In der Versorgungsbranche und bei den Informationssystemen für das Ausfallmanagement unterteilen wir Ausfälle im Allgemeinen in zwei Bereiche: geplantes und ungeplantes Ausfallmanagement. Dieser Artikel bezieht sich auf beide Bereiche und untersucht, wie Ausfallmanagementsysteme (OMS) Versorgungsunternehmen zu intelligenteren und schnelleren Entscheidungen verhelfen. Unabhängig davon, ob es um die Verwaltung geplanter oder ungeplanter Ausfälle geht, steigert ein CIM-basiertes OMS die Effizienz durch Echtzeitdaten, nahtlose Integration mit SCADA, GIS, CRM und mehr. Erfahren Sie, welche Funktionen am wichtigsten sind und wie Sie ein OMS für Ihren Versorgungsbetrieb auswählen oder optimieren können.
Anforderungen an Outage Management Systeme
Ausfallmanagementsysteme sind umfangreich und erfordern viel Erfahrung und Wissen vom Endnutzer. Wie kann ein Endnutzer wirklich von dem im Unternehmen implementierten Störungsmanagementsystem profitieren? Wie sollte man das OMS-System einrichten und welche Systeme von Drittanbietern sollte man integrieren? Was sind die greifbarsten Vorteile des Systems, auf die ein Unternehmen der Versorgungswirtschaft achten sollte? Welche Technologien sollten wir als unterstützt ansehen?
CIM-basiertes Ausfallmanagement
Sicherlich spielt ein CIM-basiertes Common Information Model (CIM) Outage Management System eine entscheidende Rolle, da es einen standardisierten Rahmen für die Interaktion und Verwaltung von Netzkonnektivitäts- und Asset-Management-Daten bietet.
CIM hilft auch bei der Verwaltung der Netztopologie, indem es diese in Asset-Management-Hierarchien übersetzt und die Planung für anlagenbezogene Programme optimiert. Es verbessert auch die Visualisierung und Analyse durch Geokarten und Schemata und verbessert das Management von Ausfallinformationen.
Integration in andere Informationssysteme
Ein Outage Management System (OMS) ist eine spezialisierte Softwarelösung, die von Betreibern elektrischer Verteilungssysteme zur effizienten Erkennung, Verwaltung und Wiederherstellung von Stromausfällen eingesetzt wird. Ein Outage Management System (OMS) sollte native CIM-basierte Integrationsoptionen mit Systemen von Drittanbietern bieten, wie z. B.:
- Enterprise Asset Management (EAM)-Systeme,
- Überwachungssysteme zur Steuerung und Datenerfassung (SCADA),
- Geografische Informationssysteme (GIS),
- Kundeninformationssysteme (CRM),
- Blitzschlag- und Wetterdaten,
- Investitionsplanungssysteme für die Projektplanung,
- Mobile Lösungen.
Nur ein vollständig integriertes Ausfallmanagementsystem kann die wichtigsten Funktionen erfüllen und Vorteile bieten, wie z. B. die Erkennung von Ausfällen, die Identifizierung von Fehlerorten, die Festlegung von Prioritäten für die Wiederherstellung, das Personalmanagement und die allgemeine Risikominderung.
Verwaltung der Arbeitskräfte
Ein OMS-Informationssystem sollte die organisatorischen Geschäftsprozesse vollständig unterstützen, insbesondere den Prozessrahmen für das Ausfallmanagement (geplantes und ungeplantes Ausfallmanagement, Schaltauftragsmanagement, …).
OMS-Lösungen sollten für verschiedene Nutzer im Energieversorgungssektor konzipiert sein, die für Wartung, Betrieb und Management zuständig sind. Die Benutzer sollten die Arbeit auf der Grundlage der Ressourcenverfügbarkeit dynamisch planen und zuweisen. Das System sollte Ausfälle unter Berücksichtigung der Anfragedetails automatisch planen und geplante und laufende Aufgaben über Dashboards geovisualisieren, die eine klare Übersicht über die damit verbundenen Aktivitäten auf einer Karte bieten.
OMS und die Rolle der KI-Technologie
Was haben die Veränderungen der KI-Technologie in den letzten Jahren gebracht, und wonach sollten Lösungsanbieter und Versorgungsunternehmen in ihrer Landschaft suchen? Wie sollten wir verfügbare Daten und neue Technologien in Lösungen für das Ausfallmanagement nutzen?
In einer kürzlich erschienenen Veröffentlichung mit dem Titel „Big Data Analytics for Predictive Lightning Outage Management Using Spatially Aware Logistic Regression“ untersuchten die Autoren (*1), ob Big Data zur Vorhersage von Blitzausfällen genutzt werden kann.
Für das Training des Vorhersagemodells verwendeten die Forscher eine umfassende Datenbank mit historischen Blitzereignissen. Die Studie nutzte auch andere Datenquellen, wie z. B. Daten aus geografischen Informationssystemen (GIS) über die Anlagen der Versorgungsunternehmen (Standorte von Umspannwerken, Übertragungsleitungen, Sendemasten und Transformatoren von Umspannwerken), Aufzeichnungen über historische Ausfälle von Versorgungsunternehmen usw.
Sie verwendeten ein Mixture-of-Experts-Modell, das mehrere raumbezogene logistische Regressionsmodelle enthält, um Blitzeinschläge in Übertragungsleitungen ein bis drei Stunden im Voraus vorherzusagen. Dabei wurden verschiedene Dauern von blitzbedingten Ausfällen, einschließlich vorübergehender und permanenter Störungen, berücksichtigt.
Die Ergebnisse zeigen, dass der Algorithmus in der Lage ist, die Wahrscheinlichkeit von Blitzausfällen mit hoher Genauigkeit für einen bestimmten Standort vorherzusagen. Bei Tests mit realen Versorgungsdaten ergab die Anwendung eines raumbezogenen logistischen Regressionsmodells eine Vorhersagegenauigkeit von ~0,86 bis ~0,94, wobei die Fläche unter der Kurve in allen Fällen mit Vorhersage unter Verwendung der räumlichen Einbettung größer als 0,75 war.
Die Ergebnisse der Studie zeigen, dass das Modell das Gebiet, das vom Blitzschlag betroffen sein wird, mit sehr hoher Wahrscheinlichkeit eingrenzen kann.
OMS Systems – Schlussfolgerung
Bei der Planung eines Störungsmanagementsystems sollten Sie Ihre Prioritäten auf die bereits erwähnten Funktionen legen:
- CIM-basiertes OMS-System,
- Integrierte Funktionen für das Workforce Management,
- Flexible Integrationsmöglichkeiten in Systeme von Drittanbietern über APIs usw.,
- Sichere und moderne, auf Microservices basierende Lösung,
- Nischenlösung mit umfassender Unterstützung und Erfahrung mit Branchenbibliotheken,
- Lösungen, die hochwertige Datenmodelle und die neuesten auf dem Markt verfügbaren Technologien nutzen.
(*1) M. KEZUNOVIC, T. DOKIC, Z. OBRADOVIC, M. PAVLOVSKI und R. SAID, „Big Data Analytics for Predictive Lightning Outage Management Using Spatially Aware Logistic Regression“, CIGRE 2020.