Wykorzystanie potencjału sztucznej inteligencji w elektrowniach parowych na potrzeby szybkich bezpiecznych rozruchów
Identyfikator grantu: PT01158
Kierownik projektu: Sylwia Kruk-Gotzman
Instytut Maszyn Przepływowych PAN w Gdańsku
Gdańsk
Data otwarcia: 2024-04-12
Streszczenie projektu
Sztuczna inteligencja (AI) coraz śmielej wkracza w różne sektory gospodarki, obiecując prawdziwą rewolucję także w branży energetycznej. Dzięki nowym metodom optymalizacji, AI ma potencjał znacząco podnieść wydajność, elastyczność oraz opłacalność funkcjonowania elektrowni, co jest niezmiernie ważne, zwłaszcza w kontekście konieczności dostosowania się do zmieniających warunków pracy spowodowanych rosnącym udziałem odnawialnych źródeł energii (OZE). Te zmiany wymagają od elektrowni konwencjonalnych większej elastyczności w operacjach, by móc efektywnie współpracować z niestabilnymi źródłami energii.
Projekt, którego celem jest integracja technologii AI z obecną infrastrukturą energetyczną, napotka na szereg wyzwań, w tym integrację danych z rozmaitych źródeł, jak również skalowalność i wydajność w czasie rzeczywistym. Stanowi on wstęp do opracowania systemu eksperckiego, kluczowego dla optymalizacji procesów rozruchu zimnych turbin parowych. Te systemy rozruchu przejmują regulacyjne funkcje, co jest szczególnie istotne w kontekście zapewnienia ciągłości dostaw energii. Modele sztucznej inteligencji, trenowane na autentycznych danych z Elektrowni Opole, staną się podstawą do budowy zaawansowanego systemu ekspercko-diagnostycznego, będącego elementem wdrożeniowego projektu doktorskiego, w którym pełnię rolę promotora pomocniczego.
Głównym celem naukowym projektu jest analiza rzeczywistych danych pomiarowych z obiektów energetycznych, celem identyfikacji urządzeń najbardziej wrażliwych na szybkie zmiany temperatur. Na tej podstawie zostaną określone realne konsekwencje szybkich rozruchów dla efektywności energetycznej i egzegetycznej urządzeń. Wykorzystanie uczenia maszynowego umożliwi odkrycie dotąd nieznanych zależności fizycznych, co z kolei pozwoli na optymalizację pracy turbin parowych. Z kolei celem utylitarnym jest stworzenie systemu zaawansowanej diagnostyki, opartego na wzorcach diagnostycznych wypracowanych dzięki uczeniu maszynowemu.
W ramach projektu szczególną uwagę poświęci się wykrywaniu anomalii w szeregach czasowych, co jest kluczowe dla monitorowania stanu i wydajności urządzeń energetycznych. Do najbardziej obiecujących metod AI stosowanych w detekcji anomalii należą algorytmy oparte na sieciach neuronowych, w szczególności rekurencyjne sieci neuronowe (RNN) i sieci neuronowe z długą krótkotrwałą pamięcią (LSTM), które są zdolne do rozpoznawania wzorców w danych sekwencyjnych. Inne efektywne metody to izolacyjne lasy oraz algorytmy klasteryzacji, które pozwalają na identyfikację danych odstających od normy, co jest niezbędne do wczesnego wykrywania potencjalnych problemów operacyjnych.
Projekt, którego celem jest integracja technologii AI z obecną infrastrukturą energetyczną, napotka na szereg wyzwań, w tym integrację danych z rozmaitych źródeł, jak również skalowalność i wydajność w czasie rzeczywistym. Stanowi on wstęp do opracowania systemu eksperckiego, kluczowego dla optymalizacji procesów rozruchu zimnych turbin parowych. Te systemy rozruchu przejmują regulacyjne funkcje, co jest szczególnie istotne w kontekście zapewnienia ciągłości dostaw energii. Modele sztucznej inteligencji, trenowane na autentycznych danych z Elektrowni Opole, staną się podstawą do budowy zaawansowanego systemu ekspercko-diagnostycznego, będącego elementem wdrożeniowego projektu doktorskiego, w którym pełnię rolę promotora pomocniczego.
Głównym celem naukowym projektu jest analiza rzeczywistych danych pomiarowych z obiektów energetycznych, celem identyfikacji urządzeń najbardziej wrażliwych na szybkie zmiany temperatur. Na tej podstawie zostaną określone realne konsekwencje szybkich rozruchów dla efektywności energetycznej i egzegetycznej urządzeń. Wykorzystanie uczenia maszynowego umożliwi odkrycie dotąd nieznanych zależności fizycznych, co z kolei pozwoli na optymalizację pracy turbin parowych. Z kolei celem utylitarnym jest stworzenie systemu zaawansowanej diagnostyki, opartego na wzorcach diagnostycznych wypracowanych dzięki uczeniu maszynowemu.
W ramach projektu szczególną uwagę poświęci się wykrywaniu anomalii w szeregach czasowych, co jest kluczowe dla monitorowania stanu i wydajności urządzeń energetycznych. Do najbardziej obiecujących metod AI stosowanych w detekcji anomalii należą algorytmy oparte na sieciach neuronowych, w szczególności rekurencyjne sieci neuronowe (RNN) i sieci neuronowe z długą krótkotrwałą pamięcią (LSTM), które są zdolne do rozpoznawania wzorców w danych sekwencyjnych. Inne efektywne metody to izolacyjne lasy oraz algorytmy klasteryzacji, które pozwalają na identyfikację danych odstających od normy, co jest niezbędne do wczesnego wykrywania potencjalnych problemów operacyjnych.