Планировать режимы работы оборудования, как и контролировать его состояние принято основываясь на нормативно-техническую документацию по топливоиспользованию (Далее НТД ТИ). Как установлено в энергетике пересмотр данного документа осуществляется один раз в пять лет. При этом, если изначально НТД ТИ строятся на основании реально проведенных испытаний каждой единицы основного и вспомогательного оборудования, то со временем, при актуализации НТД ТИ, не всегда проводятся испытания даже на части необходимых режимов, а берутся данные из текущего учета и просто обновляются зависимости, что в свою очередь довольно сильно искажает картину реального состояния оборудования. Планирование режимов на таких зависимостях приводит к значительному перерасходу топлива, несвоевременным ремонтам и снижению эффективности в целом по объекту, так как наиболее эффективное оборудование недогружается.
На многих объектах генерации для решения таких задач применяются современные дорогостоящие программные продукты с глубокой интеграцией и сложной структурой. При этом я не хочу сказать, что такой метод плох. Напротив, он считается довольно эффективным. Но что делать, если обосновать внедрение дорогостоящего ПО не получается, или внедрённое ПО не отвечает тем запросам, которые остались у инженеров?
На некоторое время предлагаю вернуться к работе инженера на той самой современной ТЭЦ. Задача оптимизации работы всего тепломеханического оборудования может быть сведена к минимизации топливных затрат при том же отпуске электрической энергии, или говоря более техническим языком, к снижению удельного расхода условного топлива на отпуск энергии. И в рамках этой задачи, при наличии достаточного количества данных на основе испытаний и непрерывного сбора через АСУ ТП, можно смоделировать каждую отдельную единицу оборудования (турбину/котел) в том же Excel. Причем на практике моделирование конкретного турбоагрегата сводилось к полному описанию процессов внутри тепловой схемы. Подобные расчеты любой инженер тепловых электрических станций проделывал еще в институте. Но ключевым отличием от ВУЗовского расчета является многообразие различных состояний оборудования и сложная калибровка модели. Затраты на разработку одной такой модели и ее калибровка силами простого инженера могут достигать 1-2 месяца. При этом точность модели достигает 5%, что в целом считается довольно хорошим результатом. Но при объединении всего оборудования в одну большую модель, точность снижается и увеличивается вероятность возникновения ошибок. Но все же, как показала практика, такая модель куда точнее НТД ТИ.
После столь длинного вступления хочется разобрать тему, как можно использовать ML (Machine Learning) для решения таких задач?
Свой опыт и знания удалось объединить с технологиями ML (совокупность методов искусственного интеллекта, с помощью которых можно создавать самообучающиеся модели), что привело к существенному снижению трудозатрат на формирование модели каждой единицы оборудования. И не только котла и турбины, но и насосного оборудования, подогревателей и пр. В основе метода лежит линейная регрессия. Для более сложного оборудования (например, теплофикационных турбин) может применяться метод аппроксимации комбинации линейных функций. Если на оборудовании достаточно точек сбора информации с нужной нам дискретностью (в моем случае один час), то можно собрать данные по работе оборудования за один прошедший год (желательно после капитального или текущего ремонта) и загрузить их через шаблон в «Сервис РХО» (Сервис построения рабочих характеристик оборудования). При этом важно произвести предварительную чистку данных от различных аварий, пусков и остановов. В результате получается полином, который описывает работу оборудования.
На простом языке «Сервис РХО» работает по принципу обработки стандартных шаблонов и выдачи полиномов с выделением необходимой зависимости. Что существенно упрощает задачу моделирования.
Рассмотрим данную задачу на конкретном оборудовании:
Котел паровой – БКЗ-420-140НГМ
Номинальная паропроизводительность – 420 т/ч
Температура перегретого пара – 555 оС
Давление перегретого пара – 130 кгс/см2
Данные по работе котлоагрегата были взяты за один календарный год. В итоге после занесения данных получился следующий полином:
B_г=-10,5585+71,3022∙D_пп-10,4629∙t_пв+4,7310∙t_пп+18,0134∙P_пп+5,3646∙t_хв
Bг – расход топлива (м3/ч);
Dпп – расход перегретого пара (т/ч);
tпв – температура питательной воды (оС);
tпп – температура перегретого пара (оС);
Pпп – давление перегретого пара (кгс/см2)
«Сервис РХО» позволяет выбирать целевую функцию, от которой строится дальнейшая зависимость. На конкретном примере возможно строить графические зависимости по типу НТД ТИ, например зависимость давления в конденсаторе от температуры циркуляционной воды при конкретном расходе и прочие зависимости.
Средняя точность такой простой зависимости составила 1,88 %, что существенно лучше той точности, которую первоначально имели в используемой расчетной форме в Excel.
На номинальном режиме работы оборудования расчетный расход газа на основании ML-модели составил 32 607 м3/ч, при этом фактический расход был 32 275 м3/ч, расхождение составляет порядка 1 %.
Режимная же карта предлагает расход газа 33 500 м3/ч – отклонение составляет 3,8 %.
Время на разработку такой модели минимально (и включает выгрузку данных из АСУ ТП в шаблон), что во много раз меньше, чем требуют классические методы моделирования.
Если вывести зависимости по всем котлоагрегатам и турбоагрегатам, то можно объединить их все в одну систему уравнений с построением общей функции для оптимизации.
Решить такую систему уравнений возможно как в обычном Excel, так и в простой программе на современных языках программирования, например Python. При этом очень важно задать корректные ограничения и данные, которые можно изменять.
Метод используется партнерами в лице ООО «ЭТС-Инженерные решения» при практических инжиниринговых задачах по испытаниям тепломеханического, а также комплексно протестирован на отдельных котельных и крупных ТЭС. Есть свои нюансы при решении задачи, например при сведении конечных балансов внутри объекта. Но описанный выше метод позволяет без больших трудовых и финансовых вложений получать возможность формирования оптимизационных моделей под свою конкретную задачу с хорошей точностью. Конечно, данные оптимизационные модели не учитывают особенности оптового рынка электроэнергии и мощности, но это уже совсем другая история. На основе расчета относительных приростов удельных расходов топлива на выработку электроэнергии можно принимать взвешенные решения по загрузке и разгрузке того или иного оборудования. Конечная средняя точность достигает 2-3% по всему объекту, что значительно лучше использования НТД ТИ.
В заключении хочется отметить, что применение ML моделей для формирования рабочих характеристик оборудования может развязать руки умелым инженерам и повысить эффективность работы любого объекта при минимальных вложениях.Искусственный интеллект и методы машинного обучения повсеместно входят в нашу жизнь и упрощают ее. Многие ранее казавшиеся сложными задачи стали упрощаться в разы. Начиная от написания простого письма при помощи различных искусственных интеллектов и заканчивая сложными задачами, связанными с разработкой и оптимизацией кода.Хочется поделиться своим опытом применения таких алгоритмов при решении инженерных задач. В прошлом довольно долго работал в группе режимов производственно-технического отдела одной из современных электростанций. В задачи входило проведение испытаний, наладки тепломеханического оборудования, постоянный контроль за технико-экономическими показателями и выдача рекомендаций по их улучшению. При этом все инженерные расчеты исторически производились вручную. Со временем часть расчетов получается перевести в Excel и упростить задачу как технику, так и инженеру. Я бы даже сравнил появление Excel в свое время с современными тенденциями машинного обучения и искусственного интеллекта.
https://energoanalitika.ru/ - подробности о наших сервисах и не только.