Data, Data, Data … Co s nimi? aneb Cesta ke zvýšení ekonomického výkonu elektrárny

Jak nebezpečí nesprávných rozhodnutí čelit? Jak poskytovat ty správné informace pro správná rozhodnutí?
Pokroky v automatizaci a informačních technologiích způsobily, že provozovatelé mají k dispozici obrovská množství dat. Můžeme se ale ptát: Je to užitečná informace nebo jen data, data a nic víc než data? Ano, je pravdou, že shromážděná primární data se kompilují do různých tabulek a grafů. Dávají však spolehlivou a objektivní informaci o stavu zařízení a výkonnosti procesu a umožňují tak správná rozhodnutí? Jsou primární data před jejich použitím validována a transformována do užitečné informace? Používají se při této transformaci současné metody založené na statistickém zpracování naměřených dat, matematických modelech a simulaci?

Nezůstává zde velký potenciál pro zlepšování a růst, díky nesprávně zpracovaným a transformovaným datům, ležet nevyužitý a ladem? Co je to validace dat? (boj s chybami měření; co lze správně změřit, lze „udělat“)
Validaci dat chápeme nejen jako kontrolu, ale i korekci dat, která má zajistit jejich pravdivost, spolehlivost a bezrozpornost. Pravdivost, spolehlivost a bezrozpornost jsou tři sestry. Jsou spolu spojené, jedna bez druhé nemůže být. Pravdivost je složena ze správnosti a přesnosti. Když si vezmeme na pomoc vysvětlení terč, tak správnost znamená, jak daleko je průměr zásahů od středu terče a přesnost, jak blízko jsou od sebe jednotlivé zásahy.

Co je to bezrozpornost? Znamená to, že data jsou v souladu, tj. neodporují poznaným fyzikálním zákonům, jako je zákon zachování hmoty, zákon zachování energie, zákon zachování látky. Jednoduchý příklad: Co do nádoby přitéká, to v nádobě zůstane a/nebo odteče. Tomu musí vyhovovat přítok do nádoby, změna výše hladiny a odtok z nádoby.

Jednou ze silných a robustních metod validace dat je metoda vyrovnání dat (Data Reconciliation). Je založeno na předpokladu, že chyby měření mají normální rozdělení a že hodnoty měřených veličin musí vyhovovat fyzikálním zákonům, viz příklad výše o nádobě.

Co vyrovnání dat přináší? Kontrolu, zda měření neobsahuje větší chybu, než kterou předpokládáme, zvýšení správnosti dat (většinou se chybně mluví o přesnosti dat). Touto metodou umíme také s nejvyšší možnou správností určit hodnoty neměřených veličin a dopočítat hodnoty nepřímo měřených veličin a parametrů (např. účinnosti).

Validace dat je významným krokem k cíli, jak data transformovat v užitečnou informaci a získat objektivní podklad k rozhodování.

Proč matematický model? (boj s polopravdami a přílišným zjednodušováním; čemu porozumíme, to umíme zlepšit)
Často jsme v situaci, kdy se při řešení inženýrských problémů musí umět „číst“, musí se jít za to „zjevné“, vidět pod hladinou i to „neviditelné“. Jak věci fungují, často říká až to, co se skrývá pod hladinou. Matematický model je bratr reálného objektu. Model vystihuje z hlediska cíle podstatné vlastnosti reálného objektu.

Tím, že manipulujeme s modelem (hovoříme o simulaci), nám umožňuje hlouběji poznat vlastnosti a stav reálného objektu. Poznání vlastností a stavu reálného objektu
je první velmi praktický výstup, na kterém je založena úloha supervize a včasná diagnostika zhoršeného zdraví nebo závady zařízení. Na toto poznání pak navazuje nalézání vhodných úprav a způsobu provozování reálného objektu, a tak optimalizovat jeho chování dle zvoleného cíle, např. zvýšit výkon nebo účinnost.

Jedna ze základních metod vytváření matematických modelů je zpracování validovaných dat metodami regresní analýzy. Tento postup umožňuje vytvořit velmi přesné modely.

Matematické modely jsou velmi vhodné i pro určování tzv. klíčových parametrů výkonnosti (KPI = metriky), které objektivně informují o zdraví zařízení a výkonnosti procesu. Využití KPI a modelů pro úlohu diagnostiky je přiblíženo na obrázku níže.

KPI a modely
Modely jsou vynikajícím způsobem, jak odhalit, kontrolovat a řídit faktory, které určují/přispívají ke KPI, a jak porozumět příčinám a následkům snížené výkonnosti technologických procesů.

Kde nalézáme rezervy? (lost megawatts; příklady) Jak naše firma pomáhá při řešení těchto cílů? Co jsme již dokázali?
Vyvíjíme metody, nástroje a řešení, které jsou založeny na výše popsaných zásadách. Umíme nalézt chyby měření a jeho zpracování v řídicím systému a správně určit KPI (klíčové parametry výkonnosti) všech důležitých zařízení a tepelného cyklu elektrárny.

Vytváříme velmi přesné modely zařízení jako turbína, kondenzátor, chladicí věž, kotel pro úlohy supervize & diagnostiky a hledání ztracených MW. Pro úlohu plánování
výkonu a nasazení jednotlivých zdrojů máme přesné modely celých výrobních bloků. Využití modelů obvykle představuje přínos pro provozovatele v řádu jednotek mil Kč/rok. Velké rezervy pro optimalizaci nalézáme v řízení chladicích okruhů elektráren, kde zákazníkovi zvyšujeme výkonnost v řádu 10 mil Kč/rok. Významnou příležitostí je zvýšení výkonu jaderné elektrárny snížením nepřesnosti měření tepelného výkonu jaderného reaktoru.

Kam směřuje naše nabídka zákazníkům? Návratnost 1 rok!
Dosavadní praxe říká, že prakticky všude existují rezervy, že lze něco zlepšit. Připravujeme proto nový obchodní model, kdy bude naše odměna odvozena z ekonomického přínosu, který zákazník získá realizováním našeho řešení. 

Nasazení našich řešení vede k posílení kontinuálního zlepšování a udržování vysoké úrovně výkonnosti technologických procesů. Nepřímým výsledkem implementace našich řešení je vyšší zainteresovanost personálu provozovatele, který “pod tlakem informací začne myslet jinak“.

ZÁVĚR

Správně měřit aktuální výkonnost + Porovnávat se standardy (modely) + Přijímat opatření = Eliminace problémů + Dosahování a udržení vysoké technické a ekonomické výkonnosti.

Data, Data, Data ... What to do with it? or The Way to Increasing the Economic Output of Your Power Plant
The power industry is a turbulent and dynamic sector, which has been recently undergoing major changes. This industry has come under permanent pressure from the market, regulation and decreasing costs. These are the conditions under which engineering issues can fade into the background, and it can happen that decisions are made that in the medium term lead to a worsening of the technical condition of the equipment and performance of the process. This article tries to answer several fundamental questions.

Autor

• Ing. Pliska Jiří