MONITORAGGIO DEL RENDIMENTO DI UNA CENTRALE TERMOELETTRICA TRAMITE L’INTELLIGENZA ARTIFICIALE
Le centrali termoelettriche sono luoghi in cui avviene la produzione di energia elettrica e termica a partire tipicamente da un combustibile fossile. Gli impianti di produzione di energia possono avere diverse configurazioni. Sicuramente quelle più efficienti dal punto di vista energetico sono le centrali che implementano cicli combinati gas – vapore e per questo sono conosciute come centrali termoelettriche a ciclo combinato. In questo assetto una centrale termoelettrica può raggiungere un rendimento globale di impianto del 60%.
In un impianto a ciclo combinato gas – vapore la combustione avviene nella camera di combustione di una turbina a gas: un generatore di vapore a recupero si occupa di recuperare gas di scarico. Questi sono utilizzati per produrre il vapore surriscaldato che si espande in cascata in una turbina a vapore. In tal modo, è prodotta un’ulteriore aliquota di potenza che si somma a quella precedentemente erogata dalla turbina a gas.
Al fine di ottimizzare l’utilizzo delle risorse, ridurre gli sprechi e aumentare l’efficienza degli impianti, le aziende leader del settore energetico recentemente hanno implementato l’uso di tecniche all’avanguardia per il monitoraggio e la manutenzione dei propri asset.
In questo caso studio saranno mostrate le potenzialità degli algoritmi di machine learning che l’intelligenza artificiale mette a disposizione del mondo industriale. In particolare sarà implementato uno strumento di controllo per il monitoraggio del rendimento di una centrale termoelettrica a ciclo combinato.
IL CLIENTE
Il cliente è un’azienda italiana leader nel mercato energetico e tra le più importanti a livello europeo. Si tratta di uno dei principali player di energia elettrica in Italia con un parco produttivo che comprende centrali a ciclo combinato, idroelettriche, eoliche, solari e a biomasse.
Al fine di garantire standard di efficienza elevati, guasti e cali di prestazioni devono essere prontamente rilevati in una centrale di produzione di energia. Un approccio predittivo è al giorno d’oggi quello maggiormente consigliato nella manutenzione degli asset.
Monitorare costantemente il rendimento di una centrale termoelettrica è di fondamentale importanza in condizioni di regime. Questo perché permette di intercettare possibili inefficienze e porvi rapidamente rimedio, qualora le performance si discostassero da quelle di progetto.
Il committente ha richiesto di costruire un sistema di monitoraggio del rendimento globale di impianto, basato su algoritmi di intelligenza artificiale, per una delle proprie centrali termoelettriche a ciclo combinato, per controllare in maniera capillare le performance dell’impianto ed agire tempestivamente in caso di guasto.
LA SOLUZIONE MIPU
La soluzione MIPU consiste in due diversi algoritmi di intelligenza artificiale: il primo per la predizione della potenza attiva della turbina a vapore e il secondo per il calcolo della potenza richiesta dagli ausiliari di impianto. Gli algoritmi sono stati creati ed implementati sulla nostra piattaforma software Rebecca Artificial Intelligence.
Utilizzando i risultati di questi due algoritmi è possibile calcolare la potenza netta di centrale tramite la seguente formula:
P. Netta Centrale [MW] = (P. TV(Predetta)[MW] + P. (TG) [MW]) – (P. ausiliari (Predetta)[MW])
Il rendimento globale di impianto è infine ottenuto implementando la seguente formula:
Rendimento=3600 *(P. Netta Centrale [MW]) / (PCI [MJ/Smc] * (TG GAS)) [Smc/h])
Gli algoritmi sono integrati ad una piattaforma connessa ai sensori di campo. Questi ultimi monitorano costantemente le performance della centrale in termini di rendimento globale, tramite dati in real time.
MIPU ha costruito I modelli di intelligenza artificiale identificando prima di tutto i parametri elettrici, meccanici e termodinamici. Questi intervengono nella fisica dei processi che avvengono in una centrale termoelettrica a ciclo combinato. Poi, l’analisi e la visualizzazione dei dati a disposizione nel periodo monitorato, provenienti da un sistema di acquisizione IoT, il riconoscimento dei periodi in cui la centrale è stata in fermo per manutenzione. MIPU ha poi analizzato le variabili di processo in base all’andamento temporale e alla correlazione qualitativa e quantitativa reciproca.
Una volta individuato il periodo che nello storico a disposizione presentava il comportamento ottimale dell’impianto, abbiamo allenato su di esso i modelli di machine learning.
Gli algoritmi di machine learning testati sono caratterizzati da strutture differenti per identificare il migliore in termini di metriche statistiche e carte di controllo. La qualità di ogni modello viene valutata tramite la capacità del singolo di intercettare cambi di comportamento causati da un intervento manutentivo o da un cambio nella gestione energetica della centrale.
Una parte fondamentale: la data experience
Un sistema di data experience rende possibile il confronto tra le variabili reali e la predizione fatta da ciascun modello. In questo modo è realizzato il controllo continuo della turbina a vapore dal punto di vista delle performance e dello stato di salute.
Nel grafico seguente è possibile osservare il confronto tra l’andamento predetto e l’andamento reale del rendimento di centrale. Gli scostamenti più significativi generano degli alert automatici, che gli operatori in campo possono visualizzare e analizzare grazie a schermate intuitive.
RISULTATI
In questo caso studio l’intelligenza artificiale ha permesso di implementare due diversi modelli di machine learning. Tramite questi è stato costruito uno strumento di controllo per il monitoraggio del rendimento globale di impianto, in grado di simularne un comportamento ottimale in condizioni di regime. Lo strumento è stato integrato in una piattaforma che rende possibile il monitoraggio costante del rendimento globale dell’impianto e produce messaggi di warning nel caso in cui la variabile monitorata si discosti pericolosamente dalla predizione, in base ad un sistema di carte di controllo.
Nel caso specifico, il modello implementato è in grado di prevedere il rendimento teorico dell’impianto con errore medio percentuale dello 0,3% circa.
CONCLUSIONE
Monitorare costantemente il rendimento di una centrale termoelettrica è molto importante per tenere sotto controllo le performance complessive dell’impianto. Lo è anche per intervenire prontamente qualora si verifichino guasti o malfunzionamenti in grado di compromettere l’attività di produzione di potenza.
Per farlo, ci si può far supportare da software sviluppati a questo scopo, come Rebecca AI: la piattaforma che permette di creare e gestire facilmente modelli di Intelligenza Artificiale. Rebecca è stata sviluppata focalizzandosi sui processi industriali ed ha configurazioni verticali per la digitalizzazione delle centrali termoelettriche. Se vuoi vedere una demo senza impegno o capire meglio come funziona, contattaci!
