Ứng dụng mạng nơron nhân tạo đánh giá hiệu suất của nhà máy nhiệt điện

Mô hình hóa một nhà máy nhiệt điện là một vấn đề khó khăn nhưng mang lại nhiều lợi ích. Các chương trình mô phỏng thường dựa trên các phương trình toán học rất phức tạp với số lượng lớn các thông số liên quan. Bài viết Ứng dụng mạng nơron nhân tạo đánh giá hiệu suất của nhà máy nhiệt điện đề xuất xây dựng hai mô hình mạng nơron nhân tạo (ANN) cho lò hơi và tuabin.
Nội dung trích xuất từ tài liệu:
Ứng dụng mạng nơron nhân tạo đánh giá hiệu suất của nhà máy nhiệt điện CHUYỂN ĐỔI SỐ VÀ NÂNG CAO HIỆU QUẢ VẬN HÀNH HỆ THỐNG ĐIỆN QUỐC GIA ỨNG DỤNG MẠNG NƠRON NHÂN TẠO ĐÁNH GIÁ HIỆU SUẤT CỦA NHÀ MÁY NHIỆT ĐIỆN APPLICATION OF ARTIFICIAL NEUTRAL NETWORK TO ASSESS THE PERFORMANCE OF THERMAL POWER PLANT 1 2 Phạm Văn Hoàn , Lê Trọng Nghĩa , 1 Tổng công ty Phát điện 2, 0898013706, pham.v.hoan@gmail.com 2 Tổng công ty Phát điện 2, 0905986307, nghialt@evngenco2.vn Tóm tắt: Mô hình hóa một nhà máy nhiệt điện là một vấn đề khó khăn nhưng mang lại nhiều lợi ích. Các chương trình mô phỏng thường dựa trên các phương trình toán học rất phức tạp với số lượng lớn các thông số liên quan. Nghiên cứu này đề xuất xây dựng hai mô hình mạng nơron nhân tạo (ANN) cho lò hơi và tuabin. Mục tiêu cuối cùng là tích hợp hai mô hình này thành một mô hình ước lượng công suất phát của nhà máy sử dụng một vài thông số có sẵn từ dữ liệu thực của nhà máy và có thể dễ dàng cập nhật với dữ liệu mới. Mạng nơron được sử dụng là mạng truyền thẳng hai lớp, có hàm truyền sigmoid trong lớp ẩn và hàm tuyến tính trong lớp đầu ra, và sử dụng thuật toán huấn luyện lan truyền ngược Levenberg-Marquardt. Phương pháp nghiên cứu là tổng quát và được áp dụng trên đối tượng cụ thể là tổ máy số 01 - Nhà máy nhiệt điện Ô Môn. Kết quả của dự báo đạt được độ chính xác cao, cho thấy tiềm năng của việc sử dụng mô hình mạng nơron nhân tạo trong mô hình hóa các nhà máy nhiệt điện. Ngoài ra, bài báo đã áp dụng thành công bộ thông số thực tế năm 2020 vào các mô hình ANN nêu trên để ước lượng mức suy giảm hiệu suất nhà máy bằng cách so sánh giữa thông số thực tế và dự báo. Kết quả mô phỏng cũng đã giúp khoanh vùng được một số nguyên nhân chính để cải thiện hiệu suất nhà máy. Từ khoá: Nhà máy nhiệt điện; mạng nơron nhân tạo; lò hơi; tuabin hơi; dữ liệu thực. Abstract: Modeling thermal power plants is a challenging but rewarding problem. Common simulation programs based on mathematical equations are highly complicated with numerous related parameters. This study develops two artificial neural networks (ANN) for boilers and steam turbines. The utimate goal is to integrate these two ANN models for the prediction of generating power of power plants using only limited and frequently updated real data from plants. The used neural networks are two-layer feedforward with sigmoid function in the hidden layer, linear function in the output layer, and using Levenberg-Marquardt back-propagation training algorithm. The study has been applied to the first generating unit of O Mon thermal power plant. The results show that the proposed ANNs are highly feasible and applicable for modeling of thermal power plants. In addition, the paper has successfully applied the set of actual parameters in 2020 to the above ANN models to estimate the factory performance degradation by comparing between actual and forecasted parameters. Simulation results have also helped to identify some of the main reasons for improving plant performance. Keywords: Thermal power plant; artificial neural networks; boiler; steam turbine; real plant data. 249 KỶ YẾU HỘI NGHỊ KHOA HỌC VÀ CÔNG NGHỆ ĐIỆN LỰC TOÀN QUỐC NĂM 2022 KÝ HIỆU Ký hiệu Ý nghĩa CN Bình ngưng Air Gió cấp fuel Nhiên liệu fw Nước cấp gd1 Tập hợp gồm 3 thông số mfuel, mfw , tfw m Lưu lượng MSE Sai số toàn phương trung bình No1 - No8 Vị trí trích hơi số 1 - 8 p Áp suất Pout Công suất phát s Hơi nước St Tập hợp gồm 3 thông số ps, ts, ms CHỮ VIẾT TẮT ANN Artificial neural network (mạng nơron nhân tạo) 1. GIỚI THIỆU Mô hình hóa một nhà máy nhiệt điện là một vấn đề đầy thách thức. Một số mô hình toán học cho lò hơi [1], [2] và tuabin [3], [4] đã được thực hiện. Tuy nhiên, việc tích hợp các mô hình của các thành phần này để dự báo hoạt động của nhà máy nhiệt điện gây ra nhiều khó khăn do sử dụng các phương trình toán học phức tạp với số lượng lớn các thông số liên quan phụ thuộc lẫn nhau. Ngoài ra, mô hình toán sẽ giảm tính chính xác theo thời gian do sự xuống cấp không thể tránh khỏi của nhà máy. Mặt khác, dữ liệu thực các thông số vận hành của nhà máy nhiệt điện luôn được lưu giữ để theo dõi tình trạng vận hành của nhà máy. Do đó, dữ liệu thực cho bất kỳ nhà máy nhiệt điện nào luôn có sẵn mà không cần bất kỳ sự đầu tư bổ sung nào. Những dữ liệu này có thể được sử dụng để xây dựng mô hình mạng nơron nhân tạo (ANN) cho các thành phần riêng biệt hoặc toàn bộ nhà máy nhiệt điện. Nếu được huấn luyện đúng với dữ liệu thực tế này, mô hình mạng nơron nhân tạo có thể dự báo giá trị của các thông số mong muốn với độ chính xác cao. Dự báo của mô hình mạng nơron nhân tạo được huấn luyện cũng được dự kiến sẽ đi lệch khỏi giá trị đo lường theo thời gian thực do sự xuống cấp của nhà máy. Độ lệch này có thể được sử dụng để ước lượng sự xuống cấp của nhà máy và đưa ra các biện pháp xử lý phù hợp. Sự xuống cấp của nhà máy là không thể tránh, nên mô hình mạng nơron nhân tạo cần phải được huấn luyện với các thông số 250 CHUYỂN ĐỔI SỐ VÀ NÂNG CAO HIỆU QUẢ VẬN HÀNH HỆ THỐNG ĐIỆN QUỐC GIA mới nhất được cập nhật theo tình trạng thực tế của nhà máy. Do luôn được huấn luyện với các dữ liệu mới nhất nên tính chính xác của mô hình mạng nơron nhân tạo là rất cao. Ngoài ra, trong mô hình mạng nơron nhân tạo, các thông số đo lường đầu vào thường ít hơn so với mô hình toán. Gần đây, việc xây dựng mô hình phục vụ các ứng dụng ...