Opérations - Surveillance intelligente des infrastructures

La surveillance 24h/24 et 7j/7 des infrastructures énergétiques, telles que les centrales électriques, les plates-formes pétrolières ou les parcs éoliens, est une entreprise difficile qui nécessite des opérateurs et des ingénieurs de procédés experts. Des capteurs sont appliqués à l'équipement pour renvoyer les données de fonctionnement aux systèmes de surveillance. Souvent, des centaines de variables doivent être ajustées et les alertes sont généralement basées sur des points de consigne, en utilisant des seuils appliqués en utilisant l'expertise de l'opérateur. Pour compliquer davantage les choses, les alertes doivent être traitées en temps opportun afin de s'assurer que les problèmes ne s'aggravent pas davantage.

Optimisation de l'efficacité thermique d'une centrale électrique à l'aide de Machine Learning.

La grande quantité de données historiques collectées par les capteurs fait de ce scénario un cas parfait pour l'optimisation à l'aide de l'apprentissage automatique et profond. Le réglage et l'ajustement automatiques des points de consigne permettent non seulement d'optimiser les coûts, mais libèrent également le temps des experts en la matière pour qu'ils se concentrent sur la réponse aux situations critiques. La centrale électrique de Martin Lake, propriété de Vistra, à Tatum, au Texas, s'est associée à Mckinsey pour proposer une telle approche d'optimisation de l'apprentissage automatique. Afin d'optimiser l'efficacité thermique de l'usine, un réseau de neurones formé sur 2 ans de données de l'usine a été construit. Une fois le modèle déployé, il a été utilisé pour générer des recommandations d'efficacité aux opérateurs toutes les 30 minutes. Vistra a ensuite déployé l'approche dans 26 autres usines, réalisant 23 millions de dollars d'économies et 10 % de son objectif de réduction de carbone restant pour 2030.