Details

Объектом исследования выступает газотурбинное (ГТУ) и паротурбинное (ПТУ) оборудование в составе парогазовых установок (ПГУ) на ТЭЦ ПАО «ТГК-1». Предмет исследования – методы предиктивной аналитики для своевременного выявления отклонений работы энергетического оборудования и предотвращения потенциальных экономических потерь. Цель работы – повышение экономической эффективности компании посредством внедрения системы предиктивной аналитики энергетического оборудования. В процессе исследования решены следующие задачи: изучены теоретические основы предиктивной аналитики и методы машинного обучения в энергетике. Обоснован выбор ПГУ как приоритетного объекта, проанализированы ее технологические характеристики. Оценено текущее состояние ГТУ и ПТУ ПАО «ТГК-1» по данным о дефектах и аварийных остановах. Разработана методика оценки экономических потерь от отклонений параметров оборудования. Созданы модели прогнозирования предаварийных состояний и неоптимальных режимов ГТУ и ПТУ на ТЭЦ-1 и ТЭЦ-2 с использованием машинного обучения. Проведена оценка экономического эффекта от внедрения моделей. Актуальность связана с высоким износом оборудования российских ТЭС и переходом к обслуживанию по фактическому состоянию. Методология включает системный и сравнительный анализ, статистику, корреляцию, машинное обучение, методы оценки эффективности. Результаты: разработаны и апробированы две прогнозные модели для обнаружения предаварийных состояний и неоптимальных режимов ГТУ и ПТУ. Качество оценено метриками точности, детерминации, ошибки и направления прогноза. Рассчитаны предотвращенный ущерб, CAPEX и OPEX, показатели эффективности. Выводы подтверждают целесообразность внедрения моделей на ТЭЦ ПАО «ТГК-1».

The object of the study is the gas turbine (GT) and steam turbine (ST) equipment as part of the combined-cycle power plants (CCPP) at PJSC «TGC-1»s thermal power plants. The subject is predictive analytics methods for timely detection of deviations in energy equipment parameters and prevention of economic losses. The study aims to improve economic efficiency by implementing predictive analytics for energy equipment. The following objectives were solved: theoretical foundations of predictive analytics in energy and machine learning methods were studied. CCPP was justified as a priority object for testing predictive models; its key technological characteristics were analyzed. The current state of GT and ST equipment at PJSC «TGC-1» CCPP was determined using defect and emergency shutdown data. A methodology for assessing economic losses from parameter deviations was developed. Models for predicting pre-emergency conditions and suboptimal modes of GT and ST at TPP-1 and TPP-2 were developed using machine learning. The economic effect of implementing the models at TPP-1 and TPP-2 was assessed. The study is relevant due to high equipment wear at Russian thermal power plants and the need to transition to condition-based maintenance. The methodology includes systematic and comparative analysis, statistics, correlation, machine learning, and economic efficiency assessment. As a result, two predictive machine learning models were developed and tested at TPP-1 and TPP-2: one for pre-emergency detection, another for identifying suboptimal GT and ST modes. Model quality was evaluated using anomaly detection accuracy, R², MAE, and prediction direction accuracy. Prevented economic damage, CAPEX, and OPEX were calculated, and efficiency indicators were determined. The results confirm positive qualitative and quantitative effects and the feasibility of implementing the models at PJSC «TGC-1».