Министерство Энергетики

А. Глотов. С. Черемисинов. М. Щербаков. Цифровая система предиктивного анализа работы генерирующего оборудования

Артём ГЛОТОВ
Генеральный директор АО «Мобильные газотурбинные электрические станции», к. э. н., доцент
e-mail: info@mobilegtes.ru

Сергей ЧЕРЕМИСИНОВ
Советник генерального директора АО «Мобильные газотурбинные электрические станции»
e-mail: info@mobilegtes.ru

Максим ЩЕРБАКОВ
Заведующий кафедрой САПРиПК Волгоградского государственного технического университета,
д. т. н., доцент
e-mail: maxim.shcherbakov@vstu.ru

Artem Glotov
C.E.Sc, CEO «Mobilegtes»
e-mail: info@mobilegtes.ru

Sergey Cheremisinov
Adviser to CEO «Mobilegtes»
e-mail: info@mobilegtes.ru

Maxim Shcherbakov
D.Eng.Sc., head of department, VSTU
e-mail: maxim.shcherbakov@vstu.ru

Аннотация. В статье приведены основные результаты пилотного проекта по созданию прототипа системы предиктивного анализа работы генерирующего оборудования, выполненного в рамках проекта Минэнерго России «Единая техническая политика – надёжность электроснабжения». Рассмотрены социально-­экономические эффекты: необходимость трансформации существующих организационных структур компаний, требования к повышению уровня компетенций и образования сотрудников для эффективного создания, развития и функционирования интеллектуальных систем.
Ключевые слова: надёжность электроснабжения, риск-ориентированное управление, цифровая платформа, генерирующее оборудование, система предиктивного анализа.

Abstract. The article provides the main results of a pilot project aiming to create a prototype system for predictive analysis of energy-­generating equipment. The project is carried out within the framework of the project «Unified Technical Policy – reliability of power supply» initialized by The Ministry of Energy of the Russian Federation. The following socio-­economic effects of the projects are considered in the paper: needs to transform the existing organizational structures of companies, the ways for increasing competencies and education level of employees. All these changes need for effective design, development and functioning of intelligent systems for digital transformation.
Keywords: reliability of power supply, risk-oriented management, digital platform, generating equipment, predictive analysis system.

Введение

Проект Министерства энергетики России «Единая техническая политика – надёжность электроснабжения» направлен на повышение надежности функционирования объектов отрасли за счет внедрения новых технологий, в том числе цифровых и интеллектуальных [1, 2]. Одной из основных задач этой программы является внедрение риск-ориентированного управления активами [3]. Базовыми показателями эффективности электрогенерации являются: готовность к поставке мощности, надёжность поставки, затраты на производство электрической энергии.
«Мобильные ГТЭС» входит в группу компаний «Россети». Основными направлениями деятельности компании являются реализация комплексных проектов по обеспечению надежного энергоснабжения потребителей при проведении мероприятий особой важности и организация электроснабжения в энергодефицитных зонах России.
Проект «Создание системы предиктивного анализа работы генерирующего оборудования», выполненный в компании «Мобильные ГТЭС», является первым шагом на пути совершенствования системы управления надежностью генерирующего оборудования предприятия и повышения эффективности за счет применения сквозных цифровых технологий.
Основными трендами, способствующими развитию интеллектуальных систем, являются снижение стоимости компонентов сбора больших данных и удешевление высокопроизводительных вычислительных мощностей [4]. В результате пересматриваются подходы к сбору и передаче данных с целью применения методов искусственного интеллекта [5]. Также определяются принципиально новые задачи для практического применения интеллектуальной обработки данных, как в существующих системах управления, так и формирование прогрессивных подходов для повышения надежности и оптимизации затрат в период жизненного цикла оборудования.
При реализации проекта были выделены направления, которые можно рассмотреть, как функциональные требования к системе предиктивного анализа. Схематично они отображены на рис. 1.

Рис. 1. Задачи предиктивного анализа,
исходя из очередности реализации

В процессе создания системы предиктивного анализа генерирующего оборудования (далее система) решены задачи, связанные с формализованным описанием элементов энергетической установки, режимов работы оборудования, процессов. Построена онтологическая модель риск­ориентированного управления техническим состоянием генерирующего оборудования, включающая информационную модель ГТЭС, процессов и инфраструктуры [6]. Подобная формализация обеспечивает функциональную совместимость при тиражировании решений и информационного обмена в соответствии с ГОСТ Р 58651 «Единая энергетическая система и изолированно работающие энергосистемы» [7, 8].
Архитектура системы основана на следующих принципах и подходах [5]:
– распределенная обработка потоков данных в режиме реального времени и больших данных в режиме пакетной обработки;
– хранение разнородных исходных и предобработанных данных и метаданных;
– модульность для интеграции решения сторонних производителей.
Техническими экспертами «Мобильные ГТЭС» сформирован реестр основных критичных узлов и систем ГТЭС, для которых разработаны модели и методы предиктивного анализа работы генерирующего оборудования (установки серии FT8–3 производства Pratt & Whitney) [9]. В системе реализованы предиктивные модели функционирования газогенератора и гидравлической системы управления поворотными лопатками.

Основным трендом, способствующим развитию интеллектуальных систем, является снижение стоимости компонентов сбора больших данных

Для сбора данных в системе разработаны программы получения информации по любому из стандартных протоколов, используемых в SCADA‑системах ГТУ (Open Platform Communications, МЭК 60870-5-103, др.). Разработан программный компонент сбора данных со SCADA‑системы газотурбинной установки (ГТУ) серии FT8–3 (агент). Минимальная частота сбора данных агентом – 1 раз в секунду. Для обеспечения надежной передачи информации от агента разработана подсистема передачи данных, реализующая прикладной программный интерфейс для доступа к потокам данных (брокер). Данная подсистема построена на технологии брокера очередей, реализующих упрощенный сетевой протокол MQTT (message queuing telemetry transport), применяемый для обмена сообщениями в Интернете вещей (Internet of Things, IoT). Подсистема обработки потоков данных производит опрос брокера и передает их в подсистему хранения на основе open-source СУБД PostgreSQL.
Система размещена и функционирует на Национальной облачной платформе «Ростелекома» (НОП). Платформа предоставляет виртуальные серверы для размещения компонентов системы (системы управления базами данных, прикладного программного обеспечения, веб-сервера). Она обеспечивает информационную безопасность компонентов системы. Доступ к компонентам сбора данных системы организован через защищенную сеть, построенную с использованием сертифицированных криптомаршрутизаторов класса КС3 (сертификаты ФСТЭК и ФСБ РФ). Передача данных осуществляется с использованием алгоритмов шифрования по ГОСТ.
Большинство используемых в настоящее время систем прогностики не позволяют получить доступ к решениям от сторонних разработчиков. Для преодоления этого недостатка в системе разработан прикладной программный интерфейс (API) для доступа к данным и сохранения результатов вычислений. API позволяет использовать решения по предиктивному анализу работы генерирующего оборудования от сторонних поставщиков и разработчиков.
При проведении тестирования моделей и методов выявления предотказных состояний газогенератора и гидравлической системы на тестовых выборках точность составила 86,8 % (для метода на основе эмпирических продукционных правил), 96 % (для метода на основе деревьев решений). Точность прогнозирования направлений изменения динамических характеристик газогенератора (ТВГ) в рабочем цикле в зависимости от модели и горизонта прогнозирования на тестовых выборках составила до 98 %. Подробная информация представлена в таблице 1.

Таблица 1. Результаты применения методов прогностики

Обсуждение результатов

Для обсуждения среди отраслевого сообщества (как энергетического, так и ИТ‑отрасли) следует выделить требования и ценности при создании и развитии систем предиктивного анализа.
К требованиям относятся:

  1. Необходимость формального представления (модели) генерирующего оборудования на основе профиля информационной модели (common information model, CIM).
  2. Необходимость определения перечня критериев оценки качества системы предиктивного анализа работы энергетического оборудования.
  3. Организация эксплуатации газотурбинного энергетического оборудования с использованием данных о его состоянии, получаемых от систем прогностики для совершенствования процессов планирования и проведения технического обслуживания и ремонта «по состоянию». В настоящий момент выполнение работ по техническому обслуживанию и ремонту регламентировано приказом Минэнерго РФ от 25 октября 2017 г. № 1013 «Об утверждении требований к обеспечению надежности электроэнергетических систем, надежности и безопасности объектов электроэнергетики и энергопринимающих установок «Правила организации технического обслуживания и ремонта объектов электроэнергетики». Приказом определены ограничения, наличие которых не позволяет произвести переход на новый технологический уклад в подходах к управлению производственными активами. В данном направлении проведена работа по поиску подходов, позволяющих обеспечить переход к ремонту «по состоянию». Так в статье П. Оклей «Методика оценки интегрального технического состояния оборудования тепловых электростанций» [10] предложена методика экспертной оценки интегрального технического состояния оборудования тепловых электростанций. В соответствии с методикой значение весового коэффициента параметра технического состояния оборудования устанавливается экспертами на основании информации эксплуатирующей организации, и в первую очередь, информации от завода-­изготовителя по статистике отказов и характеризует степень его влияния на надежность и работоспособность конструктивных элементов и оборудования в целом. В статье И. Антоненко «Риск-ориентированный подход к управлению производственными активами энергетики» [11] описано применение риск-ориентированного подхода, выделены проблемы, ограничивающие внедрение. Использование системы предиктивного анализа может быть рассмотрено как инструмент повышения качества оценки технического состояния, что особенно важно для формирования типовых подходов в отношении «возрастного» энергетического оборудования.
  4. Обеспечение массового внедрения компонентов системы с целью определения правильности выбранных подходов, достоверности результатов и направления использования. В данном направлении могут быть рассмотрены вопросы дополнения используемой Минэнерго методики оценки индекса технического состояния результатами работы аналитических прогнозных систем в виде трендов изменения технического состояния в среднесрочном и долгосрочном горизонтах. Выводы по практическому применению могут быть сделаны после выполнения проектов по апробации системы на энергетическом оборудовании различных производителей и классов мощности.
  5. Формирование отраслевых компетенций у специалистов, обладающих знаниями в разработке систем поддержки принятия решений с применением методов анализа данных и машинного обучения. Требуются новые компетенции и от сотрудников энергокомпаний – проведение системного анализа для перехода к риск-ориентированному управлению состоянием генерирующего оборудования, понимание базовых принципов сбора, хранения и интеллектуальной обработки данных, управление проектами разработки информационных систем.

Сотрудники компании «Мобильные ГТЭС» прошли обучение по программе повышения квалификации «Управление, основанное на данных, Chief Data Officer». Это позволило с одной стороны вовлечь персонал в процесс разработки системы с учётом требований по эксплуатации, а с другой повысить общий уровень компетентности в области сквозных цифровых технологий.
Были сформированы и продолжают развиваться партнерские отношения с АНООВО «Сколковский институт науки и технологий». В настоящий момент проводятся прикладные научные исследования в рамках ФЦП «Исследования и разработки по приоритетным направлениям развития научно-­технологического комплекса России на 2014–2020 годы» по теме «Разработка системы прогностики состояния элементов газотурбинного электрогенерирующего оборудования на основе комбинирования методов численного моделирования и машинного обучения».

Серверная
Источник: «МРСК Северо-Запада»

Выделим следующие ценности, получаемые в процессе развития и внедрения систем предиктивного анализа работы генерирующего оборудования:
Современность. В настоящее время ведомствами реализуется ряд национальных проектов в области цифровой трансформации [12]. Внедрение системы предиктивного анализа формирует технологический задел, снижает влияние человеческого фактора. Массовое внедрение систем прогностики может обеспечить предупреждение внезапных отказов генерирующего оборудования, что скажется на снижении внеплановых остановок. В результате будут достигнуты следующие эффекты:
– повышение уровня технического состояния производственных фондов без увеличения затрат на его поддержание;
– снижение аварийности на объектах, связанных с техническим состоянием производственных фондов.
Цифровая культура. Согласно Доктрине энергетической безопасности РФ, перед электроэнергетической отраслью стоят задачи снижения экономических, техногенных и природных угроз через формирование единой системы нормативно-­правового и нормативно-­технического регулирования вопросов надежности и безопасности электроэнергетики. Это может быть реализовано внедрением инструментов принятия решений на основе данных, толерантностью к разумному риску.
В рамках задач, определенных проектом Минэнерго по внедрению риск-ориентированного управления и сдерживания роста тарифов в реалиях работы со значительным износом производственных фондов, в качестве инструмента повышения эффективности может быть рассмотрено использование результатов проекта. К таким результатам относятся оценка, планирование и осуществление технических воздействий на объекты электроэнергетики при требуемом уровне надежности.

Экспертами «Мобильные ГТЭС» сформирован реестр основных критичных узлов и систем ГТЭС, для которых разработаны модели и методы предиктивного анализа работы генерирующего оборудования

Финансовый результат. Потенциальный экономический эффект при внедрении системы может быть получен за счет увеличения дохода от реализуемой продукции и снижения производственных затрат.
Состояние высокой готовности оборудования и поставка заявленного объема мощности достигается за счет качественного и своевременного технического обслуживания, недопущения технологических нарушений в работе, своевременной замены и ремонта его элементов. Система позволяет выявить риски отказа оборудования на ранней стадии. Помимо этого, будут минимизированы затраты на ремонты за счет выявления дефектов на ранней стадии и удешевления процесса восстановления запасных частей и агрегатов обменного фонда, снижения общих затрат за счет исключения технологических нарушений, связанных с деградационным отказом оборудования.

Заключение

В рамках проекта Минэнерго в «Мобильных ГТЭС» выполнен пилотный проект по созданию прототипа системы предиктивного анализа работы генерирующего оборудования.
Основной эффект системы – выявление предотказных состояний, что в процессе управления активами позволит повысить надежность энергоснабжения и снизить затраты на поддержание состояния оборудования. Систему предиктивной аналитики следует рассматривать как компонент системы управления активами в различных горизонтах прогнозирования и уровнях управления: долгосрочный, среднесрочный, краткосрочный, ситуационный. В дальнейшем может быть сформирована методика управления активами, в которой будут определены условия перехода от одного уровня управления к другому в зависимости от фиксации предаварийного состояния (ситуационный), принятия комплексных решений по формированию технических воздействий (краткосрочный), проведения ремонтных работ (среднесрочный) и технического перевооружения, реконструкции, модернизации в рамках инвестиционной программы (долгосрочный).

Джугбинская ТЭС
Источник: roing.ru

В целях государственного управления и регулирования энергетической отрасли система удаленного диагностического мониторинга объектов электроэнергетики может рассматриваться как прикладной информационно- аналитический модуль программного обеспечения, обеспечивающий поддержку принятия решений и функционирующий в единой информационной среде в рамках отраслевой цифровой доверенной платформы, которая имеет архитектуру кибер-­физической системы и построена по идеологии концепции «Индустрии 4.0». Разработанная в проекте система соответствует функциональной архитектуре единой отраслевой доверенной информационной среды и может быть интегрирована в нее, т. к. основана на аналогичных принципах [13].
При создании системы использовались подходы, установленные дорожной картой «Искусственный интеллект и нейротехнологии» в рамках федерального проекта «Цифровые технологии» национальной программы «Цифровая экономика» . Полученные результаты формируют технологический и организационный заделы для реализации проектов цифровой трансформации в будущем.

Использованные источники

  1. Указ Президента Российской Федерации от 07.05.2018 г. № 204 «О национальных целях и стратегических задачах развития Российской Федерации на период до 2024 года». – URL: https://minenergo.gov.ru/view-pdf/11246/84473
  2. Паспорт проекта ведомственной программы «Единая техническая политика – надёжность электроснабжения». Министерство энергетики РФ. – URL: https://minenergo.gov.ru/node/11309
  3. Грабчак Е.П., Медведева Е.А., Васильева И.Г. Как сделать цифровизацию успешной. Энергетическая политика. 2018. № 5. C. 25–29.
  4. Accenture. The Digital Transformation Initiative (DTI). Executive Summary. – URL: https://www.accenture.com/_acnmedia/Accenture/Conversion-Assets/WEF/PDF/Accenture-DTI-executive-summary.pdf
  5. Щербаков М.В., Глотов А.В., Черемисинов С.В. Многоуровневая архитектура системы предиктивного анализа работы генерирующего оборудования. Энергетик. 2019, № 12 (2019). С. 20–23.
  6. Глотов А.В., Черемисинов С.В., Щербаков М.В. Онтологическая модель риск-ориентированного управления техническим состоянием технологического оборудования. Энергия единой сети. 2019, № 3 (45). C. 76–85.
  7. ГОСТ Р 58651.1–2019 «Единая энергетическая система и изолированно работающие энергосистемы. Информационная модель электроэнергетики. Основные положения».
  8. ГОСТ Р 58651.2–2019 «Единая энергетическая система и изолированно работающие энергосистемы. Информационная модель электроэнергетики. Базисный профиль информационной модели».
  9. Глотов А.В., Черемисинов С.В., Щербаков М.В. Подходы к реализации системы предиктивного анализа генерирующего оборудования. Вести в электроэнергетике. 2019, № 6 (104). С. 36–49.
  10. Оклей П.И. Методика оценки интегрального технического состояния оборудования тепловых электростанций. Transport Business In Russia. 2015, №6.
  11. Антоненко И.Н. Риск-ориентированный подход к управлению производственными активами энергетики. Энергоэксперт. 2020, № 1.
  12. Ведомственный проект «Цифровая энергетика». – URL: https://minenergo.gov.ru/node/14559
  13. Цифровая отраслевая доверенная среда. – URL: http://digitenergy.ru/wp-content/themes/energy/img/pdf-05/3.pdf