Traditsiooniliselt on elektri ülekandevõrkude hooldamisel kasutatud nn ajapõhist lähenemisviisi. „Seda on küll lihtne rakendada, aga ühtlasi viib see nn üleinvesteerimiseni,“ tõdeb värske doktor Henri Manninen oma doktoritöös „Ülekandevõrgu õhuliinide andmepõhine varahalduse ja seisundi hindamise metoodika“.

Oluline on ka fakt, et investeeringud, mis tehakse kõige halvemas seisus olevatesse seadmetesse, ei pruugi tänasel päeval tähendada kõige kuluefektiivseimaid otsuseid. Miks nii? Põhjus on selles, et nii tarbimise kui ka tootmise mustrid on võrkude ehitamise ajaga võrreldes oluliselt muutunud.

Suurim puudus otsuste läbipaistmatus

Doktoritöö hõlmabki endas terviklikku ja kuluefektiivset õhuliinide varahalduse raamistikku, mis sisaldab ka tänapäevastel tehnoloogiatel põhinevaid seisundihindamise metoodikaid. Näiteks muutuvad riskipõhised varahalduse lähenemisviisid ülekandevõrkudes järjest enam ja laialdasemalt kasutatavaks ning on ka kuluefektiivsed. Seni on nende suurimaks puuduseks otsuste läbipaistmatus.

Oma töös esitleb autor andmetel tuginevat riskipõhise varahalduse lähenemisviisi, kus sisendandmete kvaliteet mõjutab tugevalt otsuste efektiivsust.

Kuidas hinnatakse elektrivõrkude „tervist“?

„Rikke tekkimise tõenäosuste arvutamisel kasutatakse õhuliinide terviseindekseid, mis on määratud igale üksikelemendile, tuginedes nende tegelikul seisukorral,“ selgitab Manninen. „Rikete tagajärgede määramiseks on välja pakutud andmata jäänud energial põhinev metoodika, mis hõlmab endas ka eeldatava rikke kestvuse prognoosimist ja kaudsete kulude arvestamist.“

Traditsiooniliselt tugineb ülekandevõrkude õhuliinide seisundi hindamine aga manuaalsetel visuaalsetel ülevaatustel, mida on kulukas läbi viia ning mis võivad anda subjektiivseid tulemusi. Selleks, et paremaid tulemusi saavutada, jagab Manninen õhuliinid väiksemateks vaadeldavateks osadeks, kus igale komponendile on loodud just selle eluetappe kirjeldavad hindamiskriteeriumid.

Sellise lähenemisviisi rakendamine võimaldas tõsta visuaalsete ülevaatuste kvaliteeti ja vähendada subjektiivsust. Lisaks loodi masinõppel põhinev terviseindeksi prognoosimise mudel, mis võimaldas prognoosida Eesti ülekandevõrgu andmetel koostatud juhtumiuuringus mastide tehnilist seisukorda ligikaudu 80% täpsusega ilma täiendavate tegevusteta.

Mõõdik, mis arvestab vanaduse eripära

Kui õhuliinide ülevaatustel kasutatakse aina rohkem õhusõidukite abi, mis võimaldavad hõlpsasti koguda suurel hulgal kõrge kvaliteediga pilte, siis viimaste automaatseks ja efektiivseks kasutamiseks pakub Manninen välja sügavõppe närvivõrkudel põhinevad pildituvastuse meetodid.

See tähendab, et tänu sellele on võimalik piltidelt automaatselt tuvastada õhuliini defekte, ilma et oleks vaja käidupersonali abi, ning seejärel hinnata nende alusel komponentide tegelikku seisukorda.

Terviseindeksi määramise täpsuse hindamiseks on töötatud välja uued seadmete vananemise eripärasid arvestavad tulemuslikkuse mõõdikud.

Suur rahaline kokkuhoid ja usaldusväärsuse tõus

Mannineni töö tulemused näitavad, et pakutud metoodika võimaldab õhuliinide elutsükli halduse kulusid ülekandevõrkudes märgatavalt vähendada. Uute seisundihindamise metoodikate rakendamise tulemused annavad aga samas lootust, et nende abil on võimalik oluliselt vähendada õhuliinide ülevaatuste ja hindamise aega ning maksumust, seejuures samal ajal suurendades tulemuste usaldusväärust.

Terviseindeksi prognoosimise mudelil ning pildituvastusel põhinevate metoodikate kasutuselevõtt õhuliinide ja nende komponentide seisundi hindamiseks on suur praktiline väärtus ja potentsiaal. Pakutud metoodika võimaldas juhtumiuuringus minimeerida elektrivõrgu riske kuluefektiivsemalt võrreldes üldlevinud metoodikatega ja samuti võimaldas see tuvastada kõige kriitilisemad elemendid võrgus.

Pealtnäha lihtsate seadmete hindamine osutus keeruliseks

Manninen rõhutab, et kõige enam üllatas teda töö käigus see, kui keeruline on pealtnäha lihtsate seadmete tehnilist seisukorda määrata. „Teemasse süvenedes selgus peagi, et usaldusväärsete sisendandmete kogumine muutub traditsioonilisi vahendeid kasutades käidupersonalile hoomamatuks ülesandeks. Masinõppe prognoosimudelite ja närvivõrkudel põhineva pildituvastuse kasutusele võtmisega õnnestus see murekoht lahendada.“

Tutvu Henri Mannineni värskelt kaitstud doktoritööga.