Kwaliteit laagspannings­netten naar hoger ­niveau brengen

Oorzaak van storingen in LS-netwerken van 2007 - 2016. Boven de belangrijkste oorzaken, onder de resterende oorzaken.

Voorbereidend werk

De componenten waaruit een LS-net is opgebouwd en die verantwoordelijk kunnen zijn voor storingen, zijn: de hoofdkabel, de aansluitkabel, de kabelmof en de aansluitmof (de koppelingen); tevens is de MS/LS-transformator tot een LS-net te rekenen als koppeling van het laagspannings- naar het middenspanningsnet. De kabels en moffen kenmerken zich enerzijds door het geleidende materiaal (koper of aluminium) en daarnaast door het type isolatie (GPLK of kunststof). Verder onderzocht Klerx wat de huidige betrouwbaarheid is van de LS-netten. ‘Op dit moment wordt deze betrouwbaarheid vaak gemeten in statistieken als SAIDI (system average interruption duration index), SAIFI (system average interruption frequency index) en CAIDI (customer average interruption duration index). Doorgaans zijn SAIDI en SAIFI laag voor LS-netwerken en CAIDI relatief hoog. De onderbrekingen die in deze statistieken worden gebruikt, zijn afkomstig uit een onderbrekingsregistratie-database. De gegevens worden ingevoerd door de monteur die de verbinding na onderbreking herstelt. Dit is verplicht in Nederland en betekent dat er relatief veel gegevens beschikbaar zijn die samenhangen met verschillende storingen. Hieruit blijkt onder meer dat de meeste storingen worden veroorzaakt door veroudering (degradatie), beschadigde kabels of intermitterende storingen. Naast deze gegevens is er ook data beschikbaar over de onderdelen zelf en de omgeving waarin ze worden gebruikt.’

Analyse

Na het vooronderzoek is Klerx gestart met een beschrijvende analyse van de beschikbare data om zo patronen en trends te ontdekken. Een van de relevante variabelen is de oorzaak van het falen van een netwerkverbinding. Uit de analyse blijkt dat de meeste onderbrekingen op LS-niveau worden veroorzaakt door graafschade of een onbekende oorzaak. Herhaalstoringen komen eveneens vrij vaak voor.
Klerx: ‘Opvallend is dat slechts een klein deel van de storingen wordt veroorzaakt door veroudering of slijtage; dit kan erop wijzen dat LS-componenten aan de binnenkant zelden degraderen. Iets wat ook al uit mijn vooronderzoek bleek. Een andere opvallende conclusie is het feit dat storingen over het algemeen niet samenhangen met de leeftijd van de componenten.’ Een meer diepgaande manier om de conditie van LS-componenten te analyseren is het voorspellen van de ‘time to failure’; uitgedrukt in de faalkans. Het doel van deze analyse binnen het onderzoek is om de relatieve faalkans te berekenen en te ontdekken welke covariaten deze faalkans significant beïnvloeden. Hiervoor bestaan verschillende methoden: niet-parametrische, semi-parametrische en parametrische methoden. Klerx onderzocht de verschillende methoden en vergeleek ze met elkaar om de meest geschikte te kunnen selecteren. ‘Uiteindelijk bleken de niet-parametrische RSF (random survival forest) en semi-parametrische CPH-methoden (cox proportional hazard) de beste te zijn. Voor de meeste leeftijden van de assets voorspelden beide methoden ongeveer dezelfde faalkans. Voor hogere leeftijden namen de prestaties van RSF echter af waardoor de CPH-regressie overbleef als beste methode om de conditie van de verschillende onderdelen – hoofdkabels, servicekabels en koppelingen – van LS-netten te beoordelen.’

Geografische plot van hoofdkabels met een relatief hoge faalkans in een deel van een groot LS-netwerk in Nederland.

Conditiebepaling

Uit het onderzoek naar de CPH-methode concludeerde Klerx dat het model voor elk van de drie componenttypen ongeveer hetzelfde presteert. De kwaliteit van de voor spellingen is gemiddeld, wat betekent dat het model niet in staat is om de exacte ‘time to failure’ te voorspellen. ‘Toch is het voorspellend vermogen groot genoeg om een betrouwbaar inzicht te geven in de invloed van covariaten op de faalkans’, geeft hij aan. Uit het model blijkt onder meer dat de covariaat ‘het aantal onderbrekingen in de hoofdkabel’ leidt tot een hogere faalkans voor alle drie de componenttypes. De oorzaak van deze relatie kan liggen in verschillende fenomenen; bijvoorbeeld een kortsluitstroom, de algemene conditie van de lokale netten of een te hoge spanning die wordt gebruikt om storingslocaties te zoeken (en te vinden). Daarbij hebben ook andere covariaten een significante invloed op de faalkans; hiertoe behoren onder meer het bodemtype, het geleidermateriaal en het type koppeling. Om de toestand van LS-distributienetten in te schatten met behulp van het CPH-model, wordt een relatieve faalkans berekend met de exponent van de lineaire voorspeller. De lineaire voorspeller is weer het product van coëfficiënten en covariaten conform:

∫(t) = b₁x₁ + b₂x₂ + … + b_px_p

De coëfficiënten worden weergegeven door bp en de covariaten door xp. Uit de formule volgt dat een combinatie van hoge coëfficiënten en covariaten leidt tot een hoge uitkomstwaarde. Componenten met eigenschappen die leiden tot een hoge faalkans zullen via deze formule dan ook hoog scoren. Klerx: ‘Een schatting van de conditie op basis hiervan, maakt het mogelijk om componenten te rangschikken op de waarschijnlijkheid dat er een storing optreedt; dit op basis van historische gegevens.’ Componenten met een hoge relatieve faalkans kunnen op verschillende manieren worden geanalyseerd; bijvoorbeeld door middel van geografische plots.
Voor netbeheerders zijn de uitkomsten hiervan op drie manieren waardevol. Als eerste verhogen de resultaten het inzicht in de kwaliteit en conditie van de netwerken. Daarnaast kunnen ze aanleiding vormen om bepaalde componenten met een hogere faalkans bewust te bewaken om storingen te voorkomen. Tot slot kunnen de gegevens als basis dienen voor vervangingsstrategieën en aangeven welke componenten tijdens onderhoud als eerste moeten worden vervangen.
Klerx: ‘Het model is te gebruiken als ‘proof of concept’ om historische gegevens in te zetten voor het beoordelen van de conditie van LS-netten. De betrouwbaarheid van de voorspellingen van een model met toegevoegde covariaten is iets beter dan een model zonder covariaten. Door in de toekomst meer en betere data te verzamelen over de componenten, storingen en omgeving, is het model verder te verbeteren. Omdat het belang van LS-netten toeneemt naarmate de energietransitie vordert, zal het belang om het model te verbeteren ook toenemen. Een iteratief proces waarvoor in dit onderzoek de eerste stappen zijn gezet.’

‘Slechts een klein deel van de storingen wordt ­veroorzaakt door ­veroudering of slijtage’

Capaciteit

In een volgende stap van het onderzoek ontwikkelde Klerx een integrale aanpak om een methode voor capaciteitsplanning te combineren met een methode voor het schatten van de conditie voor LS-componenten. Voor het bepalen van de conditie op basis van de relatieve faalkans, wordt de beschreven CPH-methode gebruikt. Deze schatting alleen zou al nuttig zijn voor netbeheer, maar krijgt meer waarde wanneer hij wordt gecombineerd met capaciteitsplanning. Capaciteitsknelpunten zijn te bepalen via een bottom-up-benadering waarmee tevens de impact van hernieuwbare energietechnologieën op het LS-net is te voorspellen. De combinatie van beide parameters leidt tot een rangschikking van LS-componenten die is gebaseerd op de voorspelde conditie en capaciteitsknelpunten. De positie op de ranglijst is op deze manier gebaseerd op de kans dat een component een storing doorstaat en het moment dat het eerste capaciteitsknelpunt wordt verwacht. Deze functionaliteit van de gecombineerde aanpak is getest in een casestudy waarin LS-componenten van een grote netbeheerder zijn meegenomen. De bijbehorende geografische plots tonen verschillende resultaten voor verschillende locaties. Zo zijn er locaties waar niet of nauwelijks knelpunten worden voorspeld, maar ook locaties waar knelpunten al snel en ook in ernstige mate kunnen optreden. In de case study overlapt meer dan 40 procent van de conditieknelpunten met capaciteitsknelpunten. Locaties waar overlap voorkomt, zijn interessant omdat de faalkans is te verminderen door capaciteitsknelpunten op te lossen. Deze assets vervangen kan leiden tot een kostenreductie van LS-storingen die kan oplopen tot 15 procent. Klerx: ‘Al met al blijkt de gecombineerde methode een functionele en toepasbare aanvulling te zijn op bestaande methoden en extra informatie op te leveren over te verwachten knelpunten. Een goede basis om alternatieve strategieën voor vermogensbeheer te ontwikkelen. Wanneer netten bijvoorbeeld moeten worden versterkt door het toenemend aantal hernieuwbare energiebronnen, dan is het verstandig om de knooppunten met het hoogste gecombineerde risico – falen/capaciteit – als eerste aan te pakken.’

Resultaten van het gecombineerde model voor een voorstad van een van de grotere steden in Nederland.

Onderhoudsstrategieën

Tot slot bekeek Klerx in het kader van zijn onderzoek alternatieve onderhoudsstrategieën die kostenefficiënter zijn dan het huidige correctieve onderhoud. Tijdens dit deelonderzoek zijn verschillende scenario’s geanalyseerd waarbij de LS-netten op uiteenlopende manieren worden belast aan zowel de vraag- als aanbod kant. Voor de toekomst wordt immers verwacht dat de LS-netten te maken krijgen met steeds hogere en wisselende belastingen. Voor de verschillende scenario’s analyseerde Klerx of een alternatieve strategie winstgevender is dan de huidige praktijk. ‘In totaal zijn er vier scenario’s geanalyseerd waarbij de verschillende onderhoudsstrategieën zowel kwantitatief als kwalitatief zijn beoordeeld. De kwantitatieve vergelijking wordt uitgevoerd met behulp van een beslissingskader voor onderhoud. Dergelijke kaders zijn in staat om vast te stellen wanneer een alternatieve strategie beter is dan het correctieve onderhoud, gekeken naar het moment in tijd en de hoeveelheid te voorkomen storingen. De kwalitatieve vergelijking is gebaseerd op verschillende kwalitatieve criteria. Uit alle scenario’s blijkt dat het voor netbeheerders verstandig is om samen te werken met andere nutsbedrijven én bedrijven die openbare graafwerkzaamheden verrichten. Dit om de kostenefficiëntie te verbeteren, overlast te verminderen, de toekomstbestendigheid te verbeteren en risico’s te minimaliseren.’ Tot slot meent Klerx dat condition based onderhoud veelbelovend is, maar dat de toepasbaarheid ervan sterk afhankelijk is van de beschikbare meetapparatuur. ‘Preventief onderhoud raad ik af omdat deze meestal gebaseerd is op gebruik of leeftijd. Gebruik wordt in LS-netten (nog) niet op grote schaal gemeten en eerder merkten we al op dat het aantal storingen nauwelijks gerelateerd is aan leeftijd. Wat dat betreft zijn er op dit moment dus geen parameters beschikbaar waarop preventief onderhoud is te baseren.’

Conclusie

LS-netten worden steeds belangrijker in het kader van de energietransitie. Om die reden is het belangrijk om methodes te vinden waarmee de conditie van deze netwerken is te monitoren. Met behulp van de CPH-methode en bestaande, historische gegevens zijn relatief betrouwbare voorspellingen te doen. Deze voorspellingen krijgen nog meer waarde wanneer deze worden gecombineerd met voorspellingen ten aanzien van capaciteitsproblemen in het LS-netwerk. Het levert een houvast om te bepalen welke componenten als eerste zouden moeten worden vervangen om de betrouwbaarheid van het LS-net te maximaliseren en de kosten te minimaliseren. Daarbij raadt Klerx netbeheerders aan om bij de praktische uitvoering tijdens het vervangen van componenten samen te werken met nutsbedrijven en bedrijven die openbare graafwerkzaamheden uitvoeren. Dit om zowel overlast te beperken als kosten te drukken.

Tekst: ing. Marjolein de Wit - Blok
Fotografie: TU/e