Rinnovabili, le nuove sfide portate dai Big Data

Il caso Enel Green Power dimostra l’efficacia dei modelli analitici nella gestione di Operations & Maintenance

Ampliando la vista sui processi aziendali, gli strumenti di big data analysis consentono di accelerare il troubleshooting e pianificare interventi mirati, a tutto vantaggio delle attività operative e manutentive. Nel settore delle Utilities e in particolare delle Energie Rinnovabili, l’utilizzo di modelli analitici per identificare le aree di malfunzionamento all’interno di impianti geograficamente molto estesi offre significativi ritorni di business. Ce lo dimostra l’esperienza di Enel Green Power grazie allo sviluppo di un framework di integrazione tra la piattaforma Hadoop e soluzioni analitiche avanzate.

E le criticità?

Oltre all’eterogeneità delle fonti, ci si deve confrontare con la varietà di tecnologie a supporto dei processi produttivi che si basano su modelli di dati differenti a seconda del fornitore. La criticità iniziale insomma è legata alla creazione di chiavi per uniformare informazioni estremamente variegate che vanno necessariamente ordinate per poter effettuare le analisi, a seguire è necessario confrontarsi con una mole di dati notevole ed una frequenza di aggiornamento near real time delle stesse.

L’analisi dei big data per una diagnostica efficace

La perfetta integrazione tra le soluzioni SAS e la piattaforma Hadoop permette agli analisti di svolgere agilmente le attività fondamentali di ETL (Extract, Transform, Load). E’ stato creato un modello analitico in grado di evidenziare gli interventi diagnostici migliorativi per la produzione di energia eolica e fotovoltaica.

Nel settore delle rinnovabili, un campo applicativo particolarmente interessante riguarda infatti la diagnostica. Consideriamo che un impianto solare con capacità di 1 MW copre in termini di pannelli l’equivalente di 1 campo da calcio. Poiché esistono impianti da 80-100 MW, la possibilità di individuare le aree di malfunzionamento, prima di effettuare ispezioni sul campo, risulta oltremodo preziosa. Si riducono i tempi di intervento, a vantaggio dell’efficienza e continuità operativa.

Come gestire volume e varietà delle informazioni?

Il volume e la varietà delle informazioni, insieme all’integrazione di dati strutturati e non, hanno rappresentato la maggiore criticità nella realizzazione del progetto. In ambito Enel Green Power, le sorgenti dati sono estremamente variegate e la mole di informazioni prodotte è nell’ordine di miliardi all’anno. Oltre ai dati provenienti dalla sensoristica, ci sono ad esempio i documenti generati dagli operatori che si occupano di ispezioni sul campo. Tutti questi dati di natura testuale vengono raccolti e tradotti in modelli, con l’ausilio di tecnologie di data mining.

Sul piano qualitativo, quali benefici del progetto Big Data? 

Nell’area Operations & Maintenance, l’utilizzo dei Big Data ha permesso innanzitutto di evidenziare e risolvere i malfunzionamenti in maniera mirata, migliorando l’efficienza produttiva degli impianti e riducendo i costi di ripristino in caso di failure. I modelli analitici ci hanno permesso inoltre di comprendere e risolvere problematiche rimaste aperte per lungo tempo. Il Roi generato dai Big Data è altissimo, anche perché si tratta di una frontiera applicativa ancora nuova e i ritorni dei progetti nella fase iniziale sono massimi. Tuttavia, per accelerare i benefici occorre avvalersi di un team valido: nel mio caso, siamo tre matematici e uno statistico, con esperienza consolidata in ambito SAS, cosicché, anche grazie al supporto dei responsabili e dei tecnici di divisione, siamo riusciti a sviluppare l’algoritmo in soli sei mesi.

Quali saranno le future applicazioni analitiche?

Abbiamo in programma di estendere l’utilizzo del modello analitico anche all’area dell’energia idroelettrica e geotermica. Le elaborazioni in real-time, che consentono una maggiore rapidità di intervento, e gli analytics predittivi, che permettono di prevedere e programmare la manutenzione, sono invece il progetto a tendere; tuttavia, la realizzazione non è banale perché richiede un grande lavoro di organizzazione della base dati e di definizione delle correlazioni tra variabili. Un’altra applicazione di frontiera potrebbe essere l’integrazione con gli analytics dell’area finanziaria per creare un tool di decision making a tutto tondo, ma le applcazioni sono ancora in fase di studio.