Есть такой особенный газ — доменный. Чтобы распоряжаться побочным продуктом работы металлургических печей (доменным газом) с пользой и экономией, на НЛМК построена утилизационная теплоэлектроцентраль — УТЭЦ. Как раз на УТЭЦ мы сделали предиктивную систему - она умеет видеть будущее и это позволяет нам экономить более 2 млн кубов природного газа в год. При чем тут природный газ, когда, вроде бы, начали говорить про доменный, дальше в посте.

Непредсказуемый газ

Итак, доменный газ — побочный продукт работы наших доменных печей (в них из сырья получается чугун) – наш собственный естественный и бесплатный энергоресурс — отличная идея использовать его в качестве топлива. Всё бы хорошо, но есть нюанс: давление и калорийность доменного газа нестабильны. И это мягко сказано. Давление и калорийность колеблются практические ежесекундно (они зависят от режима работы доменных печей). Чем это чревато? Поддерживать общее теплопотребление котла необходимо всегда на одном уровне, если бы оно вдруг резко упало из-за скачка параметров доменного газа, это был бы настоящий коллапс (полная остановка всего оборудования). Конечно этого мы допустить на можем, а значит колебания калорийности и давления доменного газа нужно компенсировать подачей природного газа, параметры которого легко прогнозировать.

Конечно потенциальная возможность такого коллапса всегда «давила на психику» операторов, которые ответственны за безостановочную работу агрегатов - как понять, снизится или поднимется калорийность в следующую минуту и как не допустить критичного снижения давления? На всякий случай для поддержания стабильной производительности колов и во избежание риска остановки, операторы перестраховывались —- увеличивали долю природного газа. Единственный, но весомый минус природного газа его приходится закупать на рынке.

Повторюсь, в отличие от природного газа, доменный газ – бесплатный энергоноситель, поэтому сжигание максимальной доли доменного газа и минимальное использование природного газа — важная задача, ведь так получаемая на выходе продукция УТЭЦ (электроэнергия, тепло в виде пара и горячей воды) имеет более низкую себестоимость. Эту задачу – всегда оптимальный микс доменного и природного газа – и решил наш предсказательный сервис.

Опыт и «чуйка» vs мат модель

Цифровой сервис, который мы создали, «предсказывает» параметры доменного газа с горизонтом в пять минут и рекомендует операторам, как перенастроить котел и оптимизировать загрузку котельного оборудования топливом. Времени прогноза операторам вполне достаточно (и минуты бы хватило). Сервис рекомендует, сколько природного газа нужно точно дать в каждую минуту - операторы перестали давать больше дорогого покупного топлива, чем нужно, – отсюда экономия.

Цифровой сервис состоит из трех компонентов:

1. Математическая модель для прогнозирования давления и калорийности доменного газа.

2. Математические модели для определения максимально возможного потребления доменного газа каждым из котлов при заданных условиях.

3. Оптимизатор для выдачи рекомендаций по загрузке топливом котельных агрегатов с учетом изменения давления и калорийности доменного газа.

Как разрабатывали сервис

Всё началось с идеи владельца продукта, Константина Косарева. Мы часто проводим семинары в различных подразделениях. Из более чем 30 предложений, которые были озвучены на такой встрече для сотрудников энергетического производства, в работу были взяты всего три — и идея Кости была среди них. Как говорит автор идеи: «Раньше дар предвидения относился к разряду сверхспособностей. А сейчас нам дал их цифровой сервис».

Мы проверили несколько гипотез проведения расчетов, нашли рабочий вариант и начали обучать математическую модель. Для прогнозирования мы использовали исторические данные за последние 2 года. Оборудование УТЭЦ снабжено датчиками, которые ежесекундно фиксируют параметры поступающего доменного газа (давление, калорийность), параметры котельных агрегатов. Помимо этого, учитываются параметры доменных печей: подаваемое дутье, кислород и прочее. Накопленной статистики оказалось достаточно, чтобы математическая модель смогла сделать верные выводы и адекватно строить прогноз.

Модели строили в несколько этапов: первичный анализ данных, поиск аномалий (в случаях, например, некорректной работы датчиков), очистка данных, генерация признакового пространства с отбором полезных для прогнозирования признаков, обучение/валидация и тестирование моделей. Точность моделей получилась достаточно высокая, и мы сразу начали применять их в цехе.

Анализ данных, генерация признакового пространства, обучение/тестирование — стандартный пайплайн обучения моделей без особо интересных моментов.

Также отдельный и крайне важный модуль, который мы внедрили у себя на DSML платформе (Data Science And Machine Learning Platform), это мониторинг деградации моделей. Он даёт возможность анализировать точность прогнозирования во времени, отслеживать деградацию моделей, рассматривать отдельные случаи, когда модель не сумела заблаговременно предупредить о приближающемся изменении давления или калорийности доменного газа. Модуль для мониторинга сделали сами. Модель на данный момент переобучали один раз.

Далее, для того чтобы выдавать рекомендации по загрузке топливом котлов, нужно сначала построить модель каждого котельного агрегата. Такие модели позволят определять их максимально возможное потребление доменного газа при различных условиях (давлении, калорийности доменного газа, паропроизводительности котлов). Задача кажется простой, но, когда начинаешь ее решать, сталкиваешься с проблемой качества данных. Приходилось вместе с технологами, доверяя их экспертизе и опыту, оценивать достоверность данных, к примеру, величины ошибок показаний расходомеров природного газа при его низких расходах.

Наконец, когда появляются модели котельных агрегатов, становится возможным давать рекомендации по оптимизации потребления топлива. Другими словами, ответить на вопрос: «Какой расход доменного и природного газа нужен для выработки заданного количества пара в данный момент?». При этом максимизация потребления доменного газа при выполнении заданных технологических ограничений приводит к минимизации потребления природного газа. В нашем случае прогноз давления и калорийности доменного газа являлся одним из ограничивающих параметров оптимизационного алгоритма.

Таким образом, на выходе мы получили модели прогнозирования давления и калорийности доменного газа, модели котельных агрегатов и оптимизатор, который вычисляет и выдает рекомендации по изменению расходов топлив для выработки необходимого количества пара при наложенных ограничениях.

Как изменилась работа оператора

Во-первых, раньше операторам приходилось отслеживать в реальном времени множество показателей. Теперь это делает цифровой сервис — на выходе операторы получают готовые расчеты и рекомендации к действию.

Кроме того, у операторов теперь появилось несколько дополнительных минут «на раздумье», потому что сервис не просто мониторит показатели, а прогнозирует их благодаря математической модели, разработанной на основе исторических данных.

Из этого следует логичный вывод: благодаря предсказательному сервису мы стали заметно экономнее использовать природный газ, действуя очень точно и потребляя только тот его необходимый минимум, который показывает цифровой сервис УТЭЦ.