הבנת מעגל הדירוג ואתגרי האופטימיזציה שלו

מחזור הדירוג הוא עמוד השדרה התרמודדימי של ייצור חשמל תרמי, המרת חום מדלקים מאובנים, תגובות גרעיניות, או מקורות מתחדשים לעבודה מכנית ובסופו של דבר חשמל.המחזור מורכב מארבעה תהליכים מרכזיים: דחיסה אנטרופית (הפחתת נוזל העבודה, בדרך כלל מים, ללחץ גבוה), תוספת חום קבועה בלחץ קבוע (התחילה לתוך קיטור מעודת), הוא הרחבה טרופית (מכת טורבינות לחסרי חום) דרך עבודה נוזלית (מחץ לאחור) לתוך פעילות נוזלית).

למרות הבשלות שלה, המחזור סובל מאי יעילות מטבעית. סטיות בעולם האמיתי מהתנהגות אידיאלית - כגון טיפות לחץ בצנרת, אובדן חום, שחיקה להב טורבינות, והונאה בולטת - לחנך את התפוקה נטו באופן מסורתי, מפעילי הסתמך על מודלים יציבים של מדינתיים והתאמות ידניות כדי לשמור על ביצועים.

מקורות משותפים של חוסר יעילות

  • (FLT:0) ,Condenser backpressure:FLT:1 אפילו עלייה קטנה בלחץ condenser יכול להפחית את פלט טורבינות על ידי 1–3%.
  • (ב) ,0) פקדות צינור: ⁇ 1 (התחילה) וחילול אספקת חום, מה שהופך את צריכת הדלק גבוהה יותר.
  • (FLT:0) פיזור להב של טורברין: FLT:1) נזילות על פני השטח והפסדי ניקוי טיפ מצטברים לאורך זמן, הורדת יעילות האנטרופית.
  • (ב) ,0) מבצע עיצוב רשמי: FLT:1 שינויים בתנאי טעינה ותנאי הסביבה מכריחים את המעגל לפעול הרחק מנקודת העיצוב שלו, עלייה בקצב החום.

הצורך בגישה יותר דינמית, אופטימיזציה מבוססת נתונים מעולם לא היה קריטי יותר - במיוחד כשתחנות כוח נקראים יותר ויותר להשתולם ולרדת כדי לתמוך בדור מתחדשים לסירוגין.

כיצד AI ו- Machine Learning הם Transforming Rankine Cycle תפעול

אינטליגנציה מלאכותית ולמידה של מכונה מציעים שינוי פרדיגמטי מבסיס לאופטימיזציה מבוססת נתונים.במקום להסתמך על מודלים תרמודינמיקה קבועים, אלגוריתמים של ML לומדים ישירות מהנתונים התפעוליים - קריאה של חישה, אותות שליטה, יומני תחזוקה ותחזיות מזג אוויר - כדי לחשוף התאמות נסתרות וחיזוי נקודות אופטימליות.

איסוף נתונים וקידום

הבסיס של כל פרויקט ML הוא נתונים באיכות גבוהה.בצמח כוח קיטור טיפוסי, מאות חיישנים למדוד טמפרטורה, לחץ, זרימה, רטט, ורכב כימי במרווחי תת-שניות. צינורות AI מקיפים את הנתונים הגולמיים האלה, לנקות אותו (הסרב החוצה וסחף חיישן), לנרמל אותו, וליישר את סדרות זמן.

מודלים חיזויים לחיזוי ביצועים

מודלים למידה על-ידי פיקוח - כגון ⁇ -boosted עצים, מכונות וקטורנטים תומכים ורשתות עצביות עמוקות - הם מאומן לחזות אינדיקטורים ביצועיים מרכזיים (KPIs) כמו פלט חשמל נטו וקצב חום מבוסס על פרמטרים תפעוליים נוכחיים.מודלים אלה ללכוד מערכות יחסים לא לינאריות הרבה יותר מדויק מאשר מהירויות ראשונות של תגמולים באופן אקטיבי בלבד.

שליטה בזמן אמת ואופטימיזציה של סט פוינט

Reinforcement למידה (RL) מתפתח ככלי רב עוצמה לשליטה סגורה. סוכן RL אינטראקציה עם הצמח כסביבה, לומד מדיניות אשר בוחר פעולות שליטה - עמדות שלמות, מהירות המשאבה, הטיות כוויות - כדי למקסם את אות מתגמל מצטבר כגון יעילות או ירידה פליטה. כאשר הכשרה על נתונים היסטוריים ואומת על סימולטורים צמחיים, בקרים של RL יכולים למנוע את תנאי PID המבוססים על ידי PID, במיוחד כמו דחייה או דחייה.

זיהוי ו Root Cause Analysis

טכניקות למידה לא מבוססות, כולל autoencoders יערות בידוד, זרמי חיישן עוקבים ברציפות עבור סטייה מן התנהגות נורמלית. גילוי מוקדם של anomalies - כגון עלייה עדינה בטמפרטורת ניקוז מים חם - יכול להצביע על דליפות צינורות, רעוע או כישלון לגרום ניתוח שורש אלגוריתמים לאחר מכן מעקב אחר האנומליה חזרה למקור שלה, המאפשר תחזוקה ממוקדת לפני בעיות קלות להסלים לתוך מחוספסה כפויה.

מודלים היברידיים משלבים פיזיקה ונתונים

גישה מבטיחה במיוחד היא מודלים היברידיים, שבו מודל מבוסס פיזיקה (למשל, MATLAB /Simulink סימולציה של מחזור הדירוג) הוא גדל עם רכיב למידה מכונה לומד כי לומד את שאריות unמודלים.זה משמר את הפרשיות ובטיחות של מודל תיבת הדואר הלבן תוך הוספת הגמישות ללכוד הידרדרות בעולם האמיתי.

יישומים מרכזיים בפרקטיקה

תחזוקה חיזויית עבור ציוד קריטי

תחזוקה חיזוי המונעת על ידי AI (PdM) היא אולי היישום הבוגר ביותר.ניתוח Vibration על טורבינות נושאות, ניטור פליטה אקוסטי על צינורות רותחים, וניתוח שמן עבור משאבות משולבים לתוך מודל אחד של ML המנבא חיים שימושיים. לדוגמה, רשת עצבית convolutional (CNN) מאומנת על spectrograms רטט יכול לזהות מוקדם של תקלות עם דיוק, המאפשרת תחזוקה מתוכננת ישירות של מחזור חירום.

שילוב ו-Boiler Optimization

במחזורים של דירוגים מתודלקים, הליטקטי הוא המקור הגדול ביותר של יעילות. ML מודלים לייעל את יחס האוויר לדלק, זווית הטיה בוערת, וכן לוח זמנים של פיוט מבוסס על מדידות בזמן אמת של חמצן בגז פלואי, טמפרטורה אדים, ויציבות של דלק.טכניקה ידועה היא השימוש ברשתות עצביות מלאכותיות (ANN) למודל שאינו רלוונטי בין פרמטרים גנטיים ל-אונקטיביים כגון יעילות אלגוריתם.

מעקב ביצועים

רמת הריקבון של condenser היא קריטית עבור דגמי למידת טורבינות.מכונה לחזות הדבקה על ידי ניתוח מגמות בטמפרטורת המים קירור עלייה, קצב זרימה, ירידה בלחץ בצד הצינור. כאשר המודל צופה כי לחץ אחורי יעלה על סף בתוך השבוע הבא, ניקוי כימי ממוקד או מצחצוח מכני יכול להתבצע, לשחזר את הריק ולהחלים עד 2% של טורבינות.

Turbine Blade Health Monitoring

עייפות בכח ומצמרח הם גורמים המגבילים את החיים בטכניקות אדים.בינה מלאכותית – במיוחד, למידה עמוקה על חתימות הרטט ופרופילי טמפרטורה ממצה – יכולים להעריך כאשר להבים דורשים שיפוץ או תחליף. integraing מודלים כאלה למערכת ניהול הנכסים של הצמח מאפשר למפעילים להפעיל את טורבינת המצבים אגרסיביים יותר (טמפרטורה גבוהה יותר ולחץ) כאשר בריאות להב היא מספקת, חיזוק יעילות מחזורית.

דוגמאות תעשייתיות ומחקר

כמה שירותים ויצרנים מקוריים של ציוד (OEMs) דיווחו בפומבי על הצלחות עם AI / ML באופטימיזציה של מחזור דירוגין.

  • (FLT:0) General Electric (GE) - Digital Twin:Build:cioFLT:1 , GE's Predix פלטפורמה שימשה ליצירת תאומים דיגיטליים של תחנות כוח מחזור משולבות.במקרה אחד מחקר במפעל 500MW, התאום הדיגיטלי מותאם באופן רציף את מחזור הקיטור, וכתוצאה מכך ירידה של 1.2% בשיעור החום מעל שישה חודשים.
  • (FLT:0)Siemens - AI-based Combustion Control: FLT:1 סימנס פרס אופטימיזציה רשת עצבית על יחידת פחם-אש, התאמת אוויר אש וטיה שורפת בזמן אמת.
  • (FLT:0) National Renewable Energy Laboratory (NREL): NREL החוקרים הגישו חיזוק למידה כדי לייעל את מחזור הקיטור של רמת כוח השמש ריכוזית.הסימולציות שלהם הראו כי סוכן ה-RL יכול לפרט מודל של בקר חיזוי, הגדלת ייצור החשמל השנתי על ידי 3.4%.FLT:2EL - מערכות אנרגיה ו-Famp; ניתוח:

יתרונות ושיפורים

שילוב של AI ו ML לתוך פעילות מחזור Rankine מספק יתרונות מוחשיים, מדידה על פני ממדים מרובים:

  • (FLT:0) שיפור יעילות תרמית: FLT:1 ,רווחים אופייניים של 0.5-2.0 נקודות ביעילות תרמית (למשל, מ-38.5% ל-39.5%) ניתנים להשגה באמצעות בעירה מטובה, ניקוי קונדנסר ובקרת טורבינות.
  • (FLT:0) אספקת צריכת דלק: 1FLT 1 שיפור יעילות של 1% במפעל פחם של 500 מגה-וואט חוסך כ-15,000 טון פחם בשנה, בשווי של כ-1.5-2 מיליון דולר במחירים הנוכחיים.
  • (FLT:0) פליטות להורדת דלק: 1FLT (שליטה טובה יותר בבעירה) מקטין את CO2 (התקדמונית לחיסכון בדלק) ו- NOx/SOx באמצעות יחס דלק מדויק וניהול טמפרטורה.
  • (FLT:0) חינוך הוצאות להורג כפויות: FLT:1 תחזוקה חיזוי יכול לחתוך זמן לא מתוכנן עד 30–50%, שיפור דרמטי של יכולת והכנסות.
  • (FLT:0) ,Extendedציוד חיים: FLT:1 על ידי הפעלת ציוד בתוך המעטפה הבריא שלה ותחזוקה לוח זמנים לפני כישלון, חיי השירות של להבים טורבינות, צינורות רותחים, ו condensers ניתן להרחיב על ידי 10-20%.

אתגרים ושיקולים

בעוד הפוטנציאל הוא עצום, פריסת AI / ML בפעילות מחזור בעולם האמיתי אינה טריוויאלית.יש לטפל באתגרים מרובים:

איכות נתונים וזמינות

מודלים של ML הם רק טובים כמו הנתונים שהם מאומן על סחף חושי, נתונים חסרים, ורעש התווית יכול להוביל לתחזיות לא מדויקות.בנוסף, תחנות כוח לעתים קרובות חסרות נתונים של כשל - נדיר שיש להם תחילת נתונים של אירועים כמעט בלתי צפויים.טכניקות כגון למידה מרחוק ועברת למידה מהנתונים סינתטיים מפותחים כדי להתגבר על זה.

אבטחת סייבר ובטיחות

חיבור מערכות בקרה AI לרשתות צמחיות מציג פרצות סייבר.מודל ML פגום יכול להיות מסובך לנקודות לא בטוחות.רובסטט מנגנונים בטוחים, אימות אנושי-בכלל, ותקשורת מוצפנת הם חיוניים.

שילוב עם Legacy Systems

תחנות כוח רבות פועלות עם מערכות בקרה מבוזרות (DCS) שהן בנות עשרות שנים.פלטפורמות בינה מלאכותית עם מערכות אלה דורשות תכנון קו-מודע זהיר ולעתים קרובות כרוכות בשדרוג I/O מודולים או התקנת מכשירי מחשוב קצה. Utilities חייבות לתכנן הגירה בשלב ולא גישה קרועה ומיקום.

הסבר ואמון

מפעילי צמחים ומנהלי צמחי הם לעתים קרובותהססים להאמין ל"קופסא שחורה" המציעה פעולות ללא הסבר.הסבר שיטות AI (XAI) להסביר - כגון ערכי SHAP, LIME ומנגנוני תשומת לב - יכולים להדגיש אילו אותות חיישן מניעים המלצה מסוימת.

סליחות ומילוי הארדס

עבור שירותים מוסדרים, כל שינוי בפרקטיקה המבצעית המשפיעה על פליטות או תפוקת חשמל חייב להיות מתועדות ואושר על ידי הסמכות הרלוונטית (למשל, EPA, מפעיל רשת מקומי). תוכניות אופטימיזציה המבוססות על AI חייבות להיות מאומתות באופן לא מקוון ולאחר מכן מוסמך באמצעות תהליך ניהול שינוי.

תחזית עתיד

העשור הבא יראה AI ו-ML הופכים לכלים סטנדרטיים בתיבת הכלים התפעולית של תחנות כוח מחזוריות של Rankine.כמה מגמות מתעוררות י להאיץ את השינוי הזה:

תאומים דיגיטליים ותזמון אמת

תאומים דיגיטליים בעלי נאמנות גבוהה, שזוג פיזיקה עם בינה מלאכותית יהפכו נפוצים.העתקים הווירטואליים האלה תמיד מקללים את עצמם נגד נתוני צמחי חיים, ומספקים למפעילים סביבה "מה אם" לבדיקת אסטרטגיות אופטימיזציה ללא סיכון.

ניהול מחדש של פעילות אוטונומית

סוכני RL שהוכשרו במאות אלפי שנים של צמח מדמיעים בסופו של דבר יתמודדו עם סטארט-אפ מלא, כבה, ועומס מעקב אוטונומי אחר ניסויים בשדה מוקדם במעבדת הטכנולוגיה הלאומית לאנרגיה (DOE) של המחלקה הוכיחו כי RL יכול בבטחה לרומם יחידת תת-קרקעית של 300 מ"מ מ"מ מ- 100% מהר יותר ממפעיל אנושי, תוך שמירה על כל מגבלות טמפרטורת הקיטור.

למידה מעודכנת עבור Multi-Plant Optimization

שימוש בצמחים מרובים יכול להשתמש בלמידה מוזן כדי לשתף תובנות מודל מבלי לחשוף נתונים רגישים.מוטב ברמת צי יכול ללמוד מכל האתרים - מציאת לוח הזמנים הטוב ביותר לניקוי או מרווח תחזוקה טורבינות מעבר לצי - מבלי להעביר נתונים גולמיים מחוץ לגדר האש של הצמח.

שילוב עם מקורות אנרגיה מתחדשת

בעוד הרשת משלבת יותר שמש ורוח, מחזורי Rankine חייבים לפעול בצורה גמישה יותר. AI יעזור לחזות רמפות סולאריות / רוח ולתאים את מחזור הקיטור בהתאם - לדוגמה, לפני חימום התוף או שינוי זרימת קיטור כדי לשמור על יציבות עומס מינימלי.זה סינרגיה של AI עם אופטימיזציה ברמת רשת יהיה חיוני עבור decarbonization עמוק.

מסקנה

היישום של בינה מלאכותית ומכונה למידה לפעילות מחזורית כבר מספק רווחים יעילות למדידה, חיסכון בעלויות ושיפורים באמינות.מתחזוקה חיזוי ואופטימיזציה של שילוב כדי לחזק את השליטה המבוססת על למידה, טכנולוגיות אלה מאפשרות לצמחים כוח לפעול קרוב יותר לפוטנציאל התרמודינמיקה שלהם. בעוד אתגרים כגון איכות נתונים, אבטחת סייבר ואמון אנושי להישאר, המסלול הוא ברור: AI / ML יהפכו למרכיב של כלי פעולה סטנדרטיים אלה אינם מחפשים יותר ויותר תפעוליים.