16+
Регистрация
РУС ENG
http://www.eprussia.ru/epr/378/4640591.htm
Газета "Энергетика и промышленность России" | № 22 (378) ноябрь 2019 года

Искусственный интеллект стучится к энергетикам

Производство для энергетики Татьяна РЕЙТЕР 1321

В общей смете строительства электростанций автоматика составляет 5‑7 %, но в ходе эксплуатации помогает сэкономить в разы больше.

Искусственный интеллект должен дать возможность управлять энергообъектами на качественно ином уровне и одновременно не быть «золотым решением», а когда это произойдет? Завтра? Или через 5 лет? И как это будет реализовано на практике?


Машина учится

«Электроэнергетика – это наукоемкая отрасль, она требует инновационных подходов во многих решениях и новых разработок» – уверен генеральный директор ООО «Ракурс-инжиниринг» Леонид Чернигов. Комплексные решения по автоматизации – это, прежде всего, эффективное и надежное управление оборудованием, системами и электростанцией в целом. Все чаще и чаще в системы автоматизации включаются комплексы алгоритмов, которые принято называть искусственным интеллектом.

Но в «Ракурсе» относятся к модному термину иначе – как к одной из составляющих машинного обучения, основанного на применении нейронных сетей. Такие самообучающиеся программы уже применяются при создании искусственного интеллекта для сложных компьютерных игр. А в энергетике?

«Пока в традиционной энергетике значимых проектов с применением подобных алгоритмов нет, – рассказывает главный конструктор Максим Кузнецов. – Хотя именно здесь есть где развернуться, если только российские компании начнут внедрять в свои процессы алгоритмы, связанные с анализом больших объемов данных и моделированием сложных процессов. Мы, к примеру, с помощью машинного обучения уже стараемся активизировать производственные процессы, найти оптимальные параметры работы генерирующего или паросилового оборудования, чтобы получить максимальный результат по выработке электроэнергии, увеличить КПД установки, снизить выбросы».

Один из примеров использования такой системы – электростанция или каскад ГЭС, где работают агрегаты разных годов выпуска с разными характеристиками, и задача владельца энергообъекта – распределить между ними нагрузку так, чтобы добиться максимального значения одного из значимых критериев – выработки электрической энергии, выручки, использования ресурса агрегата и других. Зная характеристики каждого агрегата и ряд внешних и внутренних параметров, влияющих на работу станции, можно заставить интеллектуальную систему найти оптимальный баланс работы всех агрегатов, будь то огромная ГЭС, такая, как, например, Братская, где установлены 22 агрегата, или каскады электростанций, разнесенные на десятки километров.

Первыми объектами для обкатки инновационной системы могут стать электростанции, где уже внедрены системы мониторинга основного оборудования, например, Красноярская ГЭС, вторая по мощности гидроэлектростанция в стране.


Пилотный проект

Леонид Чернигов, считает, что, несмотря на возможности умной системы по оптимизации работы генераторов, самым эффективным направлением для применения машинного обучения обещает стать диагностика генерирующего оборудования.

Ее результат должен быть прост – это технически обоснованное предсказание, событий, могущих привести к выходу оборудования из строя. Цель еще проще – предотвратить сложный ремонт на раннем этапе, без сбоев и разрушений.

Максим Кузнецов полагает, что такой подход позволит управлять сервисом, вовремя обратить внимание оператора на первые признаки износа, а в конечном итоге оптимизировать издержки за счет увеличения межремонтного периода и сократить время простоя.

«С применением этих программ не обязательно будет отменять плановые ремонты, но можно радикально сократить их стоимость, – поясняет он. – С вводом «умной» диагностики мы уже не дожидаемся сроков планового ремонта, пока незначительный поначалу дефект расползается на другие узлы и затем потребует совсем других средств для устранения неисправностей, а принимаем решение об оперативном ремонте».

А вот Леонид Чернигов считает, что склонить энергетиков к тому, чтобы отказаться от предписанных нормативами плановых ремонтов пока еще сложно.

Преодолеть консервативность мышления, возможно, помогут результаты первого пилотного проекта предиктивной диагностики неисправного оборудования, реализуемого компанией на Юге России, в рамках которого уже создана цифровая модель реальной паровой турбины ПГУ, работающей на станции в 2012 году.
Каждое отклонение между режимами работы модели и турбины можно будет сравнить, оценить и проанализировать с участием экспертов паротурбинной отрасли.


Автоматизация в энергетике, Информационные технологии