Approches prédictives pour prévenir les pannes, contrôler les coûts et servir les clients
A major cost for electricity suppliers is managing tree growth to keep transmission “feeder” lines clear of overgrowth and prevent outages. A southern electric utility with operations in three states spends up to $100 million a year on this effort. The company wanted to explore ways to both defend this budget in the face of cost-cutting measures and optimize vegetation management.
NTT DATA and its Decision Architecture framework enabled the utility to move up the analytics maturity curve to help the company understand not only what happened, but why it happened, what will happen and how it can influence future decision-making.
20 à 30 M$
Réduire les risques de panne grâce aux données
Un coût important pour les fournisseurs d’électricité est la gestion de la croissance des arbres pour garder les lignes d’alimentation de transmission exemptes de croissance excessive et prévenir les pannes. Ce service public voulait défendre son budget annuel de 100 millions de dollars pour éviter les mesures de réduction des coûts et optimiser ses pratiques de gestion de la végétation.
L’entreprise voulait également tester une hypothèse selon laquelle l’utilisation de modèles statistiques pour guider où et quand couper la végétation autour des lignes d’alimentation pourrait augmenter la fiabilité et réduire les coûts en évitant les pannes.
Transformer la stratégie de gestion de la végétation
Les horaires rotatifs actuels des services publics pour la coupe étaient basés sur un calendrier et ne tenaient pas compte des répercussions financières des pannes. Ils n’ont pas non plus considéré une mesure clé : les minutes du client ont été interrompues.
Grâce au processus d’architecture décisionnelle, l’équipe de NTT DATA a développé un modèle statistique pour classer les alimenteurs par ordre de priorité de coupe en fonction des économies prévues de l’IMC, pas seulement selon un calendrier temporel. Une série de visualisations Power BI de Microsoft, partagées entre les trois sociétés d’exploitation, comprenait des modèles prédictifs intégrés pour soutenir l’analyse d’affaires et stimuler le pouvoir décisionnel.
En donnant à l’utilitaire la perspective de couper la bonne végétation au bon moment, cette solution prédictive est estimée à économiser 20 millions de dollars à 30 millions de dollars par année en coûts liés aux pannes. Il permet également des niveaux plus élevés de service continu aux clients en réduisant les interruptions soutenues dues à la végétation surmenée.
Stimuler les économies opérationnelles grâce à l’analyse
- Économies annuelles de 20 à 30 M$
- Expériences moins de pannes liées à la végétation surchargée
- Atteint des niveaux de service continu plus élevés
À propos de l’étude de cas
Un service public d’électricité exploité dans trois États américains tire parti d’un cadre d’analyse décisionnel et de visualisations Microsoft Power BI pour améliorer la prise de décision d’affaires.
Siège social de l’industrie de l’
énergie États
-Unis