AI Turn in Power Plant Operations

הנוף האנרגיה הגלובלי עובר שינוי יסודי.כפי שצמחי כוח מתמודדים עם לחץ גובר על מנת לספק חשמל אמין תוך חיתוך עלויות, צמצום פליטות, ומפגש תקני בטיחות קפדניים יותר, פעולות ידניות ומבוססות על כללים מגיעים לגבולותיהם.אינטליגנציה מלאכותית (AI) התפתחה כמנוף חזק כדי לטפל בדרישות אלה.על ידי עקיצות וניתוח זרמים עצומים של נתונים, בקרה, מערכות בינה מלאכותית, יכול לחשוף דפוסים חדשים לחלוטין, אך לא ניתן לחזות את השינויים האנושיים, אלא רק לפני שגורמים מתקדמים, אלא רק שינויים מתקדמים, אלא רק שינויים, אך ורק לאחר מכן, אך ורק שינויים מתקדמים, הם רק שינויים, אך ורק לאחר מכן, הם אינם יכולים לחזות את השינויים העלולים להיות מסוגלים לחזות את השינויים העלולים להיות מסוגלים לחזות את השינויים המשתנים חדשים של כוחיים חדשים, אלא רק כדי לחזות.

AI הוא לא טכנולוגיה אחת; הוא מקיף למידה מכונה, למידה עמוקה, עיבוד שפה טבעית, ראיית מחשב, ולמידה חיזוק. בהקשר של הדור של כוח, כלים אלה פרוסים על פני כל שרשרת הערך ומדש; מטיפול דלק ובקרה של בעירה ועד ניטור בריאות טורבינות ושילוב רשת. יישום אמיתי בעולם במתקנים המופעלים על ידי דיוק אנרגיה, כללית, וסימנס כבר הראו שיפורים כפולים בטמפרטורות חום, ירידה של 50% (FD) להפחתה משמעותית של פעילות יעילה יותר של חשמל ו- 30.

הערכת יעילות באמצעות ניתוח נתונים בזמן אמת

הליבה של אופטימיזציה יעילות טמונה ביכולת לעבד ולפעול על נתונים בזמן אמת. צמח כוח מודרני יכול לייצר עשרות אלפי נקודות נתונים לשנייה ממערכות בקרה מבוזרות (DCS), חיישני רטט, מד טמפרטורה, משדרי לחץ ומעבורת מעבורת זרימה. מפעילי אנוש לא יכולים לשלב באופן משמעותי את האש של מידע, אבל מודלים של בינה מלאכותית יכולים להשוות את הדוגמאות הנוכחיות נגד בסיס היסטורי ומודלים תיאורטיים של ביצועים נגזרים ממחשבות וסימולציות למידה.

אחת ההטבות המיידיות ביותר היא אופטימיזציה של תהליכי הבעירה.בצמח פחם או גז, היחס של האוויר לדלק משפיע ישירות על יעילות, פליטות, חיי צינור רותחים.מערכות בינה מלאכותית יכולות להתאים באופן דינמי את הטיה של כוויות, רמות חמצן, וחלוקה דלק כדי לשמור על ביצועי שיא על פני תנאי עומס שונים (למשל, FLT:0GE Digital ALTR) שימושים בפלטפורמת דלק גבוהה ב-1.5G2, אשר יכולה לשפר את רמת החסכון של 1.5G.

תחזיות מבוססות בינה מלאכותית ודור שדל

מעבר לכוונון של כוונון, AI ממלא תפקיד קריטי בהתאמה של ייצור הדור לביקוש.עומס מסורתי מבוסס על מודלים סטטיסטיים באמצעות ממוצעים היסטוריים, מזג אוויר וגורמים לוח שנה. AI, במיוחד שיטות הרכב כמו עצים ⁇ -boosted וזיכרון לטווח קצר ארוך (LSTM) רשתות, יכול לשלב משתנים קצבים יותר: מכ"ם בזמן אמת, מחירי חשמל סיטונאים, תחזית מתחדשת, 72 שעות נוספות להורדת שיער נמוך יותר, ואפילו ירידה בינונית לטמפרטורה נמוכה יותר, לטמפרטורה נמוכה יותר, לטמפרטורה נמוכה יותר, לטמפרטורה נמוכה של פחות או ירידה של פחות או ירידה של פחות קצרה של פחות או ירידה של צמחים קצרים, עד בינונית, לטמפרטורה נמוכה יותר.

בצמחים טורבינות גז משולב (CCGT) שבו הממשק בין טורבינות גז טורבינות אדים יוצר אתגר אופטימיזציה מורכב, סוכני למידה חיזוק שימשו כדי להחליט את הפיצול האופטימלי בין עומסי טורבינות. סוכנים אלה רואים גורמים כגון טמפרטורה מכוננת, תנודתיות מחירים גז טבעי, ופליטות, המוביל ל-2ndash; 4 אחוזים בסך הכל יעילות תרמית (מקור: FLTRE: 1.

צמצום יכולת עזרה

אזור נוסף שמשקיף לעתים קרובות הוא צריכת חשמל עזר & mdash; החשמל המשמש משאבות, אוהדים, דחוסים ומגדלי קירור בתוך הצמח עצמו. אלגוריתמי AI יכולים לייעל את המהירות של כונן משתנה (VFDs) על משאבות מים קירור ומעריצים ממריצים, להפחית עומס טפילי עד 10 אחוזים.

תחזוקה חיזויית: מ- לוח שנה המבוססת על החלטות מבוססות תנאים

היישום הגלוי והאומץ ביותר של AI בתחנות כוח הוא תחזוקה חיזוי.הגישה המסורתית & mdash; overhauls מבוסס זמן או פשוט הפעלת ציוד עד שהוא שובר & mdash; הוא גם יקר ומסוכן. תחזוקה חיזויית הופכת את המודל הזה על ידי מעקב מתמיד בריאות נכסים וחיזוי שנותרו בחיים שימושיים (RUL).

תחזוקה חיזוי המונעת על ידי AI משתמשת צינור רב-שלב: חיישנים אוספים נתונים (vibration, טמפרטורה, פסולת שמן, פליטות קוליות וכו '), מטבוליזם הנדסי כולל אינדיקטורים כמו ספקטרום ספקטרלי או מגמות עולה, מודלים למידת מכונה מסווגים את חומרת ההשפלה. עבור ציוד רוטט קריטי כגון טורבינות קיטור, טורבינות גז, גנרטורים, AI יכול לזהות כישלונות בלתי-מפסיות כמו גילוח, כמו פריחה, שבועות לפני פריחה, חיתוך, חיתוך, חיתוך, חיתוך, או פריחה, חיתוך, חיתוך, חיתוך, לפני שטף, 000.

טכנולוגיות מאחורי תחזוקה חיזוי

  • (FLT:0) גילוי אנומלי באמצעות autoencoders:BuildFLT:1 ; רשתות עצביות בלתי מבוקרות לומדות את המעטפה התפעולית הרגילה של הציוד.כאשר חיישן חדש קורא באופן משמעותי, את השגיאה השחזור, מסמן בעיה פוטנציאלית ללא צורך בנתונים מתוייגים.
  • (FLT:0) קיום חיים שימושיים (RUL) מודלים רגרסטוריים:FLT:1 באמצעות נתונים היסטוריים של ריצה-לכאורה, מודלים כמו יערות אקראיים או רשתות עצביות מבוכות (CNN) חוזים כמה שעות הפעלה נותרו לפני שיש להחליף רכיב.
  • עיבוד שפה (NLP) עבור יומני תחזוקה: FLT:1 AI קורא הערות טכנאיות והיסטוריית סדר עבודה כדי לחלץ דפוסים לא נתפסים על ידי חיישנים, מארגן תצפיות ידניות עם מגמות חיישן.

מחקרים של מכון מחקר כוח חשמלי (EPRI) מראים כי תוכניות תחזוקה חיזוי המופעלות על ידי AI להפחית את מחוץ למתוכנן על ידי ממוצע של 35% וקיצוץ עלויות תחזוקה על ידי 20 – 30% (מקור: FLT:0E חיזוי תוכנית תחזוקה מצופה סקירה FLT:1) בדוגמה אחת במפעל פחם גדול, ניטור מבוסס AI של עובי צינור חזה כישלון שישה שבועות לפני מסגרת חירום מתוכנן מראש.

דרישות ספציפיות

  • (FLT:0)Boilers:FLT:1 מודלים AI לפקח על לוחות מזחלות וטעייה על פני פני פני השטח של העברת חום, אופטימיזציה של רצף הפעלה סווטובר ותדירות.
  • (ב) ⁇ :0) ⁇ : ⁇ (ה) , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • (ב) ⁇ :0) מרבינים: ⁇ (ב) ,1=1) , ⁇ חלק מתוצאות החדירה של ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
  • מגדלי החיתוך:0(Cooling:FLT:103) על ידי ניתוח חתימות מוטוריות של מאוורר, AI מזהה ללבוש חגורה ובעיות תיבת הילוכים לפני שהם גורמים להתחממות יתר.

בטיחות והשפעה סביבתית: AI כשכבה מוגנת

מעבר ליעילות ותחזוקה, AI תורמת לפעילות בטוחה יותר, נקייה יותר.תחנות כוח משק בית בטמפרטורה גבוהה, מערכות בלחץ גבוה המכילות גזים דלימים וכימיקלים מסוכנים.טעות אנושית נותרה גורם מוביל לתאונות תעשייתיות, אבל AI יכול לשמש כמערך עיניים שני תמידי-ביט.

גילוי אוטומטי של בטיחות תהליכים

מודלים של AI מקיפים נתונים ממוניטורים בצפיפות, גלאי גז, סורקים להבה, ושסתום בטיחות לחץ לזהות מבשרים למצבים לא בטוחים.לדוגמה, עלייה פתאומית בגנרטור שהונע מימן, בשילוב עם ירידה טוהר מימן בלתי צפויה, עלול להיתפס על ידי מודל הרכב הופך מאומן על אירועים קרובים בעבר.

אישורים למעקב ומילוי

תקנות סביבתיות סביב NOx, SO2, CO, ו-Particulate Matter הם הידוק ברחבי העולם.מערכות בקרת פליטה מונעות AI יכולות לחזות היווצרות מזוהמת בזמן אמת על ידי מודל של כימיה, יעילות זרז, ופרופילי טמפרטורה של שפעת גזים.מודלים אלה לאחר מכן להתאים פרמטרים כגון קצב הזרקת אמוניה לירידה קטליטית סלקטיבית (SCR) או כוויות נגד כוויות נגד כוויות נגד כוויות כדי להישאר בתוך גבולות תוך צמצום של 5 אחוזים, תוך כדי להשיג יעילות מתקדמת של יעילות נמוכה יותר של טיפולית חום.

בנוסף, AI משפר את מערכות ניטור פליטות רציף (CEMS) על ידי זיהוי סחף חיישן וקידוד עם חיישנים וירטואליים (חיישנים רכים) אם מנתח NOx פיזי מתחיל להיכשל, רשת עצבית מאומנת היטב יכול להעריך NOx ממשתנים מתוחכמים (למשל, ריכוז חמצן, טמפרטורה של הפסקת אש, זרימת דלק) עד החיישן הפיזי הוא לתקן, להבטיח תאימות רגולטורית לא מופרעת.

מים ופסולת

מים הם משאב קריטי נוסף.בצמחים תרמואלקטריים, מערכות קירור יכולות לצרוך כמויות עצומות של מים טריים.מודלים AI לייעל את פעולת מגדל הקירור, התאמת מהירות המעריצים וזרימת המים לאיזון דחיית חום עם אובדן evaporation. זה יכול להפחית את צריכת המים על ידי 10 – 20 אחוזים בצמחים רבים. עבור צמחים עם מערכות סגורות, AI צופה סיכונים מדרגים ו biofouling, המאפשרים מדויקים לעשות כימיקלים כי הם להפחית את הפרידה של כימיקלים מופחתים של טיפול כימי.

אתגרים והדרך קדימה

למרות היתרונות ברורים, שילוב בינה מלאכותית לתוך תחנת כוח O& M אינו ללא מכשולים. תחנות כוח הם סביבות מעוותת סיכון שבו כשל אחד יכול להיות השלכות מרתיעות. מערכות בינה מלאכותית חייב להיות מאומת ביסודיות לפני שהם מורשים לשלוט ישירות תהליכים. הרבה שירותים עדיין להפעיל ציוד מורשת ללא החיישנים הדיגיטליים הדרושים לניתוח מתקדם.

אבטחת מידע והסתמכות

עם קישוריות מוגברת מגיעה סיכון סייבר מוגברת.מודלים AI המבוססים על ניתוח מבוסס ענן חייבים להתמודד עם שקיפות, מגבלות רוחב פס והתקפות פוטנציאליות על שלמות נתונים. כדי לטפל בזה, ארגונים רבים מאמצים AI & mdash; deploying Machine Learning inference ישירות על מערכת בקרה או שרתים קצה סמוכים.זה מפחית את ההסתמכות על רשתות חיצוניות ומבטיח כי החלטות קריטיות יכולות להיות אפילו אם קישוריות לאינטרנט היא מוצפנת וטכניקות אימון סטנדרטיות.

כוח העבודה טרנספורמציה

בינה מלאכותית אינה מבטלת את הצורך במומחיות אנושית; היא משנה את טכנאים ומפעילים חייבים להבין את ההמלצות של AI, לבטוח בהם, ולדעת מתי להתגבר עליהם.זה דורש תוכניות הכשרה ממוקדות המשלבות יסודות הנדסיים צמחיים עם מושגים במדעי נתונים. Utilities כמו Dominion Energy ו- Southern Company השיקה תוכניות פנימיות "אקדמיה דיגיטלית" כדי לכרות את כוח העבודה שלהם בלמידה וניתוח נתונים.

מודל ביניים ו קבלה

רגולטורים דורשים ראיות לכך שהחלטות המונעות על ידי AI הן בטוחות, חוזרות ונשנות ושקיפות. רשתות עצביות שחור-קופסא, בעוד מדויק מאוד, יכולות להיות קשות להתאמה.זה עורר עניין בטכניקות AI (XAI) ניתנות לתיאוריות AI (XAI) כגון SHAP (SHapley Addit Addit Addit exPlanations) ערכים ו-LIME (הסברים הבין-מודלים המתקדמים) אלה מסייעים להגדרה כיצד כל אחד מהם עשוי לתרום לתקני בקרה או לתקני בקרה מסוימים.

עלייתם של תאומים דיגיטליים

אחת ההתפתחויות המבטיחות ביותר היא ההתכנסות של AI עם טכנולוגיית תאומים דיגיטלית. תאום דיגיטלי הוא פליאה גבוהה, העתק וירטואלי בזמן אמת של נכס פיזי או מערכת, מוצפנת בקביעות עם נתוני חיישן.כאשר משולבים עם AI, תאום דיגיטלי יכול לרוץ "מה אם" תרחישים: סימול ההשפעה של הפחתה חלקית על בדיקות עומס על טמפרטורת טורבינות, בדיקות תחזוקה חלופיות, או הפעלה דיגיטלית של פעילות גופנית כבר שבועות מתקדמים, כמו אופטימיזציה דיגיטלית, כמו גם אם אנחנו כבר יכולים לצפות ביצועים חדשים של זמן רב של פעילות דיגיטלית, כלומר, כלומר, כלומר, כדי להפחית ביצועים מתקדמים, כמו גם אם זה זמן רב-ידי מערכת ההפעלה, כלומר, 000, 000, 000, 000, כדי להפחית את הביצועים של פעילות גופנית, 000, 000, 000, 000, 000, 000, כדי להפחית את ההשפעה של פעילות דיגיטלית, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000 מופעלת, כדי להפחית את ההשפעה של פעילות דיגיטלית, כדי להפחית את ההשפעה של פעילות דיגיטלית, 000 מופעלת, 000 זמן קצר פעיל, 000 מופעלת, כדי לצפות ביצועים דיגיטליים מופעלת, 000, 000, כדי להפחית את ההשפעה של פעילות גופנית מופעלת, 000 זמן רב-ידי אופטימיזציה של פעילות גופנית מופעלת,

מסקנה: חכם יותר כוח דור לעתיד בר קיימא

אינטליגנציה מלאכותית נעה מעבר לשלב הפיילוט והופכת לכלי סטנדרטי בפעולות כוח ותחזוקה.היכולת שלה לחשוף חוסר יעילות חבוי, לחזות כשלים בציוד, לשפר את הבטיחות, ולצמצם את ההשפעה הסביבתית מציעה יתרונות פיננסיים ותפעוליים קונקרטיים.האתגרים של שילוב נתונים, אבטחת מידע, אימון כוח העבודה ומודל הם אמיתיים אך ניתנים לחיזוי, כפי שמוכיחים על ידי מספר גדל והולך של מתקנים מוצלחים ברחבי העולם.

בעוד שמערכת האנרגיה העולמית עוברת להסתמכות רבה יותר על מקורות מתחדשים ומופצות, הבינה המלאכותית תהיה חיונית כדי להבטיח שצמחים תרמיים קונבנציונליים יישארו גמישים, יעילים ואמינה כגיבוי הניתן להפעלה. תחנות הכוח של העתיד לא רק ישרוף דלק; הם יחשבו.עם המשך ההשקעה ושיתוף הפעולה בין תעשיית האנרגיה וקהילת המחקר של AI, ההבטחה של תחנות כוח מייעלות לחלוטין, מעצמיות היא בהישג יד.