Reaaliaikainen data ja sen jakaminen näyttelee suurta osaa energiateollisuuden CO2-päästöjen vähentämisessä

Harri Lääveri
CO2 Reaaliaikainen data energiateollisuus

Energiateollisuus on kovan paikan edessä, kun Suomen valtion tavoitteena on olla täysin hiilineutraali vuoteen 2035 mennessä. Energiateollisuus ry:n toimitusjohtaja Jukka Leskelä on kuitenkin todennut, että: ”Suurimmat haasteet ovat liikenteessä, maataloudessa ja teollisuudessa. Energia-alasta tämä tavoite ei jää kiinni.” Silti tehtävää riittää vielä, jotta tavoitteeseen voidaan päästä.  

Tavoitteeseen pääsy tulee vaatimaan monipuolisempaa uusiutuvien energianlähteiden hyödyntämistä, nykyisten tuotantolaitosten modernisointia sekä näiden tuotannon päästötehokkuuden parantamista. Näistä kaksi ensimmäistä realisoituvat hitaasti, mutta viimeisenä mainittu on toivottavasti jo aloitettu jollain tasolla suurimmassa osassa alan toimijoista. Tässä reaaliaikainen data ja sen hyödyntäminen ovat elintärkeitä.

Tuotannon optimoiminen on jatkuva prosessi, jonka pohjimmainen tavoite on löytää keinot, joilla energiantuotantolaitos voi maksimoida tuotettavan energian määrän sekä minimoida syntyvät päästöt eri tilanteissa. Voidakseen optimoida tuotantoaan, on energiayhtiöllä oltava käytössään sekä reaaliaikainen data aina sen hetkisestä tilanteesta että tieto siitä, miten erilaiset muutokset tuotantoprosesseissa vaikuttavat kokonaistilanteeseen. Lisäksi on tunnettava erilaiset piikit energiantuotannon tarpeissa, jotta niitä kyetään ennakoimaan mahdollisimman hyvin.

Käytännön esimerkki:
Turvetta osittain polttoaineenaan käyttävän energiantuotantolaitoksen käyttöhenkilökunta havaitsee, että CO2-päästöjä syntyy liikaa. Samalla he näkevät, että poltettavan turpeen kosteusprosentti on liian suuri. Tämän perusteella käyttöhenkilö voi kasvattaa turpeeseen sekoitettavan kuivan puuhakkeen määrää ja siten minimoida CO2-päästöjä. Tuotannossa on aiempien tuotantokokemusten perusteella saatu tieto, minkä verran haketta on sekoitettava mukaan, jotta haluttu tulos saavutetaan.

 

Tilannekuva nähtäville

Prosessin reaaliaikainen data on toki useimmiten jo jokaisen sellaisen energiantuotantolaitoksen käytössä, joka on riittävän suuri pitääkseen sisällään valvomon. Eri asia on, onko prosessidata nähtävissä niille, jotka pyrkivät löytämään keinoja optimoida tuotantoa. Entä onko avainhenkilöiden nähtävissä koko laitoksen tuotantodata reaaliaikaisena? Tavoitteisiin ei voi päästä, mikäli ei tunneta edes nykytilannetta. Tämän vuoksi ensimmäinen askel kohti optimointia onkin tämän tilannekuvan saaminen nähtäväksi.

Kuinka moni käyttöpäällikkö osaa sanoa omasta laitoksestaan reaaliaikaisesti, kuinka paljon laitos tuottaa päästöjä juuri sillä hetkellä? Ja entä jos energian tuotantolaitoksia on useampia ja lisäksi muutamia pienempiä satelliittilaitoksia, tunnetaanko näiden kaikkien yhteistilanne reaaliajassa?

 

Data on tuotanto- ja päästötehokkuuden mahdollistaja

Hiilineutraaliuteen pääseminen tulee vaatimaan nopeampaa optimointia tuotannossa. Ja tässä optimoinnissa reaaliaikainen data, ja data ylipäätään, on tärkein työkalu. Reaaliaikainen data kertoo, onko tuotannossa kaikki kohdillaan.

Data on keskiössä myös optimoinnin keinojen löytämisessä. Erilaisten tuotantovaihtoehtojen mallintaminen ja näistä malleista syntyvän datan analysoiminen on pidempi prosessi, mutta sen seurauksena luodaan energiantuotantolaitokselle työkalupakillinen keinoja suunnitella tuotantoa ja reagoida poikkeustilanteisiin optimaalisella tavalla.   

Malleista kertyy paljon dataa sekä prosessi- että laitostasolla. Tämän datan analysoimisessa koneoppimisen hyödyntäminen mahdollistaa nopeamman, tarkemman ja kattavamman data-analyysin kuin perinteiset keinot.

 

Yhteiset tavoitteet  

Tilannekuvan ollessa selvillä ja datan ollessa helposti kaikkien saatavilla, saadaan optimointia vauhditettua jakamalla tuota dataa laitoksen sisällä. Datan jakaminen ja esittäminen edistää työntekijöiden ymmärrystä siitä, miten he voivat omalla työpanoksellaan vaikuttaa energiantuotantolaitoksen tuottamiin päästöihin. Omien ponnistelujen seurausten nähtäville tuominen voi myös edistää tavoitteisiin pääsyä yritystasolla, kun tekojen syy-yhteyden näkeminen saa työntekijät sitoutumaan tiukemmin tavoitteisiin.

 

Mikä pidättelee reaaliaikaisen datan hyödyntämistä?

Tällä hetkellä suurimmat esteet reaaliaikaisen tilannekuvan luomisessa sekä data-analyysissä on se, ettei moni energiayhtiö pääse helposti käsiksi omaan dataansa, sillä se sijaitsee laitevalmistajan automaatiojärjestelmissä rajatun pääsyn takana. Jos tuotantolaitoksia on useita, voi myös laitevalmistajia olla useita, jolloin data sijaitsee monessa paikassa ja mahdollisesti energiayhtiön tavoittamattomissa.

Pääsy dataan on varmasti järjestettävissä, mutta se voi olla monen mutkan takana. Tämän vuoksi energiayhtiön kannattaa pohtia sitäkin, olisiko heidän järkevämpää hallita omiin tuotantolaitoksiinsa liittyvää dataa itse ja varmistaa, että se sijaitsee paikassa, johon myös heillä itsellään, automaatiojärjestelmätoimittajan lisäksi, olisi helppo pääsy.

 

Hyvässä vauhdissa, mutta kaukana maalista

Matka hiilineutraaliuteen on energiateollisuuden osalta hyvällä mallilla. Maali ei ole kuitenkaan vielä näköpiirissä ja matka vaikeutuu loppua kohden. Tuotantolaitosten modernisointi on edessä monella energiayhtiöllä ja energiantuotannon diversiteettiä on kasvatettava painottaen uusiutuvia energian lähteitä, kuten tuulivoimaa.

Välttämätöntä on myös nykyisten energiantuotantolaitosten tuotannon optimointi. Optimoiminen puolestaan vaatii onnistuakseen reaaliaikaista dataa ja tuon datan jakamista sitä tarvitsevien henkilöiden käyttöön – käytännössä kaikkien, jotka osallistuvat tuotantoprosessiin jollain tavalla.

Hyvä uutinen on se, että tämä on mahdollista toteuttaa nyt ja ilman suuria tuotantolaitoksiin kohdistuvia rakenteellisia muutoksia.

 


Harri Lääveri

Sähkönsäästöä SUPERSENSE Econ avulla

Reaaliaikainen data eco sähkö
Antti Lehikoinen

Hajautetun kaukolämpötuotannon seuranta Supersense Analyticsin avulla

Kaukolämpö supersense tilannekuva
Katri Keltikangas

Hyödynnä tekoäly ja koneoppiminen liiketoiminnassa

supersense KoneOppiminen TekoÄly

Näytä kaikki