Predictive maintenance and asset management on electrical secondary substations

In today's fast-paced industrial environment, the importance of asset management and predictive maintenance has grown significantly, key to achieving efficiency and sustainability. This study explores the development of these concepts and the latest innovations that are shaping their future. At the core of this research is predictive maintenance. With the help of advanced data analysis and machine learning, we can now predict and prevent equipment failures before they happen. This approach leads to fewer unexpected breakdowns, smarter use of resources, and decisions based on solid data, crucial aspects of modern asset management. An important part of the study is developing a high-level algorithm for prioritizing substations and their assets, using Multi-Criteria Decision Analysis (MCDA) methods. This algorithm is based on parameters like SAIFI and SAIDI, aiming to optimize maintenance schedules and resource distribution. Within this broader context, the research delves into the specific use-case of battery health management in electrical substations. This detailed examination is not isolated but serves as a practical application of the overarching prioritization algorithm. By focusing on the State of Health (SOH) of batteries, the study explores current best practices and methodologies in battery health assessment, linking these insights directly to the algorithm's objectives. This approach ensures that the maintenance strategies developed for batteries are aligned with the broader goals of the prioritization algorithm. By considering the SOH of batteries as a key factor in the algorithm, the study integrates this specific use-case into the larger framework of substation and asset management. Building on this knowledge, the study then shifts its focus to analyzing real-world data from electrical substations. The aim is to apply the insights gained from the state-of-the-art review to actual operational data, thereby identifying the most practical and effective method of predictive maintenance for these specific scenarios. By correlating theoretical knowledge with empirical data from substations, the research seeks to determine which predictive maintenance techniques are most viable and effective in the context of battery management.

Nel sempre più rapido ambiente industriale odierno, l'importanza della gestione degli asset e della manutenzione predittiva è cresciuta significativamente, essendo fondamentale ormai per raggiungere efficienza e sostenibilità. Questo studio esplora lo sviluppo di questi concetti e le ultime innovazioni che stanno plasmando il loro futuro. Al centro di questa ricerca c'è la manutenzione predittiva. Grazie all'ausilio di analisi dati avanzate e apprendimento automatico, ora possiamo prevedere e prevenire guasti agli attrezzature prima che accadano. Questo approccio porterebbe a meno guasti imprevisti, un uso più intelligente delle risorse e decisioni basate su dati solidi, aspetti cruciali della moderna gestione degli asset. Una parte importante dello studio è lo sviluppo di un algoritmo ad alto livello per la priorizzazione delle cabine elettriche secondarie e dei loro asset, utilizzando metodi di Analisi Decisionale Multi-Criterio (MCDA). Questo algoritmo si basa su parametri come SAIFI e SAIDI, con l'obiettivo di ottimizzare i programmi di manutenzione e la distribuzione delle risorse. All'interno di questo contesto, la ricerca si addentra nello specifico caso d'uso della gestione della salute delle batterie nelle cabine elettriche. Questa analisi dettagliata non è fine a se stessa ma serve come applicazione pratica dell'algoritmo di priorizzazione generale. Concentrandosi sullo Stato di Salute (SOH) delle batterie, lo studio esplora le migliori pratiche e metodologie correnti nella valutazione della salute delle batterie, collegandole direttamente agli obiettivi dell'algoritmo. Questo approccio garantisce che le strategie di manutenzione sviluppate per le batterie siano allineate con gli obiettivi più ampi dell'algoritmo di priorizzazione. Considerando il SOH delle batterie come un fattore chiave nell'algoritmo, lo studio integra questo specifico caso d'uso nel framework più ampio della gestione delle cabine e degli asset. Dunque, lo studio sposta poi la sua attenzione sull'analisi di dati reali provenienti dalle cabine elettriche. L'obiettivo è applicare le metodologie ottenute dalla revisione dello stato dell'arte ai dati operativi effettivi, identificando così il metodo più pratico ed efficace di manutenzione predittiva per questi scenari specifici. Correlando la conoscenza teorica con i dati empirici provenienti dalle cabine, la ricerca cerca di determinare quali tecniche di manutenzione predittiva siano più fattibili ed efficaci nel contesto della gestione delle batterie.