L’INTELLIGENZA ARTIFICIALE APPLICATA AI GENERATORI DI VAPORE A RECUPERO

ANOMALY DETECTION E MANUTENZIONE PREDITTIVA DI GENERATORI DI VAPORE A RECUPERO

L’INTELLIGENZA ARTIFICIALE APPLICATA AI GENERATORI DI VAPORE A RECUPERO

I generatori di vapore a recupero sono tipicamente utilizzati all’interno di centrali termoelettriche a ciclo combinato. Questi svolgono un ruolo fondamentale nel recupero dell’energia termica dei fumi di scarico delle turbine a gas, che altrimenti finirebbero persi in atmosfera. Con energia termica di scarto, i GVR (generatori di vapore a recupero) sono in grado di produrre vapore surriscaldato a diversi livelli di pressione. In cascata può alimentare utenze termiche o evolvere in una turbina a vapore per produrre energia elettrica.

Al fine di ottimizzare l’utilizzo delle risorse, ridurre gli sprechi e aumentare l’efficienza degli impianti, le aziende del campo energetico utilizzano sempre più spesso tecniche all’avanguardia per il monitoraggio dei propri asset.

In questo caso studio saranno esplorate le potenzialità degli algoritmi di machine learning, applicati ai dati di monitoraggio di un generatore di vapore a recupero a tre livelli di pressione, presente in una centrale termoelettrica a ciclo combinato.

Le portate di vapore surriscaldato prodotte ai diversi livelli e la pressione della portata di alimento sono state riprodotte tramite algoritmi di intelligenza artificiale. Per ogni variabile è stato implementato uno strumento di controllo in grado di intercettare anomalie.

I modelli di machine learning e i relativi strumenti di controllo sono integrati ad una soluzione software che monitora le performance dei generatori di vapore a recupero. Inoltre, consente una visione di insieme dello stato di salute dell’asset e ne segnala tempestivamente malfunzionamenti e cali di performance.

 

PROFILO DEL CLIENTE

Il cliente è un’azienda italiana attiva nei settori dell’approvvigionamento, produzione e vendita di energia elettrica. Conta più di 3.000 dipendenti ed è uno dei principali player di energia elettrica in Italia. Infatti, detiene circa il 6,7% della produzione nazionale: possiede un parco produttivo che comprende impianti a ciclo combinato gas-vapore, idroelettrici, eolici, solari e a biomasse.

 

LE NECESSITA’ DEL CLIENTE

Al fine di garantire standard di efficienza elevati, guasti e perdite di performance devono essere intercettati tempestivamente. In una centrale di produzione di energia, la manutenzione predittiva è ad oggi la migliore per la manutenzione degli asset.

I generatori di vapore a recupero svolgono un ruolo di fondamentale importanza in una centrale termoelettrica a ciclo combinato. Infatti, recuperano l’energia entalpica dei gas esausti di una turbina a gas e con essa generano vapore surriscaldato in grado di alimentare utenze termiche o generare energia elettrica tramite una turbina a vapore accoppiata ad un generatore elettrico.

Le centrali termoelettriche a ciclo combinato possono raggiungere rendimenti superiori al 50% solo quando il recupero dei gas di scarico proveniente dai turbogas è completo ed efficiente. Per tali ragioni, fermi o guasti improvvisi di un GVR causano deciso calo del rendimento di impianto e netta diminuzione dell’energia elettrica prodotta, nonché massiva dispersione di energia termica in atmosfera.

Pertanto, il committente ha richiesto di implementare un sistema di monitoraggio e manutenzione predittiva basato sull’intelligenza artificiale. Tale richiesta dal punto di vista dell’output aveva il fine di controllare costantemente le performance dell’asset e, da quello delle prestazioni delle pompe di circolazione del GVR, di controllare le portate di vapore surriscaldato ai diversi livelli di pressione.
Lo strumento richiesto deve essere in grado di intercettare non solo cambi di comportamento nel funzionamento dell’asset, ma anche eventuali errori nella trasmissione dei dati provenienti dal campo, dovuti ad esempio a sensori non correttamente tarati o rotti.

 

LA SOLUZIONE MIPU

La soluzione MIPU consiste in cinque algoritmi di intelligenza artificiale integrati ad una piattaforma hardware, connessa ai sensori di campo, che monitora costantemente lo stato di salute dell’asset tramite dati in real time.

La costruzione dei modelli di intelligenza artificiale passa prima di tutto per l’identificazione dei parametri elettrici, meccanici e termodinamici che intervengono nella fisica del processo, in particolare quello di produzione del vapore surriscaldato nel GVR. Si passa poi all’analisi e visualizzazione dei dati a disposizione, provenienti da un sistema di acquisizione IoT, al riconoscimento dei periodi di fermo impianto o di manutenzione dell’asset. Le variabili di processo sono state analizzate in base al profilo temporale e alla correlazione qualitativa e quantitativa reciproca.

 

LE ANALISI SVOLTE

Un esempio dell’analisi dei dati svolta è l’identificazione della curva caratteristica delle pompe di circolazione del generatore di vapore a recupero. Da qui è possibile notare come la curva cambi a seconda che una o più pompe funzionino in parallelo.

Una volta individuato il periodo che nello storico a disposizione presentava il comportamento ottimale dell’asset, sono stati allenati i modelli di intelligenza artificiale.

Sono stati testati vari algoritmi di machine learning, caratterizzati da strutture differenti. Tali differenze permettono di identificare la soluzione più performante in termini di metriche statistiche e carte di controllo. La qualità di ogni modello è stata valutata tramite la capacità del singolo di intercettare cambi di comportamento dal punto di vista manutentivo o di gestione energetica dell’asset.

Gli algoritmi riproducono in tempo reale le portate di vapore surriscaldato ai tre diversi livelli di pressione, la porta di vapore surriscaldato totale e la pressione della portata di alimento al GVR. Un sistema di data experience rende possibile il confronto tra le variabili reali e la predizione fatta da ciascun modello; così viene realizzato il controllo continuo del generatore di vapore a recupero dal punto di vista delle performance e dello stato di salute.

Di seguito un grafico che mostra l’andamento della portata di vapore surriscaldato prodotto globalmente dal GVR. Il grafico mostra anche la predizione del modello in un periodo di funzionamento a regime dell’asset.

Il confronto in tempo reale tra le misure provenienti dal campo e la predizione fatta dal modello di AI permette di monitorare lo stato di salute dell’asset. Permette anche di intercettare eventuali errori nei dati raccolti, dovuti a sensori non correttamente tarati, spenti o addirittura rotti. Questo fenomeno è abbastanza frequente e la soluzione implementata individua facilmente un fault di questo tipo. Ciò accade perché la predizione sui dati provenienti dal campo risulta errata quando uno o più sensori non forniscono segnale o non sono adeguatamente tarati.

Nel seguente grafico è possibile osservare come la predizione del modello, in rosso, sia stata del tutto fuori controllo. Ciò è accaduto per un breve periodo in seguito ad un errore nella taratura di alcuni sensori.

 

RISULTATI

Monitorare in modo continuo le performance degli asset critici di una centrale termoelettrica con uno strumento semplice ed immediato è fondamentale. Così facendo diminuiscono i fermi dovuti a manutenzione straordinaria e sono rispettati vincoli normativi legati alla tutela ambientale e all’ottimizzazione delle risorse.

Tramite l’utilizzo dell’AI sono stati implementati 5 diversi modelli in grado di riprodurre le variabili critiche del processo di produzione di vapore surriscaldato di un GVR. E’ stato così possibile simularne il comportamento ottimale. Il set di modelli implementato è stato integrato in una piattaforma. Quest’ultima rende possibile il controllo continuo dell’asset dal punto di vista delle performance e dello stato di salute.

In particolare, gli algoritmi implementati sono in grado di intercettare deviazioni nella produzione totale di vapore surriscaldato del GVR di circa lo 0.6%. Inoltre, intercettano comportamenti anomali delle pompe di circolazione del GVR, con un errore dello 0.3% circa rispetto alla pressione della portata di alimento attesa.
Avere a disposizione un set completo di modelli per un unico asset abilita il controllo incrociato. Ciò è utile per intercettare la causa di un’anomalia, considerando il comportamento di una specifica variabile di processo ed anche altri parametri ad essa collegati.

 

CONCLUSIONE

Scopri di più sulle nostre soluzioni software, come Rebecca AI, la piattaforma che democratizza l’Intelligenza Artificiale e rende possibili queste applicazioni.

Altre Case History:

Lo sapevi?

Organizziamo ALMENO un webinar al mese sui temi
dell’ingegneria di manutenzione, dell’efficientamento energetico
e degli ultimi trend di intelligenza artificiale.

Lascia un tuo contatto per ricevere tutti gli inviti!