Wykorzystanie zaawansowanych algorytmów analizy danych dla optymalizacji procesów produkcyjnych w technologiach energetycznych

Abstract

Celem pracy jest opracowanie narzędzia analitycznego, przeznaczonego do krótkoterminowego planowania pracy badanej elektrociepłowni, przy uwzględnieniu maksymalizacji funkcji celu określającej umowny zysk operacyjny. Integralną częścią narzędzia jest model prognozowania zapotrzebowania na ciepło oddawane przez źródło do sieci ciepłowniczej. Średni błąd względny modelu wyniósł ok. 8,5% i ok. 4% odpowiednio podczas sezonu grzewczego i poza nim. Model termodynamiczny w narzędziu służy do obliczania parametrów produkcyjnych kogeneracyjnych turbin gazowych: godzinowej produkcji energii elektrycznej, produkcji ciepła w kotle odzysknicowym i zużycia paliwa gazowego. Zastosowanie regresyjnych metod uczenia nadzorowanego pozwoliło na poprawę dokładności prognozowania parametrów produkcyjnych turbin gazowych. Średnioroczna dokładność prognozy w dobie następnej dla mocy elektrycznej, mocy cieplnej i zużycia paliwa gazowego wyniosła odpowiednio ok. 1,5%, 1,2% i 0,4%. Do opracowania modeli predykcyjnych zastosowano algorytm Uogólnionego Modelu Addytywnego GAM. W oparciu o wyniki prognoz zapotrzebowania na ciepło oraz parametrów produkcyjnych jednostek wytwórczych zostały przedstawione scenariusze produkcyjne w horyzoncie doby następnej (jako wynik działania optymalizatora), dla wybranych dni z okresu zimowego, przejściowego oraz letniego. The aim of the work is to develop an analytical tool for day ahead planning of the examined CHP plant, taking into account the maximization of the operating profit. An integral part of the developed tool is heat demand forecasting model in the district heating network. The method of training the model, along with the results obtained in the form of the accuracy of hourly heat power forecasts. As a result, the average relative error of the model was approximately 8.5% and 4% during and outside the heating season, respectively. Then, a thermodynamic model of gas turbine with heat recovery in hot water boiler was presented. The simulation model is used for forecasting the production parameters of cogeneration gas turbines in day ahead time horizon. The following parameters can be obtained: electricity production, recovered heat from flue gas and natural gas fuel consumption. The way of calibrating the thermodynamic model based on real process data was discussed. The use of regression supervised learning methods allowed to improve the accuracy of forecasting parameters important for production optimization. The average annual forecast accuracy in the next day for electric power, thermal power and gas fuel consumption was approximately 1.5%, 1.2% and 0.4%, respectively. The Generalized Additive Model (GAM) algorithm was used to develop predictive models. Based on the results of heat demand and production parameters forecasts, operational scenarios were presented for the upcoming day (as a result of the optimizer's operation), for selected days in the winter, transitional and summer periods.