L’INTELLIGENZA ARTIFICIALE APPLICATA ALLE TURBINE A VAPORE
Le turbine a vapore sono macchine motrici in grado di convertire l’energia termica del vapore surriscaldato in energia meccanica. All’interno delle centrali termoelettriche sono tipicamente accoppiate a generatori elettrici per la conversione ultima dell’energia meccanica in energia elettrica.
Ottimizzare l’utilizzo delle risorse, ridurre gli sprechi e aumentare l’efficienza degli impianti, è oggi come oggi la sfida più grande con cui si confrontano i grandi produttori di energia a livello mondiale. Fare uso di tecniche all’avanguardia per il monitoraggio e la manutenzione dei propri asset è sicuramente l’approccio che produce i migliori risultati.
In questo caso studio saranno mostrate le potenzialità degli algoritmi di machine learning applicati ai dati di monitoraggio di una turbina a vapore alimentata da due generatori di vapore a recupero, presente in una centrale termoelettrica a ciclo combinato.
MIPU ha riprodotto tramite algoritmi di AI la potenza attiva, la temperatura del casing, il sistema di tenuta e il comportamento vibrazionale della turbina a vapore e per ogni variabile ha implementato uno strumento di controllo in grado di intercettarne le anomalie.
I modelli di machine learning e i relativi strumenti di controllo sono integrati ad una soluzione hardware che monitora le performance della turbina a vapore, consente una visione di insieme dello stato di salute dell’asset e ne segnala tempestivamente guasti e cali di performance.
IL CLIENTE
Il cliente è un’azienda italiana attiva nei settori dell’approvvigionamento, produzione e vendita di energia elettrica.
LE NECESSITA’ DEL CLIENTE
Per raggiungere standard di efficienza elevati, guasti e perdite di performance devono essere rilevati tempestivamente in una centrale termoelettrica e un approccio predittivo è altamente consigliato nella manutenzione degli asset.
Le turbine a vapore sono di grande importanza nelle centrali termoelettriche a ciclo combinato perché l’energia meccanica del loro moto, tramite l’opportuno accoppiamento ad un alternatore, permette di produrre energia elettrica addizionale portando il rendimento di centrale oltre il 50%.
Fermi o guasti improvvisi di una turbina a vapore causano un deciso calo del rendimento di impianto e una netta diminuzione della energia elettrica prodotta. Le centrali termoelettriche devono garantire elevati livelli di affidabilità, in modo da immettere in rete la quantità di energia concordata con il mercato elettrico nazionale. Per tali ragioni, fermi improvvisi sono altamente deprecabili dal cliente che in tale caso subirebbe ingenti danni economici, oltreché di immagine.
LA SOLUZIONE MIPU
La soluzione MIPU consiste in dieci algoritmi di intelligenza artificiale integrati ad una piattaforma software e hardware. Questa piattaforma è interconnessa ai sensori di campo e monitora costantemente lo stato di salute della turbina a vapore in real time. La piattaforma compie tale operazione dal punto di vista della potenza attiva, della temperatura del casing, delle perdite di vapore del sistema di tenuta e del comportamento vibrazionale dei cuscinetti.
Gli esperti di MIPU hanno implementato i modelli di AI identificando i parametri elettrici, meccanici e termodinamici che intervengono nella fisica del processo di conversione dell’energia termica del vapore surriscaldato in energia meccanica. Dopodiché hanno svolto l’analisi e la visualizzazione dei dati a disposizione, provenienti da un sistema di acquisizione IoT. Gli esperti hanno svolto anche il riconoscimento dei periodi di fermo impianto o di manutenzione dell’asset. Le variabili di processo sono state poi analizzate in base al profilo temporale e alla correlazione qualitativa e quantitativa reciproca.
Una volta individuato nei dati a disposizione il periodo che presentava il comportamento ottimale dell’asset, sono stati allenati i modelli di intelligenza artificiale.
Nel grafico seguente è presente un esempio di analisi dati. Analisi svolta per identificare il comportamento termico del casing della turbina a vapore durante i transitori di raffreddamento.
Per identificare la soluzione migliore in termini di metriche statistiche e carte di controllo, MIPU ha testato vari algoritmi di machine learning caratterizzati da strutture differenti. La qualità di ogni modello è stata valutata tramite la capacità del singolo di intercettare cambi di comportamento. Questi ultimi dovuti ad azioni manutentive o modifiche nella gestione energetica dell’asset.
I modelli in uso
Gli algoritmi riproducono in tempo reale la potenza elettrica attiva ai morsetti dell’alternatore. Riproducono anche la temperatura del casing della turbina a vapore, con focus particolare sulle fasi di raffreddamento che avvengono subito dopo che la turbina smette di funzionare, le perdite di vapore surriscaldato dal sistema di tenuta, il comportamento vibrazionale dei cuscinetti per monitorarne lo stato tramite analisi predittive.
Attraverso un sistema di data experience è possibile il confronto tra le variabili reali e la predizione fatta da ciascun modello. In questo modo è reso il controllo continuo della turbina a vapore dal punto di vista delle performance e dello stato di salute.
Di seguito un grafico che mostra l’andamento della potenza attiva reale. Inoltre, mostra la predizione del modello in un periodo di funzionamento a regime della turbina a vapore.
RISULTATI
Il monitoraggio continuo delle performance degli asset critici in una centrale elettrica è fondamentale per ridurre al minimo i fermi dovuti a manutenzione straordinaria. Il monitoraggio risulta fondamentale anche per rispettare vincoli normativi legati alla sicurezza ambientale e all’uso ottimale delle risorse.
Tramite l’utilizzo dell’intelligenza artificiale, MIPU ha implementato dieci diversi modelli di machine learning. Questi sono in grado di riprodurre le variabili critiche del funzionamento di una turbina a vapore che opera in un impianto a ciclo combinato, simulandone un comportamento ottimale. Il set di modelli implementato è stato integrato in una piattaforma. Tale piattaforma rende possibile il controllo dell’asset dal punto di vista delle performance e del suo stato di salute.
In particolare, gli algoritmi implementati sono in grado di intercettare deviazioni nella potenza attiva ai morsetti dell’alternatore dello 0.7% circa a regime. Intercettano anche temperature anomale del casing della turbina con un errore dello 0.4% circa e perdite di vapore surriscaldato con un errore del 1.8% circa. Inoltre, intercettano comportamenti vibrazionali anomali dei cuscinetti con un errore dello 0.8% circa.
CONCLUSIONE
Scopri di più sulle nostre soluzioni software, come Rebecca AI, la piattaforma che democratizza l’Intelligenza Artificiale e rende possibili queste applicazioni.
