Predictive diagnostics in fossil-fuel power plants. Ebitda growth through advanced monitoring

The growing desire to reduce costs, often associated with unnecessary planned maintenance and the related opportunity costs, is pushing large companies, operating in the energy sector, to invest in a process of continuous innovation. Recent developments in the field of "Machine Learning" have in fact attracted the interest of these companies that, driven by the ambition of applying these software to plants monitoring, aim at dominating the sector. This study has several objectives: the desire to provide the reader an overview of the latest software applied to the control and verification of plants status and, on the other hand, the will of presenting the work carried out for the implementation of an innovative reporting system related to gas turbines, first, and the feasibility study of entire project, then. The analysis has been performed by using data exclusively stemming from Enel Global Thermal Generation plants, extrapolated and made available through the PI infrastructure design by Osisoft. The discussion starts with the description of the interested Enel department in which my internship was carried out, the employed diagnostic tools and the Agile approach followed for managing the entire project. Next, the central part is dedicated to the explanation of the reporting system I developed to monitor Enel fleet gas turbines. Finally, the last chapter traces the feasibility study and economic analysis of the project to which Remote Predictive Diagnostic Center is dedicated. The achieved conclusions show a huge impact on the company budget: the new identified approach to maintenances allows a huge expenses reduction, leading companies to greater competitiveness and lower energy production costs.

Il bisogno crescente di ridurre le spese, spesso accresciute da inutili manutenzioni programmate e dai relativi costi di mancata produzione, sta attualmente spingendo le grandi compagnie operanti nel settore della produzione di energia ad investire in un processo di continua innovazione. I recenti sviluppi nell’ambito del “Machine Learning” hanno infatti attirato l’interesse di queste aziende che, mosse dall’ambizione di poter applicare tali software all’attività di monitoraggio degli impianti, ambiscono a primeggiare nel settore. La stesura di questo trattato ha molteplici obiettivi: da un lato, la volontà di fornire al lettore una panoramica sui software di ultima generazione applicati per l’attività di controllo e verifica dello stato degli impianti; dall’altro, il desiderio di presentare il lavoro effettuato per l’implementazione di un innovativo sistema di reportistica relativo alle turbine a gas, prima, e lo studio di fattibilità relativo all’intero progetto, poi. L’analisi è stata condotta utilizzando esclusivamente dati relativi agli impianti di Enel Global Thermal Generation, estrapolati e resi disponibili attraverso l’infrastruttura PI progettata da Osisoft. La trattazione si apre con la descrizione del reparto Enel direttamente coinvolto, degli strumenti di diagnostica utilizzati e dell’approccio Agile seguito per la gestione dell’intero progetto. A seguire, la parte centrale è dedicata alla spiegazione del sistema di reportistica da me sviluppato per monitorare le turbine a gas della flotta Enel. Infine, l’ultimo capitolo ripercorre lo studio di fattibilità e l’analisi economica del progetto a cui il Remote Predictive Diagnostic Center è dedicato. Le conclusioni raggiunte delucidano un enorme impatto sul bilancio aziendale: il nuovo approccio alle manutenzioni identificato permette un’ingente riduzione delle spese, concedendo alle aziende di essere più competitive dovendo sostenere un minor costo dell’energia.