu Henri Mannineni värskelt kaitstud doktoritööga siin.
/nginx/o/2024/10/18/16426805t1hbc77.png)