Jeder Versorgungsingenieur hat dieses Gefühl erlebt: Der Diagnosereport eines DGA-Labors für einen 30 MVA Transformator kommt an und zeigt, dass der Wasserstoffgehalt in drei Probenberichten gestiegen ist, aber es gibt keine Zeit, um den Grund zu untersuchen, da der Bericht in einer Schublade abgelegt wird und der Betriebsplan schon lange vorbereitet wurde. Sechs Monate später fällt der Transformator um 3 Uhr morgens aus und das Versorgungsunternehmen bleibt mit $800.000 für Ersatzkosten, Logistik und verlorene Rohstoffe zurück. Die Lösung ist bereits verfügbar. Es handelt sich um ein auf Big Data basierendes Lebenszyklusmanagementsystem für Transformatoren, das alle denkbaren Datenpunkte sammelt (Produktionstests, Transportstöße, Inbetriebnahme, DGA-Trends, Temperatur, Last, Lastabgriffbetrieb und Wartungsprotokolle) und Analysen zu den Informationen bereitstellt, die Ihnen das Datum des Ausfalls und dessen Kosten mitteilen.
In diesem Papier beschreibt der Autor die Prinzipien der Struktur eines datengestützten Lebenszyklusmanagementsystems, die Techniken (Zustandsüberwachung, digitale Zwillinge, zuverlässigkeitsorientierte Wartung, prädiktive Analytik) und die Wirtschaftlichkeit der Implementierung. Wenn Sie mindestens zehn Transformatoren verwalten, ist der Bedarf an praktischer Umsetzung eines strukturierten Lebenszyklusmanagementmodells offensichtlich.
Kurze Antwort: Das vollständige Lebenszyklusmanagementmodell für Transformatoren, das auf Big Data basiert, bezieht sich auf ein Datensystem zur Registrierung und Verarbeitung jedes möglichen Ereignisses, das im Leben eines Transformators passiert – Testergebnisse aus der Produktion, Daten zum Versand, Inbetriebnahmetests, Online-Überwachung (DGA, Temperatur, Luftfeuchtigkeit, Last), Wartungshistorie, Ausfallereignisse – mit dem Ziel, den Wartungsprozess zu verbessern, die Ausfallzeiten und den Austausch vorherzusagen.
Inhaltsverzeichnis
- Was ist vollständiges Lebenszyklusmanagement für Transformatoren?
- Die Lebenszyklusphasen & gesammelte Daten (Tabelle)
- Die Big Data-Architektur: Sensoren zu Entscheidungen
- Kerntechniken: Überwachung, Digitaler Zwilling & Prädiktive Analytik
- Traditionelles vs. datengestütztes Management (Vergleichstabelle)
- Die Wirtschaftlichkeit: Kosten, Einsparungen & Amortisation (Tabelle)
- Implementierungsfahrplan für Anlagenbesitzer
- Die Rolle des Herstellers: Daten, die im Werk beginnen
- Häufig gestellte Fragen
- Referenzen
- Fazit
Was ist vollständiges Lebenszyklusmanagement für Transformatoren?
Das vollständige Lebenszyklusmanagement (LCM) von Transformatoren betrachtet den Transformator als ein Asset, das einem finanziellen und technischen Lebenszyklus folgt, der in der Entscheidungsfindung während dieses Lebenszyklus durch die Nutzung von Daten ausgeschöpft werden sollte. Traditionelles Management arbeitet in Silos: Die Fabrik erstellt einen Bericht über Tests, der Installateur notiert die Inbetriebnahme, die Wartungsabteilung führt jedes Jahr Tests durch, und die Planungsabteilung entscheidet über den Austausch – wenn Informationen begrenzt sind und kein Feedback-Loop etabliert wurde. Das auf Big Data basierende Modell löst das Problem, indem es einen kontinuierlichen Datensatz mit Zeitstempeln für jede Einheit bereitstellt und die Geschichte nutzt, um Antworten auf zukünftige Fragen zu erstellen – wann sollte dieser Transformator getestet werden? Handelt es sich um einen sich entwickelnden Fehler im Zusammenhang mit dem wachsenden Gastrend? Sollte er renoviert oder ersetzt werden und wann ist der günstigste Zeitpunkt dafür?
Die intellektuelle Quelle der Ideen ist die auf Zuverlässigkeit ausgerichtete Wartungsmethodik (RCM) und die unterstützenden Asset-Management-Standards, wie IEC 60076-17 und die IEC 60300-Serie zur Verlässlichkeit. Big Data ermöglicht die Umsetzung dieser Ideen in einem beispiellosen Maßstab – Tausende von Einheiten, kontinuierliche Daten und Modelle, die sich jede Sekunde verbessern.
Die Lebenszyklusphasen & gesammelte Daten
| Lebenszyklusphase | Gesammelte Daten | Ermöglichte Managemententscheidungen |
|---|---|---|
| Design & Herstellung | Materialeigenschaften, Trocknungsprotokolle, Fabriktests, digitale Ist-Daten | Basislinie für alle zukünftigen Vergleiche; Verlustgarantieüberprüfung |
| Transport & Installation | Schock-/Neigungsprotokolle, Handhabungsdokumentation, Standortbedingungen | Transportbeschädigungen vor der Inbetriebnahme erkennen |
| Inbetriebnahme | Vollständige Testreihe, DGA-Basislinie, Einstellungen des Lastschalters | Gesunden Start bestätigen; Trend-Basislinien festlegen |
| Betrieb | Last, Temperatur, Spannung, Harmonische, Alarme | Lastoptimierung; Überlast-Risikoabschätzung |
| Wartung | Testergebnisse, Ölproben, Reparaturen, Ersatzteilverwendung | Zustandsbasierte Planung; Kostenverfolgung |
| Ausfall & Reparatur | Fehlerprotokolle, Gassignaturen, Reparaturdetails | Ursachenanalyse; Design- und Prozessfeedback |
| Lebensende | Alter, Zustand, Restlebensdauer-Modelle, Entsorgungsdaten | Zeitpunkt des Austauschs oder der Renovierung |
Beachten Sie die Unterschiede in diesem Modell und wie es sich von einem guten Wartungshandbuch unterscheidet. In diesem Fall wird die Information in beide Richtungen übertragen – vorwärts und rückwärts. Wenn ein Transportschock aufgezeichnet wird, wenn die Ausrüstung installiert wird, ändert sich die Basislinie. Eine Feuchtigkeitsmessung in der Fabrik ist entscheidend, um zu verstehen, wie sich der Trend des Isolationswiderstands in den kommenden Jahren entwickeln wird. Ein flottenweites Muster von OLTC-Ausfällen wird die Spezifikationen für die nächste Einkaufscharge bestimmen.
Die Big Data-Architektur: Sensoren zu Entscheidungen
Es existieren fünf Schichten in einem funktionalen Big-Data-System. Die Sensorschicht erfasst Daten, die Online-DGA-Messgeräte, Temperatursensoren, Feuchtigkeitssensoren, Lastmessgeräte und Abgriffwechselzähler umfassen. Die Kommunikationsschicht überträgt dann die Daten normalerweise über Modbus RTU/TCP, IEC 61850 in modernen Umspannwerken und über Mobilfunktechnologie für entfernte Geräte. Im Gegenzug implementiert die Analyseschicht Modelle zur Trendanalyse und Gasverhältnisanalysen gemäß IEC 60599, thermische Lebensverbrauchsmodelle basierend auf IEEE-Belastungsrichtlinien und statistische Korrelationen mit der gesamten Flotte. Am Ende systematisiert die Entscheidungs- schicht Informationen und Produktionsaufträge, die im Asset-Management-System zugewiesen sind.
Die Architektur liefert aus vorhersehbaren Gründen keine Ergebnisse, die Fachleute vermeiden. Zunächst einmal ist die Datenqualität ein Anliegen, da der nicht kalibrierte Sensor wertvolle genaue Daten erzeugt. Zweitens sollte die Integration geschäftsorientiert und nicht IT-orientiert sein, da die Plattform für Spezialisten nutzlos ist. Drittens sollte eine spezielle Entscheidung getroffen werden, bevor die Datenerfassung beginnt, was bedeutet, dass “welches Gerät in einem bestimmten Quartal überprüft werden sollte” zuerst definiert werden sollte, bevor Geld in Sensoren investiert wird.
| Datenquelle | Erfasste Daten | Primäre Analytiknutzung |
|---|---|---|
| Online-DGA-Monitor | H₂, CH₄, C₂H₄, C₂H₂, CO, CO₂ | Fehlerartenidentifikation, Trendalarme |
| Wicklungs-/Oberschichttemperatursensoren | Hotspot- und Ölt Temperatur | Thermisches Altern, Überlastentscheidungen |
| Feuchtigkeitssensor | Wassergehalt in Öl/Papier | Isolationszustand, Trocknungs-Trigger |
| Lastmessgeräte / SCADA | Strom, Spannung, Harmonische | Ladeoptimierung, Verlustberechnung |
| Lastabgriffzähler | Betriebszählung und Timing | OLTC-Verschleiß, Wartungsplanung |
| Laboröl-/Elektrotests | BDV, Säure, IR/PI, TTR | Jährliche Zustandsbewertung |
| Fabrik-Als-Bauunterlagen | Verluste, Feuchtigkeit, Testergebnisse | Abweichungsbasislinie, Fehlanalyse |
Kerntechniken: Überwachung, Digitaler Zwilling & Prädiktive Analytik
Drei Hauptmethoden, die den Großteil des Wertes ausmachen. Die Online-Zustandsüberwachung ist die Grundlage: die Kombination aus kontinuierlichem DGA, Temperatur-, Feuchtigkeits- und Lastdaten bietet eine frühzeitige Warnung, die durch jährliche Probenahme nicht erhalten werden kann. Dies ist zum Standard für kritische Einheiten geworden – das Online-DGA ermöglicht die Überwachung von Transformatoren mit mehr als 10 MVA Kapazität für $15.000–45.000. Digitale Zwillinge gehen einen Schritt weiter: Die Technologie ermöglicht den Vergleich der in Echtzeit überwachten Daten mit dem als gebauten Modell. Infolgedessen weist jede Abweichung von der berechneten thermischen oder Gasbasislinie auf ein aufkommendes Problem hin, viel früher als im Falle der festgelegten Grenzen. Predictive Analytics bietet die Verbindung zwischen diesen beiden Werkzeugen.
Eine weitere erwähnenswerte Sache ist, dass die effektivsten Werkzeuge in diesem speziellen Bereich physikbasierte Modelle mit Daten, aber nicht nur Daten integrieren. Die IEEE C57.140 Lebensverbrauchsmethodik und die IEC 60076-17 Richtlinien liefern die Physik, während Flottendaten die vorherigen Wahrscheinlichkeiten bereitstellen. Verbraucher von Analyseplattformen müssen klären, wie diese Werkzeuge mit kleinen Datenmengen arbeiten, da es Situationen gibt, in denen nicht genügend Daten vorhanden sind, um regelmäßig ein Modell zu entwickeln. Ein Unternehmen mit dreißig Transformatoren kann beispielsweise aufgrund der Verfügbarkeit einer kleinen Datenmenge kein tiefes Lernmodell erstellen. Es kann jedoch das Bayesian Risk Scoring-Modell basierend auf branchenspezifischen Vorannahmen verwenden.
| Überwachungstechnik | Was es erkennt | Hardwarekosten | Beste Passform |
|---|---|---|---|
| Jährliches Labor-DGA | Langsame Gas-Trends | $80–$250 pro Probe | Niedrigkritische Einheiten |
| Online-DGA-Monitor | Schnelle Gasentwicklung | $15.000–$45.000 | Kritische Netz-/Industrieeinheiten |
| Faseroptische Wicklungstemperatur | Direkte Hot-Spot-Messung | $20.000–$60.000 | Große Leistungstransformatoren |
| Online-Feuchtigkeitsmesssonde | Papier-/Ölfeuchtigkeitstrends | $3.000–$10.000 | Feuchte Klimazonen, alte Einheiten |
| SFRA (periodisch) | Wicklungsdeformation | $20.000–$60.000 (Testset) | Nach Durchschlüssen, Transport |
| Teilentladungsmonitor | Isolationsfehler | $25.000–$80.000 | HV-Einheiten, Umrichtertransformatoren |
Traditionelles vs. datengetriebenes Management
| Dimension | Traditionelles Management | Big Data Lebenszyklusmodell |
|---|---|---|
| Datenfrequenz | Jährliche Labortests | Kontinuierlich / nahezu in Echtzeit |
| Wartungsanstoß | Kalenderzeit | Zustand und Risiko |
| Fehlersuche | Nach dem Alarm | Vor dem Alarm (Trendvorhersage) |
| Entscheidungsbasis | Letztes Testergebnis | Vollständige Lebensgeschichte + Flottenstatistiken |
| Austauschzeitpunkt | Altersbasierte Regel | Restlebens- und Kostenmodell |
| Ausfallratenauswirkung | Basislinie | 30–50% Reduzierung der erzwungenen Ausfälle (typisch berichtet) |
| Wartungskosten | Basislinie | 15–30% niedriger durch zustandsbasierte Arbeiten |
| Aufzeichnungen | Papier / Tabellenkalkulationen | Integrierte Plattform, prüfbar |
Der Kontrast ist absichtlich lebhaft – viele Organisationen fallen unter beide Überschriften – aber es ist offensichtlich, was die Tendenz ist und was der Beweis im Fall von Versorgungsfallstudien ist: Der Übergang von traditioneller Wartung zu zustandsbasierter Wartung ist im Grunde der größte Faktor in Bezug auf Kosten und Zuverlässigkeit, den ein Eigentümer zur Verfügung hat.
Die Wirtschaftlichkeit: Kosten, Einsparungen & Amortisation
| Kosten- / Wertposten | Typischer Bereich | Anmerkungen |
|---|---|---|
| Online-Überwachungs-Hardware pro kritischer Einheit | $15.000–$45.000 | DGA + Temperatur + Feuchtigkeit + Kommunikation |
| Analyseplattform pro Einheit pro Jahr | $500–$2.000 | SaaS oder interne Lizenzierung |
| Flottenausrollung für 50 kritische Einheiten | $800.000–$1.500.000 | Hardware + Installation + Plattform + Schulung |
| Wert eines vermiedenen erzwungenen Ausfalls (großer Leistungstransformator) | $200.000–$1.000.000 | Ersatz, Transport, verlorene Versorgung, Strafen |
| Reduzierung der Wartungskosten | 15–30% | Zustandsbasierte Eliminierung unnötiger Arbeiten |
| Typische Gesamtrendite | 2–5 Jahre | Hauptsächlich getrieben durch vermiedene Ausfälle |
Die Zahlen sind Indikatoren für den Planungsbedarf, nicht ein Hinweis auf das Angebot und können daher je nach Größe und Bedeutung der Einheit variieren. Die wichtigste Lektion ist, dass der Geschäftsnutzen für eine Investition in Big Data auf den Kosten basiert, die durch die Vermeidung von größeren Ausfällen entstehen, und nicht auf den Einsparungen aus kleinen Wartungseffizienzen.
Implementierungsfahrplan für Anlagenbesitzer
- Bewerten und kategorisieren Sie Ihre Flotte. Bestimmen Sie das Alter, die Schwere, die Nutzung und den bekannten Zustand aller Transformatoren; bewerten Sie sie nach ihrem Ausfallkostenrisiko.
- Wählen Sie die Testgruppe aus. Beginnen Sie mit 5 bis 20 kritischen Geräten, die die höchsten Kosten bei Fehlfunktionen aufweisen und für die Überwachungsdaten von großer Bedeutung sein werden.
- Baselines festlegen. Führen Sie vollständige Tests der Transformatoren durch und erhalten Sie DGA-, Öl- und elektrische Baselines, bevor Überwachungswerkzeuge installiert werden.
- Überwachungswerkzeuge und Vernetzung einführen. Stellen Sie Überwachungsgeräte für die Testgruppe ein; stellen Sie sicher, dass Daten in einer historischen Datenbank gesammelt werden.
- Analytik konfigurieren, um drei Fragen zu beantworten. Welches Gerät wird als nächstes ausfallen? Wann wird Wartung benötigt und wie ist der Zustand der Ausrüstung? Wann ist die Ausrüstung zur Überholung oder zum Austausch fällig?
- Den Entscheidungsprozess in den Arbeitsprozess einbetten. Benachrichtigungen sollen Arbeitsaufträge im CMMS generieren, nicht nur Dashboards; Verantwortlichkeiten sollen zugewiesen und Überprüfungen durchgeführt werden.
- Überwachen Sie die Ergebnisse, entwickeln Sie effiziente Methoden und gehen Sie voran. Führen Sie einmal pro Quartal eine Analyse der Vorhersagegenauigkeit durch, passen Sie die Modelle an und suchen Sie nach Möglichkeiten, diese nach 6-12 Monaten auf die gesamte Flotte anzuwenden.
Die Rolle des Herstellers: Daten, die im Werk beginnen
Der Lebenszyklus von Big Data wird erheblich durch das Alter der Daten beeinflusst, die aus der Fabrik stammen. Die digitale Architektur besteht aus den Messwerten physikalischer Produkteigenschaften, Endpunkten des Trocknens, Wickel- und Kernmessungen sowie Informationen über Testergebnisse, die eine wesentliche Grundlage für andere Produkteigenschaften bieten. Das ist der Grund, warum Käufer jetzt digitale Rückverfolgbarkeit von Beschaffungen verlangen: Während des Lebenszyklus muss man sich um Transformatoren kümmern, die einen digitalen Datensatz haben, wodurch die Verkäufer zu Partnern werden, anstatt nur eine rechteckige Box zu liefern.
Die Verkäufer von Transformatoren bieten jetzt auch Lebenszyklusdienste an, einschließlich Plattformen zur Überwachung, die DGA-Indikatoren im Auftrag des Verkäufers der Ausrüstung übersetzen, da sie über relevantes Designwissen verfügen. Käufer profitieren von der Nutzung ihrer Designs, da die Bedeutung einer Anomalie nun korrekt verstanden wird. Unternehmen aus China, wie Jiangsu Subian Electric Power, liefern Transformatoren, die der IEC 60076-Norm entsprechen und bereit zur Überwachung sind, was es den Eigentümern von Rohstoffen erleichtert, ihr eigenes Lebenszyklusmanagement zu erstellen.
Häufig gestellte Fragen
Wie viel kostet ein Big Data Transformatorenmanagementprogramm?
Ein Pilotprojekt mit 10 bis 20 kritischen Einheiten würde etwa $150.000 bis $600.000 für Hardware und Installation erfordern, wobei jede Einheit etwa $15.000 bis $45.000 kosten würde. Zudem müssten Kosten von $500 bis $2.000 pro Einheit für die jährlichen Gebühren der Analyseplattform hinzugefügt werden. Beispielsweise kann man erwarten, dass das Unternehmen Ausgaben zwischen $800.000 und $1.500.000 für die Bereitstellung von 50 Einheiten einschließlich Schulungskosten hat. Um Ihnen eine Vorstellung vom Kosten-Nutzen-Verhältnis zu geben, kann die vermiedene Zwangsausfallzeit bei einem großen Transformator Einsparungen von etwa $200.000 bis $1.000.000 für ein Fertigungswerk, das eine solche Einheit betreibt, bringen, was im Durchschnitt eine Amortisation in 2 bis 5 Jahren bietet.
Welche Daten sollte ich für jeden Transformator sammeln?
Stellen Sie eine Inbetriebnahme-Basislinie auf, die mindestens aus einem vollständigen Fabrik-Testbericht; DGA; Ölqualität, Isolationswiderstand und Wickelwiderstand besteht. Im Betrieb müssen Last, Wickeltemperatur und obere Öltemperatur, Spannung und alle Alarmereignisse erfasst werden. Im Falle kritischer Ausrüstung müssen Online-DGA und Feuchtigkeitsüberwachung hinzugefügt werden. Die schlechteste Datenform sind historische Daten wie Transportstöße, frühere Testtendenzen und Wartungsmaßnahmen, da die Trendanalyse viel leistungsfähiger ist als jede einzelne Messung.
Wie genau sind prädiktive Ausfallmodelle für Transformatoren?
Modelle, die die Leistung von Transformatoren vorhersagen, geben keine spezifischen Zeitrahmen an; sie bieten stattdessen Risikobewertungen. Branchenberichte bestätigen, dass gute Risikobewertungsrahmen, die DGA-Trends, Wärmelebensverbrauchsmodelle und Flottenstatistiken einbeziehen, in der Praxis effektiv sind, um die am stärksten gefährdeten Einheiten zu erkennen – Versorgungsunternehmen behaupten, die meisten potenziellen Ausfälle in der frühen Warnphase mit jährlicher bis konstanter Überwachung erfasst zu haben. Die Situation verbessert sich mit der Ansammlung von Flottendaten, was der Hauptgrund ist, so schnell wie möglich mit der Festlegung von Basisparametern zu beginnen.
Können kleine Versorgungsunternehmen mit wenigen Transformatoren von diesem Ansatz profitieren?
Tatsächlich kann ein Versorgungsunternehmen mit 20-30 Transformatoren weiterhin zustandsbasierte Wartung durch jährliche Stichproben und gezielte Online-Überwachung von 2-3 der wichtigsten Einheiten praktizieren. Sie können auch eine einfache oder kostengünstige Plattform einsetzen, um die Trends zu verfolgen. Die physikalische Regel berücksichtigt nicht die Größe der Flotte; nur die statistischen Modelle müssen je nach Größe der Operationen skaliert werden. Beginnen Sie mit einem einfachen Protokoll und der Trendverfolgung, da dies weitgehend ausreichend ist.
Wie hilft die digitale Rückverfolgbarkeit vom Hersteller beim Lebenszyklusmanagement?
Durch digitale As-built-Daten können Sie einen zuverlässigen Referenzpunkt erhalten: quantifizierte Verluste, Feuchtigkeits-Trocknungspunkt, Widerstandsüberwachung und vollständige Testdaten, die vom Werk bereitgestellt werden. Dies ermöglicht es, die Ergebnisse aller Tests im Verhältnis zum Referenzpunkt zu bewerten, anstatt auf allgemeinen Daten basierend – somit erhöht sich die Sensitivität gegenüber Abweichungen erheblich. Darüber hinaus können Sie eine Fehlersanalyse durchführen, da Sie im Falle eines Ausfalls auf die Werkdaten zugreifen können, die mögliche Gründe für den Ausfall eingrenzen können. Dies ist der Grund, warum immer mehr Beschaffungsabteilungen von Herstellern verlangen, solche digitalen Daten bereitzustellen.
Referenzen
- IEC 60076-1: Leistungstransformatoren – Teil 1: Allgemeines — definiert die Werksprüfung und die Basisdaten, von denen jedes Lebenszyklusmodell ausgeht.
- IEC 60076-17: Leistungstransformatoren – Teil 17: Leitfaden zur Spezifikation von Transformatorüberwachungssystemen — Anleitung dazu, was und wie überwacht werden soll.
- IEEE C57.140: Leitfaden zur Bewertung und Wiederaufbereitung von flüssigkeitsgetauchten Leistungstransformatoren — Methodik zur Lebensverbrauchs- und Zustandsbewertung.
- IEEE C57.104: DGA-Interpretationsleitfaden — die analytische Grundlage für die Interpretation von Gas-Trends.
- IEC 60300 (Serie): Zuverlässigkeitsmanagement — Standards für das Management von Vermögenswerten und Lebenszyklen.
- CIGRÉ — internationale Studien zur Zuverlässigkeit von Transformatoren und zur Effektivität der Überwachung.
- Jiangsu Subian Electric Power — IEC-konformer Transformatorenhersteller, der digitale Prüfprotokolle und überwacht bereite Einheiten bereitstellt.
Fazit
Eine große datengestützte Lebenszyklusmanagement-Methodik ersetzt Instinkt durch einen fortlaufenden evidenzbasierten Ansatz für jeden Transformator von der Herstellung bis zur Stilllegung. Technologien haben sich weiterentwickelt — Online-Überwachungstechnologie, digitale Zwillinge, physikbasierte Alterungsmodelle, Flottenanalytik — und aktuelle Studien zeigen kontinuierliche Verbesserungen des Geschäftsnutzens: Senkung der ungeplanten Ausfälle um 30-50% und der Wartungskosten um 15-30%, mit Amortisation in 2-5 Jahren, hauptsächlich aufgrund der Vermeidung katastrophaler Ausfälle.
- Verwenden Sie Benchmarking-Analysen und Pilotversuche für die wichtigsten Einheiten.
- Lassen Sie Zustand und Risiko anstelle von Zeit die Wartung bestimmen.
- Verwenden Sie physikbasierte Modelle zusammen mit Flottenstatistiken anstelle von Daten allein.
- Integrieren Sie Analytik in Arbeitsaufträge und Überprüfungsprozesse, anstatt nur Dashboards.
- Kaufen Sie Transformatoren mit digitalen As-built-Protokollen — einige Hersteller wie Jiangsu Subian Electric Power haben dies als Norm etabliert.