Научный коллектив Санкт-Петербургского политехнического университета Петра Великого создал систему, которая предугадывает неисправности энергетического оборудования, предотвращает аварии и помогает станциям зарабатывать больше. Этот гибридный алгоритм объединил технологии цифровых двойников с динамичной самопараметризацией (самостоятельным изменением ключевых параметров для создания цифровой копии энергоустановки) и искусственного интеллекта.
Новая разработка относится к области предиктивной аналитики и способна спрогнозировать поломки или деградацию энергооборудования.
«На первом этапе создается цифровая модель станции, и в специализированное ПО загружаются данные о работе теплоэлектростанции со штатных приборов. Затем в модель в режиме реального времени поступают данные штатных приборов АСУ ТП, они проверяются на адекватность и являются входными для расчета мониторинга, модель выдает рекомендации об оптимальном ведении режима. Таким образом создается точный цифровой двойник станции, учитывающий множество сложных процессов работы в различных условиях эксплуатации», — рассказала руководитель проекта, кандидат технических наук, доцент Высшей школы атомной и тепловой энергетики СПбПУ Ирина Аникина.
С помощью методов машинного обучения система автоматически учитывает изменение физических характеристик ключевых узлов оборудования, происходящих, например, по причине естественного износа.
«Модель самопараметризуется и может восполнять пробелы в полученных данных — например, о тех узлах станции, где невозможно установить датчик мониторинга, — и устранять неточности измерений. В итоге мы получаем достоверную цифровую копию сложнейшего энергетического оборудования и можем проводить глубокий анализ работы станции и прогнозировать появление дефектов в будущем, а также получать данные о комплексном влиянии множества факторов на технические процессы, — отметила Ирина Аникина. — До настоящего времени получить такие данные ни теоретическим, ни практическим способом было невозможно».
Эта технология особенно важна для новых отечественных газотурбинных установок, по которым еще мало статистики. Пилотные испытания провели на нескольких станциях Северо-Западного региона, и результаты впечатляют. По мнению ученых, выбор оптимального режима работы по рекомендации системы позволяет увеличить доход ТЭЦ на 7–8%.
Новый алгоритм СПбПУ должен снизить количество внеплановых ремонтов вследствие нештатного поведения оборудования — притом что ущерб от них может варьироваться от нескольких миллионов до миллиардов рублей.
Надежный мониторинг и прогнозирование состояния сложного энергооборудования — одна из важных задач для российской энергетики. Это напрямую связано с обеспечением национальной энергобезопасности и соответствует целям Энергетической стратегии РФ до 2050 года, которая предусматривает внедрение цифровых двойников и систем предиктивной аналитики на основе ИИ.
Существующие на сегодня зарубежные решения слабо охватывают специфику российских теплоэлектростанций, так как их отличает разноплановый состав оборудования, а также производство тепла и электроэнергии одновременно.
Российские системы предиктивной аналитики (предсказания и анализа данных) изучают изменения ключевых параметров и данные нейронных моделей, которые учатся на статистике с приборов автоматизированной системы управления технологическим процессом (АСУ ТП). Однако широкое использование такого подхода ограничено: далеко не всё энергооборудование в РФ оснащено нужными приборами, некоторые данные бывают недостоверными, а новое отечественное оборудование еще недостаточно изучено.
В планах у ученых — развивать систему и адаптировать ее для других типов генерирующего оборудования, а в дальнейшем масштабировать на другие предприятия энергоотрасли.
Проект реализуется в рамках программы Минобрнауки России «Приоритет-2030» (национальный проект «Молодежь и дети»).
