您目前所在位置:

信息来源: 发布时间: 浏览次数:

余热锅炉|GGH换热器|废热锅炉|烟气余热回收器|高温换热器|ORC低温余热发电|全焊接板式换热器|气气换热器|脱硫脱硝

 

 

 

 

 

 

多年以来,性价比高、转化率高的火力发电是符合我国国情的最理想发电方式,也是我国以前、现在乃至未来至少10年内电力供应的中流砥柱。近年来,中国在火力发电领域后来居上,相继超越了荷兰和日本,成为世界发电量****,拥有最领先火电技术的国家,仅2019年第一季度火力发电就占到全国电力的75.58%。

 

12个月,我们优化了一座电厂,可为中国每年节省70亿

▲BP世界能源统计2018年度数据

 

虽然占比很高,但近几年整个火力发电行业的日子并不好过。在“化解产能过剩”、“提升发电效率”、“建设环保机组”等政策背景下,行业内注定要淘汰一批产能落后、污染严重的火力发电机组。如何把传统机组改造成发电效率高、能耗低的环保型机组,成为了新的产业命题。

 

近日,京东数科通过创造性的利用AI技术,成功在多个试点电厂,将火电机组锅炉热效率提高了0.5%,如在全国推广,每年可以为国家节约70亿元的燃煤消耗和污染治理费,目前该项技术已在国内多个电厂通过了来自国家能源集团等权威机构的验收,开创了AI深度强化学习技术在电站锅炉领域应用的先例。

 

 

 

 

产能低、污染重的火电机组将面临淘汰

 

由于煤是不可再生资源,随着自然资源的不断消耗,煤炭石油等价格因素的影响,尤其是产能过剩和环境污染等方面的问题,火力发电行业正面临巨大的发展瓶颈。据《能源发展“十三五”规划》等行业文件显示,到2020年,现役燃煤发电机组改造后,平均供电煤耗必须低于310克/千瓦时。

 

这也意味着,一批能耗高、污染大的火电机组,如不及时转型,将面临淘汰关停的命运。

 

12个月,我们优化了一座电厂,可为中国每年节省70亿

▲产能落后的发电机组能耗高,污染大

 

如何用更少的煤发更多的电,并产生最少的污染排放,是目前火力发电行业****的痛点。多年来,火力发电中的锅炉燃烧效率优化,吸引了国内众多专家学者进行了深入的研究,在目前发电控制系统已经非常成熟的背景下,传统控制优化手段下能够提效发电效率的方法几乎被开发殆尽。

 

但在京东数科资深数据科学家詹仙园博士看来,这个行业痛点或许还有另外一种方式可以解决。他发现,在火力发电行业中,一直隐藏着海量待开发的“数据宝藏”,这些沉睡的数据如果能被AI技术唤醒,将成为解决以上问题的新的突破口。

 

 

 

 

火电行业海量“数据宝藏”为何难以利用?

 

经过多年的发展,火力发电行业的数字化程度已经达到了很高的水平,以一台60万千瓦的中型火电机组为例,其内置的上万个传感器测点,每秒可产生数万条实时监控数据。

 

12个月,我们优化了一座电厂,可为中国每年节省70亿

▲火力发电机组的数据监控页面

 

但目前来看,这些海量的数据目前并未得到充分的利用,绝大多数的数据只起到了系统安全运行监控的作用,针对火电数据的分析还处于起步探索阶段。

 

詹仙园解释,火力发电行业中的海量的数据在利用过程中往往面临诸多难点,它所解决的燃烧优化问题比Alpha Go的围棋问题还复杂 。

 

首先是系统的复杂程度极高,AlphaGo解决的围棋问题中只涉及对棋盘361个格点对应离散变量(白子、黑子、无子三个状态)的建模,而火力发电机组面临的问题更为复杂,比如发电过程中,它包含给煤、磨煤、炉膛燃烧、配风、给水等多个环节,一个普通中型火电机组就拥有上万个传感器测点,发电过程中所产生的内部燃烧、风烟、水热循环物理化学过程非常复杂。

 

12个月,我们优化了一座电厂,可为中国每年节省70亿

 

其次,是可以拿到并利用起来的数据有限,导致仿真模拟产生的数据不完全可靠。

 

“Alpha Go在做第一版的时候,用了上千万的棋局数据来学习,数据量十分庞大,模型可以在这些数据中得到很好的训练。但我们只能从电厂拿到两年的数据,有些数据因为机组停机还无法使用”,詹仙园介绍说。

 

第三,由于安全约束条件多,导致优化控制策略必须受到严格限制。

 

跟下棋不同,由于火电机组是特种设备,且系统本身高度复杂,试验不当甚至可能导致机组停机甚至严重的安全问题,因此在正常运行过程中,对锅炉负荷、内部温度、压力等有一系列的安全性指标与要求,这也导致在满足大量安全约束条件的同时进行系统优化的难度加大。

 

如何“唤醒”火电机组内沉淀的海量数据?

 

在诸多挑战面前,詹仙园与团队做了一场大胆的试验,独创AI火力发电锅炉燃烧优化控制系统,利用AI和大数据,历经1年的技术攻关和开发,针对三大难题,灵活运用深度强化学习技术,交出了自己的答卷:

 

首先,针对系统复杂度高的难题,他们用深度强化学习人工智能模型框架解决系统与控制复杂性的问题。

 

在美国计算机领域顶尖高校普渡大学深造多年的詹仙园,对世界最前沿的深度强化学习人工智能模型框架非常了解,他和团队创造性地通过大量使用深度神经网络挖掘火电机组相关测点之间复杂的内在关系及隐含模式,实现对机组系统的精准建模与模式挖掘,进而为深度强化模型寻优创造条件。

 

在更强的模型能力加持下,AI+锅炉燃烧优化模型同时考虑整个锅炉从磨煤制粉、燃烧、水热循环数百维主要状态、动作测点数据,对系统进行整体性建模,****程度上考虑各子系统之间复杂的依赖、影响关系,以此实现对数十甚至上百维火电机组主要控制变量的全局优化。

 

12个月,我们优化了一座电厂,可为中国每年节省70亿

 

其次,针对数据有限的难题,他和团队尝试用深度学习技术构建火电燃烧场景的锅炉燃烧过程仿真模型,解决了数据稀疏性问题。在实验中,他们利用深度学习技术构建了专门针对火电燃烧场景的锅炉燃烧过程仿真模型,将燃烧物理过程结构化建模嵌入到AI模型结构设计中,尽可能提升燃烧过程仿真的准确性。

 

12个月,我们优化了一座电厂,可为中国每年节省70亿

 

最后,针对安全限制问题,用深度学习中加入的高度定制化安全约束函数和约束网络解决安全可靠性问题。

 

为了在对锅炉燃烧进行优化的同时满足对机组运行安全性的要求, AI+锅炉燃烧优化技术在一般深度强化学习模型中通用的价值函数基础上,额外引入了高度定制化的安全约束函数及与之对应的约束网络,可对发电负荷不达标,炉膛负压为正等大量锅炉运行风险情况进行判别,针对机组运行状态及控制变量,在长期运行状态下进行更精准的风险评估,提供更安全可靠的火电机组优化控制策略。

 

简单理解,京东数科在用AI解决火电系统提效的问题上,用最擅长解决复杂高维变量系统优化问题的深度强化学习技术,解决数据的复杂性、稀缺性和模拟建模的可靠性、安全性等问题。

 

在2019年3月14日,在国家能源集团南宁电厂的集控室里,京东数科的AI优化火力发电系统第一次得到了验证和认可,火力发电效率提升了0.5%,等同于帮助一台60万千瓦火电机组一年节省燃煤3600吨,节约燃料费用200多万元,如果全国推广,每年可以为国家节约70亿元的燃煤消耗和污染治理费。

 

截至目前,京东数科AI+火力发电能源优化产品已提交14项发明专利,荣获2018年中国人工智能峰会(CAIS 2018)创新奖、2019机器之心人工智能年度三十大****AI应用案例等奖项。

 

詹仙园透露,此次AI+火力发电优化项目中所积累的大量人工智能优化算法,未来也有可能将此用于类似的能源、工业复杂控制系统中(有大量的时序传感器数据以及大量的控制变量),并通过将技术拓展到更广阔领域的类似场景中,为更多行业带来运行效率提升,为社会创造更大的价值。

 

热管换热器|热管锅炉|低温全凝换热器|余热制冷|换热器软件下载|喷流换热器|相变换热器|垃圾焚烧换热器|腐蚀换热器