Eksponentinis fotoelektrinės elektrinės skalės augimas, tradicinis „žmogaus bangų taktikos“ veikimo ir priežiūros modelis nebegali susidurti - 1 GW galios jėgainei reikia šimtų eksploatavimo ir priežiūros personalo, o tokios problemos kaip atidėtas komponentų gedimų aptikimas, netikslus valymo laikas ir dideli energijos gamybos nuostoliai tampa ryškūs. Skaitmeninis eksploatavimas ir priežiūra, naudodamiesi tokiomis technologijomis kaip daiktų internetas, dirbtinis intelektas ir dronai, fotoelektrinės elektrinės pavertė „mąstymo organizmais“, pasiekdama tikslią gedimų vietą, realaus laiko energijos vartojimo efektyvumo optimizavimą ir reikšmingą išlaidų mažinimą, įvesdami intelektualią fotovoltinės veikimo ir priežiūros erą.
1 Bendras suvokimas: „Neuroninio terminalo tinklo“ kūrimas elektrinėms
Kiekvienas fotoelektros skydelis tampa intelektualiu jutimo mazgu. Naujos kartos fotoelektriniuose moduliuose yra mikro jutikliai, kurie renka realaus laiko parametrus, tokius kaip temperatūra, srovė ir įtampa. Duomenys perduodami debesies platformai per „Lora“ arba „NB IoT Wireless“ tinklus. 1,2 GW fotoelektrinėje elektrinėje 2 milijonai modulių įkelia duomenis kas 15 minučių, sudarydami didžiulę 10 TB per metus duomenų bazę, suteikdama pagrindą AI analizei. Kai komponento temperatūra viršija 5 laipsnių slenkstį, sistema automatiškai žymi ją kaip „įtariamą gedimą“ ir sukelia tolesnę diagnozę.
Dronų patikrinimas išsprendė didelio masto elektrinių tikrinimo problemą. Dronas su aukštos raiškos kameromis ir infraraudonųjų spindulių šiluminiais vaizdais gali apžiūrėti 500000 kvadratinių metrų per valandą, tai yra 50 kartų efektyviau nei rankinis patikrinimas. Naudodami vaizdo atpažinimo algoritmus, dronai gali automatiškai nustatyti tokias problemas kaip paslėpti įtrūkimai, karštos vietos ir dulkių aprėptis komponentams, kurių tikslumas yra 98%. Įvedus nepilotuojamas oro transporto priemones, skirtas apžiūrėti tam tikroje elektrinėje, gedimų aptikimo laikas buvo sutrumpintas nuo vidutiniškai nuo 7 dienų iki 2 valandų, todėl kasmet sumažėjo 1,5 milijono kilovatvalandžių.
Meteorologinė prognozavimo sistema pasiekia tikslią galios generavimo prognozę. Remiantis palydovinių debesų vaizdais, įžeminimo stotyse ir istorinių energijos generavimo duomenimis, AI modelis gali numatyti fotoelektrinę išvestį ateinančioms 72 valandoms, kai klaidų lygis kontroliuojamas 8%. Tai suteikia patikimą energijos tinklo išsiuntimo pagrindą, sumažinant Gansu elektrinės dienos plano nuokrypio greitį nuo 15% iki mažesnio nei 5%, išvengiant baudų, kurias sukelia išėjimo svyravimai.
2 Protingas sprendimų priėmimas: AI skatinamas operacijos ir priežiūros strategijų optimizavimas
Mašinų mokymosi algoritmai tapo „geriausiu operacijų konsultantu“. Išanalizavus istorinius duomenis, AI modeliai gali nustatyti komponentų skilimo modelius - pavyzdžiui, jei nustatyta, kad komponentų partija padidėja 10% skilimo greičio padidėjimas aukštoje temperatūroje vasarą po 3 veiklos metų, galima parengti tikslinį priežiūros planą, remiantis tuo: ankstyvas valymas pavasarį kiekvienais metais ir padidėjęs tikrinimo dažnis vasarą. Taikant šį modelį tam tikroje elektrinėje, vidutinis metinis komponentų silpnėjimo procentas sumažėjo nuo 2,5% iki 2,0%, o bendras energijos generavimas padidėjo 3% per 25 metus.
Intelektualios valymo planavimo sistema supranta „valymą pagal pareikalavimą“. Dulkių nusėdimo modelių derinimas, orų prognozės ir energijos gamybos nuostolių prognozės sistema automatiškai apskaičiuoja optimalų valymo laiką. Xinjiango elektrinėje sistema sumažina valymo dažnį nuo 2 kartų per mėnesį iki 1-3 kartų, jei reikia, sutaupydama 30% vandens, užtikrinant, kad dulkių sukeltos energijos gamybos praradimas neviršytų 2%. Stebint fotoelektrinius matricas, sistema taip pat gali valdyti laikiklį, kad sukasi iki optimalaus kampo, ir bendradarbiauti su robotų valymo srityje, kad pagerintų valymo efektyvumą.
Gedimų diagnozė pasikeitė nuo „po remonto“ prie „išankstinio įspėjimo“. Remdamasis vibracijos analize ir balso atspaudų atpažinimo technologija, AI gali nustatyti vidinio kondensatoriaus senėjimo laipsnį per keitiklio veikimo garsą ir perspėti apie gedimus prieš 6 mėnesius. Tam tikros operacijos ir priežiūros įmonės atvejis rodo, kad priėmus numatomą techninę priežiūrą, keitiklio gedimų taisymo išlaidos sumažėja 60%, o neplanuotos prastovos sumažėja 80%.
3 Skaitmeninis dvynys: Visas gyvavimo ciklo valdymas, derinantis virtualią ir realybę
„Digital Twin“ technologija sukuria „virtualų elektrinės . 1 vaizdą“: 1 Visos fotoelektrinės elektrinės įrangos ir aplinkos atkūrimas kompiuteryje ir realiojo laiko veikimo būsenos žemėlapis. Imituojant energijos generavimą skirtingomis apšvietimo ir temperatūros sąlygomis, komponentų išdėstymą galima optimizuoti - naujai pastatyta elektrinė pakoregavo komponentų tarpus nuo 3 metrų iki 3,5 metro per skaitmeninį dvynių modeliavimą, padidindama galinių komponentų galios generavimą 5% ir padidindama investicijų grąžą 1,2 proc.
Renovuojant elektrines, pabrėžiama skaitmeninių dvynukų modeliavimo funkcijos vertė. Senoje elektrinėje, veikiančioje 10 metų, virtualus įvairių tipų keitiklių ir komponentų pakeitimas yra naudojamas modeliuoti energijos gamybos efektyvumą po renovacijos ir pasirinkti optimalų sprendimą. Tam tikra elektrinė pasirinko renovacijos metodą „išlaikyti komponentus+pakeisti didelio efektyvumo keitiklius“, remiantis tuo, kuris sutaupė 40% išlaidų, palyginti su visu pakeitimo planu, ir padidėjusį energijos gamybą 12%.
Nuotolinis eksploatavimo ir priežiūros centras pasiekia tikslų valdymą nuo tūkstančių mylių. „Jiangsu“ veikimo ir priežiūros būstinėje inžinieriai gali nuotoliniu būdu valdyti Xinjiang elektrinės patikrinimo robotą, sureguliuoti stebėjimo laikiklio kampą ir paleisti/sustabdyti keitiklį per skaitmeninės dvynių sistemą. Šis centralizuotas eksploatavimo ir priežiūros režimas sumažina 1 GW elektrinės veikimo ir priežiūros personalo skaičių nuo 100 iki 30, sumažina darbo sąnaudas 70%ir pagerina reagavimo greitį iki minutės lygio.
Skaitmeninis fotoelektrinių elektrinių veikimas ir priežiūra iš esmės apima rankinio darbo pakeitimą duomenų srautu ir naudojant algoritmo optimizavimą, o ne empirinį sprendimą. Ši pertvarka ne tik pagerina atskirų elektrinių efektyvumą, bet ir leidžia valdyti didelio masto fotoelektrines elektrines-kai AI gali valdyti 10GW ar net 100GW fotoelektrinį turtą tuo pačiu metu, pigus ir didelio efektyvumo švarios energijos tiekimas žengs naują žingsnį į priekį ir užtikrins tvirtą techninę paramą energijos transformacijai.