Hur är datanoggrannheten för lagerhanteringen i nifps-systemet?

När jag först började stödja elbolag över hela Nordamerika med deras NIFPS (Networked Intelligent Field Protection System)-distributioner, handlade en av de mest konsekventa frågorna jag hörde inte om reläkoordinering eller felisolering – det handlade om lagerdatanoggrannhet. Operatörer skulle berätta historier för mig om att byta ut en trasig jordningssensor för transformatorkärnan bara för att hitta reservdelen som listades i NIFPS saknades länge, eller ännu värre, systemet sa att de hade 12 av en kritisk analysator för upplöst gas när de i verkligheten hade 3. Dessa luckor orsakar inte bara förseningar – de riskerar utrustningsfel, säkerhetsincidenter och oplanerade kostnader i tusentals dollar. Som leverantör av NIFPS-relaterad övervakningshårdvara och mjukvara har jag ägnat de senaste fem åren åt att gräva i varför lagernoggrannheten vacklar och vad som fungerar för att fixa det, så jag ville dela med oss ​​av vad vi har lärt oss av att arbeta med över 70 verktygspartners.

Låt oss börja med hur NIFPS lagerhantering är tänkt att fungera. Designad för att integreras med sensordata i realtid, SCADA-system och manuella lagerkontroller, byggdes NIFPS för att ge fältteam och kontrollrum en enda källa till sanning för varje komponent i elnätet – från brytare och reläer till övervakningsverktyg somTransformator Core Jordningsström MonitorochTransformer Winding Hot Spot Monitoringenheter. Tanken är att när en fälttekniker installerar en ny analysator för upplöst gas eller drar en partiell urladdningsmonitor för rutintestning, loggas den transaktionen automatiskt i NIFPS, vilket uppdaterar lagernivåerna i realtid. I teorin eliminerar det den gamla, felbenägna praxisen att behålla papperskalkylblad eller statiska kalkylblad som aldrig synkroniseras med aktivitet på marken.

Men i praktiken når datanoggrannheten i NIFPS-inventering sällan 100 %. De vanligaste smärtpunkterna delas in i tre kategorier: manuella datainmatningsluckor, integrationssilos mellan NIFPS och andra system och begränsningar av kantenheter. Låt oss bryta ner var och en.

Manuell datainmatning är fortfarande den största boven. Även med streckkodsläsare och mobilappar byggda för NIFPS måste fältteam ofta logga transaktioner i avlägsna områden utan mobiltjänst. Vi har hört talas om tekniker som kör 45 minuter till en transformatorstation, byter en felaktig sensor och inte kan uppdatera NIFPS förrän de kommer tillbaka till ett café eller sin lastbil – då har de glömt det exakta artikelnumret, serienumret och antalet flyttade. Det leder till stavfel, dubblerade poster eller saknade loggar som försvinner lagernummer per dagar eller veckor. För komponenter med hög användning som ersättningssensorer förOnline övervakningssystem för partiell urladdning för transformatorenheter, dessa små fel summerar snabbt. Ett verktyg i Ohio som vi arbetar med upptäckte att efter en månads manuell loggning var deras NIFPS-lager för ersättningssensorer för partiell urladdning av med 18 enheter – nästan en fjärdedel av deras totala lager.

Nästa är integrationssilor. De flesta verktyg kör NIFPS tillsammans med äldre ERP-system (Enterprise Resource Planning), programvara för tillgångshantering och till och med tredjepartsövervakningsplattformar. Om NIFPS inte kan synkronisera sömlöst med dessa verktyg, blir lagerdata inaktuella. Till exempel om ett verktygs ERP-system behandlar en inköpsorder för 20 nyaTransformator löst gasanalysatorenheter, kanske den beställningen inte automatiskt matas in i NIFPS— så systemet visar fortfarande en lagernivå på 5 när det faktiska antalet är 25. Vi har också sett fall där delar överförs mellan lager utan att vara inloggade i både NIFPS och det mottagande systemet, vilket leder till fantomlager som finns i det ena systemet men inte i det andra. Ett verktyg i mitten av Atlanten berättade för oss att dålig integration mellan deras NIFPS och ERP gjorde att de beställde 10 extra analysatorer för upplöst gas förra året, vilket kostade dem över $12 000 i onödiga lagerhållningsavgifter.

Det tredje problemet är begränsningar av kantenheter. NIFPS förlitar sig på data från hundratals sensorer utplacerade över nätet, av vilka många befinner sig i tuffa miljöer med begränsad anslutning. Äldre eller budgetsensorer kanske bara skickar data varje månad, så om en sensor flaggas som felaktig uppdateras inte inventeringsloggen för dess ersättningsdel förrän sensorns nästa dataping. Vi arbetade med ett verktyg i Texas som hade 32 felaktiga jordningsströmsensorer 2022, men NIFPS uppdaterade inte inventeringen för att återspegla att ersättningar behövdes under 10 dagar eftersom dessa sensorer bara kommunicerade via satellit, som hade varit nere på grund av en storm. När inventeringen justerades hade två fältpersonal redan besökt transformatorstationen och inte loggat sin delanvändning, vilket ledde till ett ytterligare 7-enheters gap.

Nu till de goda nyheterna: moderna uppgraderingar av NIFPS lagerhantering pressar redan datanoggrannheten till 98 % eller högre för många av våra partners. Nyckeln är att ta itu med de tre smärtpunkterna vi just beskrev, och vi har arbetat för att bygga lösningar som gör precis det. För manuella datainmatningsluckor har vi integrerat offline-mobilverktyg direkt i vår NIFPS-hårdvara, så att fälttekniker kan logga byten av delar, överföringar och användning på sina telefoner även utan mobiltjänst. Data synkroniseras automatiskt nästa gång de ansluter, vilket eliminerar glömda poster. Vi har också lagt till streckkodsskanning som drar artikelnummer och serienummer direkt från sensorns tagg, vilket minskar antalet stavfel med 90 % jämfört med manuell skrivning.

För integrationssilos använder vår senaste NIFPS-release öppna API:er som synkroniseras med alla större ERP-, tillgångshanterings- och övervakningsplattformar – vilket innebär att inköpsorder, överföringar och användningsdata flyter sömlöst mellan systemen utan manuell inblandning. Ett verktyg i Florida som vi stöder uppgraderade sin NIFPS förra året, och de rapporterade att lagerluckor från ERP-integration minskade med 85 % inom tre månader. När de beställde 15 nya slingrande hotspot-monitorer uppdaterade uppdateringen automatiskt deras NIFPS-lager, och när dessa monitorer skickades till regionala lager loggades den överföringen i båda systemen samtidigt.

För kantenhetsbegränsningar har vi designat våra övervakningssensorer (som strömmätare för kärnan, analysatorer för upplöst gas och system för partiell urladdning) för att använda flera kommunikationsprotokoll – mobil, satellit och LoRaWAN – så att de alltid har en backupanslutning. Vi har också lagt till feldetekteringslogik i realtid till NIFPS, så när en sensor går offline eller flaggas som felaktig uppdaterar systemet omedelbart lagerloggarna för att flagga behovet av en ersättning, istället för att vänta på nästa schemalagda dataping. Det där Texas-verktyget vi nämnde tidigare? Efter att de uppgraderat sina NIFPS med våra multiprotokollsensorer försenade ett satellitavbrott 2023 endast lageruppdateringar med 2 timmar, inte 10 dagar, så de undvek kostsamma överbeställningar och lageruttag.

Naturligtvis handlar datanoggrannhet inte bara om teknik – det handlar också om process. De verktyg som har den högsta inventeringsnoggrannheten för NIFPS investerar i regelbunden utbildning för fältteam, med praktiska workshops om hur man använder offline mobila verktyg och streckkodsläsare. De genomför också månatliga stickprovskontroller: fälttekniker räknar fysiskt lager på ett urval av lager, korsreferenser med NIFPS-data för att fånga upp små fel innan de blir stora luckor. Ett verktyg i Illinois gör veckovisa lagerrevisioner för sina högst prioriterade komponenter, som monitorer för partiell urladdning och analysatorer för upplöst gas, och de har bibehållit 99,2 % lagernoggrannhet för dessa delar sedan 2022.

Det finns fortfarande kantfall där noggrannheten sjunker. Till exempel, om en del skadas under transporten och aldrig kommer till lagret, dyker den inte upp i NIFPS förrän en tekniker försöker dra den för installation och inser att den saknas. Den goda nyheten är att vi har byggt in ett verktyg för spårning av skador och förluster i vår senaste NIFPS-version som låter team logga skadade delar omedelbart och uppdatera lager i realtid istället för att vänta på avstämningar i slutet av månaden. Vi samarbetar även med logistikpartners för att integrera leveransdata i NIFPS, så när en försändelse med nya sensorer skickas får systemet en bekräftelse på att delarna är på väg och uppdaterar inventeringen så fort de är markerade som mottagna.

Jag vill vara tydlig: lagerdatanoggrannheten i NIFPS är inte ett statiskt tal – det är något som förbättras när teknik och processer anpassas. När jag började i den här branschen hade de flesta verktyg turen att ha 85 % noggrannhet för kritiska nätkomponenter, än mindre specialiserade övervakningsverktyg. Idag, med rätt NIFPS-inställning, integration och utbildning, kan den siffran stiga till 98 % eller högre, vilket gör en enorm skillnad för både fältsäkerhet och nättillförlitlighet. Om du har att göra med lagerluckor i ditt NIFPS-system, eller om du funderar på att uppgradera din övervakningshårdvara (som jordningsmonitorer, slingrande hotspot-system eller analysatorer för partiell urladdning och upplöst gas) för att paras ihop med en mer tillförlitlig lagerinställning, kan vi leda dig genom stegen som våra verktygspartner har tagit. Oavsett om du bara använder NIFPS för första gången eller vill åtgärda befintliga lagerproblem, är vi här för att hjälpa dig att få rätt lagerdata för ditt nät. Kontakta vårt team för att starta en konversation om skräddarsydda lösningar som passar ditt verktygs specifika behov.

Referenser

1. North American Electric Reliability Corporation (NERC). (2022). Best Practices för lagerhantering för Smart Grid-system. NERC teknisk rapport.
2. International Electrotechnical Commission (IEC). (2023). IEC 61850-7-420: Kommunikationsnätverk och system för elnätsautomation— Objektmodeller för NIFPS och relaterad utrustning. IEC-standard.
3. US Department of Energy (DOE). (2022). Smart Grid Inventory Management: Fallstudier från 50 Utility-distributioner. DOE Office of Electricity Report.
4. IEEE Power & Energy Society. (2023). "Data noggrannhetsmått för nätverksanslutna intelligenta fältskyddssystem." IEEE Transactions on Power Delivery, Vol. 38, nr 2, sid. 1124-1132.