Đăng ký thành viên

Chiến lược kỹ thuật số giúp tối ưu hóa nhà máy điện

Lĩnh vực sản xuất điện đã bị thách thức bởi các xu hướng số hóa, sự tăng trưởng năng lượng tái tạo không liên tục, cải thiện tính năng thiết bị, các công nghệ phát điện mới và các công nghệ tích trữ điện. Số hóa là một khái niệm rộng có thể được sử dụng như một công cụ để đạt được nhiều mục tiêu trong kịch bản mới này, nơi mà tính năng và độ khả dụng là rất quan trọng.

Việc tối ưu hóa không ngừng trong chu kỳ vận hành của tài sản có thể khó khăn. Mặc dù vậy, năng lực xử lý bằng máy tính ngày càng cao cho phép các chủ sở hữu-vận hành nhà máy đạt được tỷ suất lợi nhuận ngay cả ở những ngưỡng rất cao. Khi các hệ thống trở nên phức tạp hơn, khả năng phân tích và ra quyết định của con người có thể được tăng cường với các thuật toán và công cụ phần mềm chuẩn hóa các quyết định vận hành và giúp đạt được tính năng tối đa. Các hệ thống hỗ trợ quyết định có thể vượt ra ngoài năng lực của con người vì chúng có thể ảnh hưởng và tương quan đến nhiều biến tính năng phức tạp và kinh nghiệm của người vận hành, mang lại kết quả mong muốn nhất.

Người vận hành không chỉ chịu trách nhiệm về việc tối đa hóa tính năng mà còn về an toàn, quản lý tài sản và các khía cạnh kỹ thuật và chiến lược khác. Xem xét các tiêu chí đa dạng này, các hệ thống cố vấn là công cụ giúp tối ưu hóa các nhà máy nhưng không tự động hóa quá trình ra quyết định, tránh một quyết định sai lầm vì chưa được mô hình hóa. Hệ thống cố vấn hiển thị các điều kiện tốt nhất được đề xuất và sau đó người vận hành có thể quyết định có nên tiếp tục hay không. Phương pháp này cho phép kiểm tra độ tin cậy dài hạn và một quy trình chứng nhận mô hình hóa nhằm kiểm tra xem liệu các quyết định trong tương lai có thể được đưa ra tự động hay không.

Mô hình hóa tối ưu hóa là thách thức chính khi phát triển một hệ thống cố vấn. Mô hình hóa có thể rất đa dạng, liên quan đến các mô hình toán học và/hoặc dữ liệu. Để khám phá và đánh giá các phương pháp mô hình hóa khác nhau, bài viết này trình bày bốn giải pháp tối ưu hóa, ba giải pháp cho nhà máy nhiệt điện và giải pháp thứ tư cho tổ hợp thủy điện bậc thang.

Theo dõi hiệu suất năng lượng đa cấp

Theo dõi tính năng năng lượng là bước đầu tiên trong việc phát triển chiến lược tối ưu hóa (Ảnh st)

Theo dõi tính năng năng lượng là bước đầu tiên trong việc phát triển chiến lược tối ưu hóa. Một công cụ theo dõi cung cấp sự tối ưu hóa khi nó cho phép nhận diện các lỗ hổng và cung cấp thông tin chi tiết từ các so sánh vận hành. Có hai ví dụ chính về sai lệch: thiết kế so với điều kiện thực tế và thời gian thực so với tham số lịch sử hoặc dự báo.

Khi chỉ ra mối tương quan tốt với dữ liệu hiện có, các phương trình nguyên lý thứ nhất là những công cụ rất hữu ích để mô hình hóa tính năng của các tổ máy đang vận hành. Để phát triển nền tảng hiệu suất thời gian thực này, Công ty Radix Engineering and Software (Mỹ) đã sử dụng các phương trình nhiệt động lực học nổi tiếng kết hợp với dữ liệu thời gian thực từ các hệ thống điều khiển phân tán.

Nền tảng này có khả năng theo dõi hiệu suất năng lượng của các tổ máy nhiệt điện trong thời gian thực và suy ra hiệu suất kỳ vọng, cho phép nhanh chóng nhận diện các sai khác trong vận hành. Trước khi thực hiện, các nhà máy điện chỉ có mục tiêu về điều độ điện và điều độ hơi mà không theo dõi trực tiếp về hiệu suất. Vì vậy, các nhà vận hành gặp khó khăn lớn trong việc nhận diện các sai lệch vê hiệu suất.

Mô hình hóa hiệu suất xem xét ba cấp bậc trong hệ thống sản xuất: toàn bộ nhà máy, từng tổ máy quy trình và thiết bị chính. Ví dụ, bên trong một nhà máy có một mô hình nhiệt động lực học cụ thể để cho phép tính toán hiệu suất năng lượng đối với từng quy trình cụ thể của việc sản xuất hơi, xử lý nước, không khí nén, làm lạnh, tháp làm mát, nén khí tự nhiên và các quy trình khác. Tương tự như vậy, có các mô hình cụ thể để theo dõi tính năng năng lượng của từng thiết bị chính, chẳng hạn như các tuabin khí, động cơ đốt, bộ cấp nhiệt, lò hơi, máy nén và máy bơm. Hơn nữa, hai phương pháp luận bổ sung đã được thử nghiệm để thiết kế một mô hình dự báo: hồi quy đa biến và các mạng lưới tự nhiên. Cả hai đều cho kết quả tốt tương đương.

Để đạt được điều này, điều quan trọng là các biến quy trình liên quan phải có sẵn và đáng tin cậy. Để giải quyết thách thức này, một chẩn đoán chi tiết về các thiết bị đo có sẵn đã được thực hiện để xác định các lỗ hổng trong hệ thống theo dõi, nhằm cho phép quản lý năng lượng hiệu quả của các nhà máy.

Cây quyết định giúp tối ưu hóa việc ra quyết định

Đại học Massachusetts, Amherst (Mỹ) có một nhà máy nhiệt và điện kết hợp (CHP) để cung cấp hơi nước và điện đáp ứng nhu cầu trong khuôn viên trường, dựa vào một số loại thiết bị khác nhau như tuabin khí và tuabin hơi nước, lò hơi, pin quang điện và acquy như một nguồn bổ sung khi cần thiết. Nhu cầu hơi nước và điện hàng năm rất khác nhau. Lượng hơi nước tiêu thụ cao hơn vào mùa lạnh và thấp hơn trong mùa nóng. Nhu cầu điện thì ngược lại với mức tiêu thụ cao điểm vào mùa nóng. Sự thay đổi trong vận hành (bao gồm phát điện và hơi nước, lựa chọn giữa ba loại nhiên liệu vòi đốt khác nhau, việc sử dụng tùy chọn thiết bị làm lạnh và lò hơi, và tính khả dụng của bức xạ) tạo ra một môi trường phức tạp để ra quyết định.

Bước đầu tiên để hỗ trợ nhóm vận hành là hợp nhất nhiều nguồn dữ liệu bao gồm thiết bị nhà máy, công tơ điện, lưu lượng kế tại hiện trường và thông tin giá nhiên liệu. Những dữ liệu này cho phép tính toán các chỉ số tính năng chính (KPI) liên quan đến chi phí vận hành và hiệu suất năng lượng của nhà máy.

Tuy nhiên, vì nhà máy CHP có thể được vận hành theo nhiều cách từ Trung tâm Chỉ huy Năng lượng, nên việc hiển thị dữ liệu là không đủ. Bước thứ hai là tạo một cây quyết định, với một công cụ quy tắc dựa trên kết quả của các mô phỏng nhiệt động lực học ngoại tuyến để đạt được các điều kiện vận hành hiệu quả nhất cho nhà máy. Mục đích của ứng dụng này là tạo điều kiện thuận lợi cho việc theo dõi vận hành từ xa và quá trình ra quyết định đơn giản cho các kỹ sư và giám sát viên.

Phương pháp do Radix phát triển kết hợp đánh giá kỹ thuật dựa trên các mô phỏng với sự phát triển của một hệ thống tình báo vận hành. Hệ thống tư vấn này giúp nhà máy vận hành với hiệu suất tối đa có thể. Mô hình tối ưu hóa đã là thách thức chính của hệ thống. Nó yêu cầu kết hợp một phương pháp có thể chỉ ra cấu hình vận hành tốt nhất khi xem xét nhiều kịch bản và chạy trong thời gian thực một mô hình chi tiết với tất cả các thiết bị chính được liên kết với nhau.

 
Hình 2: Màn hình cố vấn cây quyết định của Trung tâm Chỉ huy Năng lượng Amherst, Đại học Massachusetts

Giải pháp là một cây quyết định trực tuyến (Hình 2) lưu trữ 150 kịch bản được mô phỏng ngoại tuyến dưới các cấu hình riêng biệt. Trong quá trình vận hành theo thời gian thực, ứng dụng này phân tích các biến trực tuyến và chỉ ra cấu hình tốt nhất để vận hành. Hệ thống này hợp nhất một số nguồn dữ liệu bao gồm thiết bị nhà máy, công tơ điện, thiết bị đo lưu lượng tại hiện trường và thông tin giá nhiên liệu theo thời gian thực và cho ngày hôm sau (bao gồm dầu diesel có hàm lượng lưu huỳnh cực thấp, khí tự nhiên và khí tự nhiên hóa lỏng). Bộ dữ liệu này cung cấp các mô hình tối ưu hóa và hiệu suất, dự báo và các chỉ số tính năng chính (KPI) sẽ được hiển thị và truy cập trong hệ thống.

Các kết quả chính bao gồm giảm 3% chi phí vận hành tức là xấp xỉ 900.000 USD mỗi năm bằng cách đưa ra các quyết định thời gian thực về việc điều chỉnh thiết bị chính dựa trên giá thị trường năng lượng hiện tại.

Mô hình hóa dữ liệu và trí tuệ nhân tạo để tối ưu hóa O&M

Dự án tập trung vào ứng dụng bảo trì tiên đoán (PdM) và tối ưu hóa năng lượng, bằng cách sử dụng khoa học dữ liệu và trí tuệ nhân tạo (AI) cho các nhà máy nhiệt điện (Ảnh st)

Khi các nhà máy nhiệt điện được sử dụng như một nguồn năng lượng dự phòng, chúng sẽ được trả chi phí cho sự khả dụng. Trong những trường hợp này, việc tối ưu hóa độ khả dụng, độ tin cậy và tính năng của các máy phát điện là những vấn đề quan trọng để tối đa hóa kết quả kinh tế của doanh nghiệp và để đảm bảo cấp điện cho ngành điện. Để vượt qua thách thức nâng cao độ khả dụng, Radix đang phát triển hai dự án sử dụng mô hình hóa dữ liệu để tối ưu hóa vận hành và bảo trì (O&M) cùng với nhau.

Việc xử lý và phân tích một lượng lớn dữ liệu trong thời gian thực đã dẫn đến sự xuất hiện của danh pháp Công nghiệp 4.0, được hỗ trợ bởi các khái niệm như học máy, trí tuệ doanh nghiệp, dữ liệu lớn, Internet vạn vật kết nối (IoT), tính toán đám mây, v.v. Hiện tại, nhóm nghiên cứu và phát triển (R&D) Radix đang phát triển các dự án tập trung vào ứng dụng bảo trì tiên đoán (PdM) và tối ưu hóa năng lượng, bằng cách sử dụng khoa học dữ liệu và trí tuệ nhân tạo (AI) cho các nhà máy nhiệt điện.

Lợi nhuận và kết quả của các dự án này là rất lớn và liên quan đến việc nhận diện tiên đoán các xu hướng, sai lệch, thất bại và sự kém hiệu quả nghiêm trọng. Điều này làm tăng tuổi thọ hữu ích của các bộ phận và thiết bị, do đó giảm chi phí bảo trì. Nó cũng làm tăng hiệu suất năng lượng, và do đó giảm chi phí năng lượng, tỷ lệ phát thải khí nhà kính và tác động đến môi trường.

Thực tế là các dự án PdM và tối ưu hóa được thực hiện cùng nhau là một sự khác biệt, bởi vì một hệ thống sẽ đóng vai trò là đầu vào cho hệ thống thứ hai. Trong khi nhiều phương pháp thực hành áp dụng chỉ số tình trạng động cơ theo cách tĩnh, các dự án này sử dụng chúng một cách động, đánh giá tình trạng của các tổ máy phát điện thông qua vật ghép đôi kỹ thuật số và phương pháp tiếp cận học sâu. Công việc này đang được phát triển theo chương trình R&D của ANEEL (Cơ quan Điều tiết Điện lực Brazil) do Epasa-Centrais Elétricas da Paraíba SA tài trợ.

Tối ưu hóa thủy điện bậc thang

Brazil có một ma trận phát điện chủ yếu là thủy điện và việc vận hành phối hợp các nhà máy có ý nghĩa quyết định đối với lưới điện liên kết. Chương trình lập kế hoạch thủy điện được tổ chức theo các tầm nhìn dài hạn đến ngắn hạn. Phân tích dài hạn sử dụng dữ liệu dòng chảy vào ngẫu nhiên và các tổ máy tương đương được đơn giản hóa. Mặt khác, phân tích ngắn hạn sử dụng dữ liệu xác định dòng chảy vào và thông tin chi tiết về các nhà máy điện và hồ chứa. Những thách thức này phức tạp hơn khi nó liên quan đến các nhà máy thủy điện bậc thang với các hồ chứa nhỏ.

Sự phức tạp và các chiều của phương pháp này tăng lên khi số lượng các khoảng thời gian hoặc tổ máy được xem xét tăng lên (Ảnh st)

Một dự án R&D được thực hiện nhằm phát triển một giải pháp nhằm tối ưu hóa tổ hợp ba nhà máy thủy điện bậc thang (tổng công suất 330 MW) thuộc cùng một chủ sở hữu-nhà vận hành. Hệ thống này tập trung vào việc tối ưu hóa ngắn hạn để giúp nhà vận hành đưa ra quyết định trong thời gian thực, bao gồm cả việc lập lịch hàng ngày. Các biến quyết định là trạng thái của máy phát điện và công suất được điều độ bởi mỗi máy phát đang vận hành. Sự phức tạp và các chiều của bài toán tăng lên khi số lượng các khoảng thời gian hoặc tổ máy được xem xét tăng lên, trở nên không thực tế đối với hầu hết các phương pháp tối ưu hóa thông thường.

Giải pháp toán học này xem xét mô hình nhà máy thủy điện cùng với phương trình hồ chứa. Ba siêu phân tích khác nhau đã được thử nghiệm: Tối ưu hóa bầy đàn phần tử (PSO), Thuật toán di truyền (GA) và Tiến hóa sai biệt (DE). Phương pháp DE mang lại kết quả tốt nhất nếu xem xét mối quan hệ chi phí-lợi nhuận tốt nhất cho chi phí hàm mục tiêu tối thiểu và hội tụ nhanh chóng.

Hệ thống này có bốn mođun — lập lịch hàng ngày, theo dõi, tối ưu hóa thời gian thực và các chỉ báo — cùng nhau tích hợp tất cả các lên kế hoạch và vận hành của công ty điện lực theo cách thức tối ưu hóa. Trong quá trình vận hành, mức cải thiện trung bình 1% về mức hiệu quả của tổ hợp đã được đo lường, từ xấp xỉ 92% đến cao nhất là 94% sau khi triển khai hệ thống. Những phát triển trong tương lai trong giải pháp này sẽ xem xét mô hình hóa dữ liệu để điều chỉnh các tham số tốt nhất của mô hình tối ưu hóa.

Mô hình tối ưu hóa mang lại kết quả

Các giải pháp được trình bày cho thấy cách có thể sử dụng các kỹ thuật mô hình hóa khác nhau để tối ưu hóa các nhà máy điện tập trung vào cải tiến tính năng và độ khả dụng. Vì các quy trình và thiết bị của nhà máy điện dựa trên kiến thức kỹ thuật tổng hợp nên việc tối ưu hóa bằng lập mô hình phương trình nguyên lý thứ nhất có thể là phương pháp đầu tiên cần xem xét trong nhiều phương pháp giải và công cụ mô phỏng. Hơn nữa, các phương pháp tiếp cận mô hình hóa dữ liệu cũng hữu ích và có thể được sử dụng làm mô hình chính, cũng như để cải thiện việc hiệu chuẩn các mô hình nguyên lý thứ nhất và tối ưu hóa. 

Biên dịch: Phạm Gia Đại

Theo “powermag”, số tháng 11/2021