Imagine um mundo no qual as operadoras de transmissão e distribuição (T&D) usam a enorme quantidade de dados à sua disposição para alinhar as atividades de manutenção às necessidades e riscos de ativos individuais; no qual elas definem prioridades e organizam cronogramas com base em previsões altamente precisas, e não em relatórios improvisados após um determinado evento; e no qual elas atualizam as informações sobre a rede e gerenciam os ativos quase em tempo real.
Fique em dia com seus tópicos favoritos
Esse mundo está ao alcance das operadoras; contudo, pouquíssimas dentre elas conseguiram entender isso. Em princípio, o processo parece simples: reunir dados, usá-los para prever a probabilidade de falha de um ativo e então usar essas previsões para direcionar as atividades de manutenção aos ativos que mais necessitam delas. Como alternativa aos métodos preventivos de rotina ou de base temporal ainda utilizados pela maioria das concessionárias, a manutenção preditiva promete uma maior precisão e confiabilidade a um custo mais baixo.
E a economia é substancial, sobretudo no contexto de um setor enxuto, acostumado a ganhos anuais de 1% a 2% em termos reais, na melhor das hipóteses. Nós vimos operadoras reduzirem seus custos em 10% em redes de média tensão, 15% em linhas aéreas e cabos subterrâneos de média e alta tensão e 20% em subestações de média e alta tensão, ao mesmo tempo que aumentavam a confiabilidade dos ativos. Mesmo em uma situação na qual as tarifas são reajustadas ao final de um período regulatório, de modo a levar em conta o desempenho do setor em termos de custos, as operadoras podem se beneficiar da vantagem de serem pioneiras, obtendo retornos mais altos sobre o capital e aumentando a probabilidade de repetirem o desempenho superior nos próximos períodos regulatórios. Essas melhorias se tornarão ainda mais decisivas em um setor no qual as conexões para veículos elétricos, a geração distribuída e outros sistemas complexos vêm se multiplicando.
Advanced analytics também proporciona outras vantagens substanciais quando implementado dentro de um programa mais amplo de melhoria do desempenho. Entre elas estão: tomada de decisões mais rápida e inteligente, baseada em dados, menores despesas de capital, melhor gestão do pessoal, maior segurança, melhor cumprimento das metas regulatórias e melhores investimentos regidos pelas regulamentações. Aliás, o uso de advanced analytics para reinventar a gestão de ativos ajuda a gerar um impacto impressionante no curto prazo, ao mesmo tempo em que desencadeia transformações de analytics em outras partes da empresa.
Porém, como muitas operadoras constataram, quando se trata de mudar para abordagens de gestão de ativos baseada em analytics, é mais fácil falar do que fazer. Nossas estimativas indicam que somente 5% das atividades de manutenção do setor de energia elétrica baseiam-se em uma abordagem preditiva fundamentada em dados. Muito frequentemente, lacunas na qualidade dos dados, na arquitetura de TI, nos recursos de advanced analytics e nas estratégias de manutenção impedem que a operadoras aproveitem essa oportunidade significativa. No presente artigo, refletimos sobre nossa experiência em ajudar operadoras de T&D a superarem esses obstáculos e usarem advanced analytics na gestão de ativos a fim de reduzirem os custos e os riscos, garantirem o cumprimento da regulamentação e aumentarem a confiabilidade dos ativos.1
Algumas respostas, antes de você começar
Descobrimos que as operadoras costumam fazer as mesmas poucas perguntas quando iniciam sua jornada de advanced analytics. Aqui vão as nossas respostas:
Precisamos gastar dinheiro instalando sensores em toda a nossa rede para captar dados em tempo real?
Não. Pode haver justificativa para os sensores em equipamentos críticos, como interligações, mas, devido ao tamanho das redes de T&D e à probabilidade muito baixa de falha na maioria dos ativos, o uso generalizado de sensores não se justifica.
Precisamos de big data?
Não. As empresas muitas vezes supõem que precisam de quantidades enormes de dados provenientes de qualquer lugar onde possam obtê-los. Isso não é necessário para começar. Mas você precisa de todos os seus dados disponíveis, além de alguns outros tipos de dados que talvez não tenha disponíveis internamente de imediato, como previsões do tempo.
Podemos conseguir uma solução plug-and-play?
Não. Cada operadora precisa de uma abordagem pelo menos parcialmente sob medida, que seja compatível com seu ponto de partida, seu nível de desempenho e suas aspirações e que, ao mesmo tempo, permita uma implementação rápida e eficiente.
Podemos fazer isso gradualmente?
Sim. A maioria das operadoras com os quais trabalhamos começou por um caso de uso prioritário – por exemplo, transformadores ou postes de baixa tensão – e prosseguiu explorando outros tipos de ativo ou ampliando a implementação de uma região piloto para todo o seu alcance geográfico.
Que resultados podemos esperar?
Isso irá depender das suas circunstâncias específicas, mas o sucesso de outras operadoras é animador. Uma operadora de transmissão atingiu uma economia de 10% a 15% na manutenção dos disjuntores ao alterar a frequência das inspeções; outra reduziu as despesas operacionais com inspeções em 25% no caso das linhas aéreas de alta tensão e em 10% a 15% no caso dos cabos subterrâneos de alta tensão. Uma operadora de distribuição aumentou a qualidade do fornecimento e, ao mesmo tempo, reduziu em 10% a 15% seus gastos com a manutenção de alimentadores de distribuição ao adiar as inspeções em áreas com baixíssima probabilidade de falha.
Would you like to learn more about Utilityx, an electric power advanced analytics solution?
Como começar?
Tendo decidido seguir em frente com um ativo específico, uma operadora tem três etapas a cumprir:
1ª etapa: Captar e limpar seus dados
A operadora começa captando informações sobre cada um de seus ativos. O grau de detalhamento varia conforme o ativo. A título de exemplo, os transformadores costumam exigir dados de cerca de 200 variáveis.
A maioria das operadoras nos diz que seus dados são escassos, irregulares ou nem sequer estão digitalizados. Entrar em boa forma pode parecer uma tarefa descomunal. Felizmente, advanced analytics pode ajudar. Algoritmos de validação de dados disparam alarmes para permitir que tendências ou dados anômalos sejam corrigidos; algoritmos heurísticos são capazes de “tapar buracos” nos dados; técnicas de reconhecimento de caracteres podem ser usadas para digitalizar documentos, mesmo que eles estejam em más condições; e classificadores de processamento de linguagem natural podem ajudar a captar dados a partir de texto livre. Dentro desta etapa, as operadoras também usam advanced analytics para reconstituir quaisquer redes em que tenham ocorrido falhas, a fim de identificar os ativos ou elementos afetados. Algumas operadoras têm essas informações armazenadas em seus sistemas de supervisão e aquisição de dados (SCADA, do inglês “supervisory control and data acquisition”), mas, em todo caso, terão de examinar dados adicionais, tais como ordens de serviço, anomalias anteriores, carga histórica, informações meteorológicas, a idade dos ativos e outras propriedades estruturais. Após compilar e correlacionar esses elementos, as operadoras poderão, então, classificar os ativos por probabilidade de falha.
2ª etapa: Quantificar seus níveis de saúde e de criticidade
Determinar a saúde e a criticidade de cada ativo é o ponto de partida para determinar os níveis gerais de risco e para segmentar as estratégias de gestão de ativos e as atividades de manutenção e substituição.
Para determinar a saúde ou a condição de um ativo, a operadora precisará avaliar múltiplas variáveis técnicas – provavelmente algo entre 10 e 40, dependendo do tipo de ativo. Também precisará levar em consideração fatores pertinentes à sua situação específica, como limiares técnicos definidos pelas autoridades reguladoras e a temperatura, caso opere em uma região com condições climáticas extremas. A título de exemplo, o Quadro 1 ilustra parâmetros e fatores usados para determinar a saúde dos transformadores.
Para determinar a criticidade de um ativo, a operadora precisará avaliar não apenas sua confiabilidade, sua segurança e seu ambiente local, como também fatores econômicos. A importância de fatores específicos varia amplamente entre operadoras e regiões. Por exemplo, uma operadora com a qual trabalhamos na região da Ásia-Pacífico considera um fator de peso a proximidade a polos industriais e a localidades distantes ou carentes, enquanto para uma operadora dos EUA, a proximidade a florestas e a suscetibilidade a incêndios são fatores importantes. O Quadro 2 ilustra variáveis típicas usadas na avaliação da criticidade de ativos de subestação.
Os aspectos determinantes da saúde dos ativos estão sujeitos a pareceres técnicos, a modelos de engenharia e à experiência individual. Até dentro da mesma operadora, pessoas diferentes podem ter opiniões diferentes sobre quais variáveis são mais importantes. Para solucionar essa subjetividade, as operadoras devem usar modelos de pontuação de engenharia – modelos preditivos baseados na ciência da engenharia elétrica, nos conhecimentos da instituição e na experiência prática.
Por mais poderosas que sejam, as técnicas de advanced analytics só podem ser eficazes em otimizar a manutenção se processarem a lógica e os dados corretos. Os líderes seniores de uma empresa ficaram surpresos ao descobrirem que um dos melhores indicadores da condição de um disjuntor era o tempo que levava para abrir um interruptor – informação que, durante anos, os técnicos de campo antigos poderiam ter passado a eles, se tivessem sido indagados a respeito.
O uso de advanced analytics permite que as operadoras testem, com rigor e eficiência, os conhecimentos técnicos e a lógica de engenharia no que tange a falhas ou anomalias. Quanto mais dados um modelo processa, mais precisas se tornam suas estimativas e previsões. A capacidade computacional e os conhecimentos matemáticos convergem para ajudar as operadoras a atualizarem e melhorarem frequentemente os métodos que usam para calcular a saúde de um ativo. Técnicas matemáticas e estatísticas como a aprendizagem de máquina (inclusive florestas aleatórias, gradient boosting e redes neurais), a lógica fuzzy e o processamento de linguagem natural (inclusive analisadores semânticos e classificadores bayesianos) podem ser implantadas, dependendo do tipo de ativo. Ao combinar as informações sobre a saúde e a criticidade de cada ativo, uma operadora pode determinar seu nível de risco, conforme mostra o exemplo de alimentadores de distribuição no Quadro 3. Tendo avaliado o nível de risco de todos os seus ativos, a operadora pode, então, seguir para a terceira e última etapa.
3ª etapa: Adaptar sua estratégia de gestão de ativos
Esta etapa envolve analisar a frequência de monitoramento e inspeção, ajustar as práticas de manutenção programada e de rotina e levar em consideração sugestões de substituição e manutenção corretiva. Concessionárias que estejam em busca de melhorar o desempenho de seu sistema, reduzir custos, ou ambos, podem adotar esta abordagem segmentada para atingir seus objetivos. Elas obtêm vantagens com o prolongamento da vida útil dos ativos, com o agrupamento de anomalias semelhantes para serem resolvidas pelas mesmas equipes e com diversas outras oportunidades, como a otimização dos custos de poda com base no risco de falha causada pela vegetação.
Uma operadora com a qual trabalhamos decidiu substituir antes do previsto alguns ativos que apresentavam problemas porque eles eram críticos; ao mesmo tempo, permitiu que outros ativos falhassem antes de serem substituídos, de modo a não desperdiçar recursos com a manutenção de ativos menos críticos. A operadora também aumentou a frequência de inspeção de alguns ativos relativamente saudáveis porque qualquer falha neles teria um efeito desproporcional em sua rede. Muito embora os níveis de atividade tenham subido nos ativos mais críticos e naqueles que precisavam ser substituídos, a operadora conseguiu reduzir em 10% seus custos totais previstos.
As empresas de T&D podem aplicar a mesma lógica em cada componente de sua rede, desde as subestações até as ligações dos clientes. Algumas operadoras foram além e consolidaram sua abordagem em múltiplos tipos de ativo. Isso propiciou a elas uma perspectiva holística que lhes permite otimizar a alocação de despesas operacionais e despesas de capital a diversas classes de ativos com base no risco de abastecimento previsto, gerando uma economia adicional de 5%, além da economia de 15% obtida na classe de ativos originalmente abordada.
Algumas empresas de ponta estão começando a adotar poderosas ferramentas de software que exibem dados críticos em um formato visual fácil de entender – muitas vezes em aplicativos de tablet – e sugerem a ação ideal de manutenção ou substituição para um determinado ativo em um dado momento. Um engenheiro de campo, técnico ou gerente pode aceitar ou rejeitar a sugestão com um único clique. Se a decisão for “sim”, o sistema é acionado automaticamente para gerar as ordens de serviço necessárias e colocar equipes e recursos em ação.
Obtenção de benefícios além da gestão de ativos
As operadoras que usam métodos de advanced analytics para otimizar a manutenção também obtêm ganhos adicionais que extrapolam a gestão de ativos.
Em primeiro lugar, ao usarem um processo de extração, transformação e carregamento (ETL, do inglês “extract, transform, load”), as operadoras podem pegar dados que estão localizados em múltiplas bases e que são organizados de formas diferentes, extraí-los e colocá-los em uma única base de dados categorizada de maneira uniforme. Ter dados em um formato no qual eles possam ser acessados com facilidade e usados por qualquer parte da organização proporciona uma base confiável – uma única fonte da verdade – para todas as decisões de gestão de ativos, eliminando a ambiguidade e as contradições que surgem quando se faz malabarismo com dados provenientes de muitas fontes. Após passar um mês implementando essa etapa, uma operadora confessou que, mesmo que seu programa de transformação tivesse parado neste ponto, o benefício de tornar seus dados cristalinos teria feito toda a iniciativa valer a pena.
Em segundo, os dados podem ser integrados em aplicativos que permitem que a gerência de linha de frente otimize o direcionamento das equipes de manutenção com base na distância, nos fluxos de tráfego, nas condições meteorológicas, e assim por diante. Uma operadora deu um passo a mais e desenvolveu um aplicativo que possibilita aos técnicos usarem suas observações em campo para atualizarem informações sobre a saúde da rede em tempo real por meio de seus tablets.
Em terceiro, as informações granulares fornecidas por advanced analytics dão às operadoras uma visão mais clara do desempenho das equipes e permite que gerenciem os prestadores de serviços com maior eficácia. Uma concessionária dos EUA estava pagando centenas de milhões de dólares a prestadores de serviços para cortarem galhos e retirarem árvores caídas perto de suas linhas de distribuição de energia. Após analisar e modelar seus dados, a empresa pôde otimizar os cronogramas e aumentar a produtividade das podas, ao comparar e pontuar o desempenho das equipes e sinalizar desvios para os supervisores. Isso possibilitou a ela melhorar suas negociações com os prestadores de serviços e poupar 25% dos seus gastos contratuais, obtendo 5% de economia apenas no primeiro ano.
Accelerating digital transformations: A playbook for utilities
Quarto, o uso de análises sofisticadas permite que as operadoras sejam mais prudentes em suas despesas de capital, à medida que a geração distribuída cresce. Com essa tendência, alguns clientes podem sair totalmente da rede, deixando a conta das melhorias na infraestrutura de energia e dos ativos improdutivos para ser paga pelas operadoras que permaneceram na rede (e pelos clientes delas).
Quinto, à medida que estruturas regulatórias como totex2 e RIIO3 evoluem, há um reconhecimento crescente da necessidade de as operadoras investirem mais, adotarem novas tecnologias e melhorarem os indicadores confiabilidade, de eficiência energética e outros indicadores de qualidade. A incorporação de advanced analytics permite que as operadoras atendam a maioria desses requisitos.
Ingredientes do sucesso
Tendo trabalhado com muitas empresas de energia elétrica e de outros setores, nós sabemos, por experiência própria, que não é fácil integrar analytics à gestão de ativos. Descobrimos, no entanto, que as transformações mais bem-sucedidas têm em comum uma série de aspectos fundamentais:
Fazer a empresa trabalhar com analytics e TI para abordar as oportunidades de forma ágil. Analytics traduz as necessidades de negócios em necessidades de TI, e TI se concentra em oferecer o maior benefício possível a todas as partes da organização. Em empresas nas quais TI ou analytics lidera as mudanças, o lado dos negócios pode, muitas vezes, ficar distante e cético, e vice-versa. Em nossa experiência, só se pode fazer um progresso real quando TI, analytics e negócios estão em forte sintonia, seguem uma abordagem colaborativa e iterativa, e respondem a mudanças com rapidez e flexibilidade.
Basear toda a estratégia de manutenção na saúde e criticidade dos ativos. Quando índices robustos de criticidade e saúde dos componentes da rede de T&D são colocados no centro de uma abordagem focada na confiabilidade, as operadoras podem cortar custos sem comprometerem a confiabilidade, e surgem oportunidades de realocar os recursos financeiros para onde eles são mais necessários. Em nossas conversas com as operadoras, muitas têm visto essa abordagem como uma forma de promover mais discussões sobre a alocação do capital baseadas em riscos.
Assegurar que os sistemas de TI estejam integrados corretamente e que os dados estejam bem estruturados. Dados dos sistemas pertinentes (ERP, SCADA, etc.) precisarão ser combinados com perfeição nas avaliações da saúde e criticidade dos ativos e nos modelos de decisão. Às vezes, as operadoras delegam alguns desses sistemas a parceiros técnicos, mas precisarão desenvolver uma perspectiva holística em todos os seus sistemas para entender como eles podem ajudar a atingir os objetivos de negócios.
Fazer o ajuste fino das estruturas e processos organizacionais. As etapas principais aqui incluem acabar com os silos, passar a autoridade de tomada de decisões dos departamentos para os líderes seniores e implementar processos que integrem necessidades de negócios, conhecimentos técnicos e insights analíticos, bem como promover melhorias contínuas. De acordo com nossa experiência, o desenvolvimento de histórias de sucesso em diferentes regiões e tipos de ativo ajuda a superar qualquer resistência organizacional a esses tipos de mudança.
Desenvolver as habilidades dos stakeholders com relação à gestão (e sobretudo à regulamentação). A princípio, as entidades reguladoras podem ficar incomodadas com as novas abordagens de gestão de ativos, particularmente quando elas envolvem a redução da frequência de monitoramento de ativos de baixa criticidade ou com boa saúde. Uma empresa que queria reduzir sua frequência de monitoramento de uma vez a cada dois anos para uma vez a cada cinco anos foi impedida de levar seu plano adiante pelas autoridades reguladoras. As preocupações com a integridade das redes de energia terão de ser abordadas construtivamente, de uma maneira que enfatize a confiabilidade da manutenção preditiva e suas vantagens para os clientes, bem como para as próprias operadoras.
Assegurar que a liderança venha da alta gerência. Incorporar advanced analytics ao ponto de intersecção entre o negócio principal e os sistemas de dados e de TI é um empreendimento complexo, e as concessionárias costumam ter dificuldades para atingir os resultados que esperam. É essencial garantir uma forte colaboração entre a equipe de TI e as equipes técnicas e de engenharia. Para concretizar a transformação, a alta gerência precisa priorizar a digitalização e incutir urgência em toda a organização.
Após décadas dedicando atenção a seus ativos, as operadoras de T&D estão ficando sem opções no que diz respeito à gestão dos custos e à proteção das margens. A adoção de advanced analytics para respaldar a manutenção preditiva proporciona uma nova maneira de melhorarem o desempenho e, ao mesmo tempo, reduzirem os custos da gestão de ativos em até10% ou 20%.
