Predictive Asset Management in der Energiewirtschaft
Befinden Sie sich auch in einem Spannungsfeld des stetig wachsenden Anteils an erneuerbaren Energien und des zugleich durch die Anreizregulierung bedingten steigenden Kostendrucks? Ein Lösungsweg Ihre Asset Strategie zu optimieren, um so in der Situation wirtschaftlich bestmöglich zu agieren, bietet ein effizient eingesetztes Predictive Asset Management (PAM).
Energieproduktion und -handel sowie Übertragung und Verteilung von Strom unterliegen durch den immer stärkeren Anteil an erneuerbaren Energien sehr volatilen und komplexer werdenden Rahmenbedingungen. Der durch die Anreizregulierung steigende Kostendruck bewirkt, dass Netzbetreiber ihre Betriebs- und Investitionskosten unter Wahrung des heutigen Qualitätsniveaus jedoch immer stärker reduzieren müssen. Um in diesem Spannungsfeld noch wirtschaftlich agieren zu können, ist es wichtig, ein effizientes Asset Management zu betreiben. Hierbei kann der Ansatz des Predictive Asset Managements (PAM) ein wichtiger Bestandteil einer optimierten Asset Strategie sein.
Die Grundidee des Predictive Asset Managements
Aktuelle Lage der Verteilnetzbetreiber in Deutschland
Aufgrund des eben beschriebenen stetig steigenden Kostendrucks durch die Anreizregulierung muss der Einsatz der finanziellen Mittel für Netzerneuerung, -ausbau und -instandhaltung effizient gestaltet werden. Hierfür werden zustands-, zuverlässigkeits- oder risikobasierte Asset Strategien (CBM, RCM, RBM) angewandt, um unter anderem den technischen Nutzungsvorrat der Betriebsmittel zu bestimmen und sinnvoll auszuschöpfen. Im Rahmen der Kostenoptimierung des Asset Managements fließen entsprechende Bewertungen der Betriebsmittel in Instandhaltungs- und Erneuerungspläne ein, die über Asset Simulationstools mit Kosten- sowie Netzmodellen verknüpft sind. Zudem können weitere Faktoren bei Entscheidungsfindungsprozessen, wie z. B. die Regulierung und das Controlling, Einfluss nehmen.
Auch der Einsatz von Methoden aus dem Bereich der künstlichen Intelligenz (KI) und dem maschinellen Lernen kann für die weitere Optimierung von Instandhaltungs- sowie Erneuerungsstrategien herangezogen werden. Dies ist allerdings bislang nur wenig erforscht.
Ziel und Vorgehensweise des Predictive Asset Managements
Das Ziel des Predictive Asset Managements ist es, die Entscheidungen im Asset Management durch die Kenntnis über den Zustand des Anlagenkollektivs sowie über dessen Entwicklung und Einfluss auf Asset Entscheidungen zu optimieren. Dabei sollen nicht nur technische Faktoren in die Entscheidungsfindung miteinbezogen werden, sondern beispielsweise auch regulatorische Faktoren durch die Anreizregulierung. Aufgrund der Komplexität und der Menge an kombinierten Einflussfaktoren können hierfür Ansätze der künstlichen Intelligenz und des maschinellen Lernens genutzt werden. Dabei ist es sinnvoll, die Gesamtsystematik zur Optimierung der Asset Entscheidungen mittels Verfahren der künstlichen Intelligenz zunächst am Beispiel einzelner Assets wie z. B. einer Ortsnetzstation zu entwickeln, um sie anschließend auf die übrigen Betriebsmittelgruppen des Verteilnetzes zu transferieren.
Da für diese Ansätze eine valide, ausgeprägte Datenbasis erforderlich ist, müssen die Inspektionsergebnisse von Ortsnetzstationen in einem standardisierten Verfahren erhoben werden.
Diese müssen außerdem regelmäßig in einem großen Anlagenkollektiv und in ausreichender Zahl für die Untersuchung zur Verfügung gestellt werden. Unter Verwendung einer bestehenden und vielfach eingesetzten Systematik zur Zustandsbewertung von Ortsnetzstationen können vergleichbare Zustandsdaten generiert und für die Modelle der künstlichen Intelligenz bzw. des maschinellen Lernens
als Eingangsdaten genutzt werden.
Darüber hinaus muss eine Netzanalyse durchgeführt werden, bei der beispielsweise mit Hilfe von Zuverlässigkeitsberechnungen die Wichtigkeit ausgewählter Ortsnetzstationen bestimmt wird, um neben der zustandsorientierten Strategie eine risikobasierte Strategie berücksichtigen zu können. Im nächsten Schritt ist es sinnvoll, eine kostenseitige Analyse, die auf Basis verschiedener Instandhaltungszyklen und Erneuerungsstrategien basiert, durchzuführen. Gleichzeitig müssen alle Anforderungen der fachlichen Organisationseinheiten (Asset Management, Controlling und Regulierung, Geschäftsführung) berücksichtigt und zusammengetragen werden.
Künstliche Intelligenz für Instandhaltungs- und Erneuerungsstrategien
Anschließend können dann statistische Modelle mit künstlicher Intelligenz auf Anwendungsfälle im Asset Management trainiert werden. Die verfügbaren Modelle aus dem Bereich der KI interagieren jedoch nicht mit jeder Datenlage gleichermaßen gut, weshalb untersucht werden sollte, welches für die Optimierung der Strategien am besten geeignet ist. Einige Ansätze hierfür sind unter anderem die Modelle „Random Forest“, „logistische Regression“ und das „neuronale Netz“. Die KI kann eigenständig Merkmale (Kosten, Priorität und Wichtigkeit des Assets, Alter und Zustand etc.) gewichten und auf einen Zielparameter (Gesamtkosten, verfügbares Budget der Regulierung, Versorgungszuverlässigkeit), je nach Bedarf des Asset Managers, ausrichten. Auf Basis dieser Logik kann folglich ein Gesamtverfahren für das Predictive Asset Management abgeleitet werden, um optimierte Asset Entscheidungen im Bereich der Erneuerungs- und Instandhaltungsplanung zu ermöglichen.
