Ograniczenia tradycyjnych sposobów projektowania, jak również występujące obecnie w polskiej energetyce zapotrzebowanie na nowe moce wytwórcze skłoniły autorów niniejszego projektu do zaproponowania nowej metody projektowania siłowni. Metoda ta oparta jest na automatycznej syntezie końcowej struktury siłowni z elementarnych urządzeń energetycznych (sprężarka, ekspander, turbina parowa, komora spalania, wymiennik ciepła, złoże fluidalne, mieszalnik, itd.). Generowanie sposobu połączeń tych elementów odbywa się poprzez zmianę elementów binarnej macierzy połączeń, co umożliwia wielokrotne, automatyczne przebudowywanie struktury. Łatwość dokonywania zmian w strukturze umożliwia z kolei jej usystematyzowaną matematycznie optymalizację.

Uwzględniając jednocześnie burzliwy rozwój jaki dokonał się w ciągu ostatnich kilkunastu lat, tak w dziedzinie sprzętu komputerowego jak i w obszarze oprogramowania inżynierskiego, należy dostrzec realne już dziś możliwości pełnej algorytmizacji i automatyzacji (tzn. komputeryzacji) wszystkich etapów procesu projektowania. Taka pełna algorytmizacja i komputeryzacja wszystkich etapów procesu projektowania staje się możliwa w szczególności dzięki współczesnemu oprogramowaniu inżynierskiemu z dziedziny modelowania matematycznego i sztucznej inteligencji, a w szczególności: algorytmów ewolucyjnych, systemów eksperckich, sieci neuronowych, systemów logiki rozmytej. Większość z tych systemów inżynierskich ma uniwersalną strukturę i postać otwartego oprogramowania komercyjnego. Kody o opisanych cechach, integrujące zagadnienia modelowania, optymalizacji i sztucznej inteligencji nie zostały jednak do tej pory wdrożone do praktyki inżynierskiej w postaci jednolitego algorytmu obliczeniowego.

Główne etapy kompleksowego procesu projektowania, uwzględniające ponadto optymalizację parametrów eksploatacyjnych siłowni, przedstawione zostały na Rys. 1. W przedstawionej procedurze można wyróżnić dwie główne pętle iteracyjne: pętlę zewnętrzną, zarządzaną przez algorytm optymalizacyjny I (kolor zielony) oraz pętlę wewnętrzną, zarządzaną przez algorytm optymalizacyjny II (kolor czerwony). Algorytm optymalizacyjny I w pętli zewnętrznej będzie algorytmem ewolucyjnym. Algorytm ten, wypełniając tablice połączeń, generuje kolejne struktury siłowni (tj. chromosomy jako zbiory genów), które są następnie analizowane oraz weryfikowane przez system sztucznej inteligencji I. System ten, wykonuje szereg operacji logicznych (np. dedukcja, indukcja, skanowanie drzew decyzyjnych, itd.) na elementach utworzonej odrębnie bazy wiedzy eksperckiej.

Kolejnym krokiem w ramach wewnętrznej pętli iteracyjnej jest wybranie parametrów eksploatacyjnych struktury (temperatur, ciśnień, strumieni substancji) do optymalizacji. Odbywa się to w ramach systemu sztucznej inteligencji II, w sposób podobny do opisanego powyżej. Baza wiedzy eksperckiej jest w tym przypadku uzupełniona o ograniczenie ilości parametrów mogących podlegać optymalizacji, wynikające z liczby stopni swobody struktury.

Ostatnim elementem pętli iteracyjnej algorytmu optymalizacyjnego I jest wewnętrzna pętla iteracyjna algorytmu optymalizacyjnego II. Zadaniem tego algorytmu, tym razem o charakterze deterministycznym lub hybrydowym, jest optymalizacja wybranych uprzednio parametrów struktury. Głównym elementem w tej pętli jest natomiast model symulacyjny. Zwraca on wartość wybranej funkcji celu do algorytmu optymalizacyjnego II, który po zakończeniu wszystkich iteracji w ramach wewnętrznej pętli, zwraca z kolei wartość funkcji celu do algorytmu optymalizacyjnego I i rozpoczyna w ten sposób kolejne obliczenia iteracyjne.

 

Image
Rys.1. Główne etapy kompleksowego procesu projektowania siłowni cieplnych z uwzględnieniem optymalizacji parametrów eksploatacyjnych

W przypadku algorytmu optymalizacyjnego I zastosowanie metod deterministycznych nie jest możliwe ze względu na binarny charakter zmiennych decyzyjnych, będących elementami tablicy połączeń. Opracowanie lub przystosowanie efektywnego algorytmu ewolucyjnego będzie więc jednym z czynników sukcesu całego projektu. W przypadku optymalizacji parametrów eksploatacyjnych struktury zastosowana zostanie metoda deterministyczna lub hybrydowa, która łączy w sobie zalety procedur deterministycznych i probabilistycznych. Polega ona na wstępnym przeszukiwaniu obszaru możliwych rozwiązań przez algorytm genetyczny, a następnie wystartowaniu z jednego lub kilku najbardziej obiecujących punktów wynikowych jedną z klasycznych metod deterministycznych (np. metodą Powella). Postępowanie takie zapewnia wysokie prawdopodobieństwo znalezienia optimum globalnego oraz dobrą dokładność przy akceptowalnych czasach obliczeń.

Narzędzia sztucznej inteligencji stosowane były do tej pory w energetyce głównie w zakresie diagnostyki obiektów istniejących. W literaturze spotyka się także pojedyncze przypadki wykorzystania pewnych elementów tych metod do optymalizacji parametrów eksploatacyjnych siłowni. Przykładem może być optymalizacja parametrów elektrociepłowni gazowo-parowej, oparta o systemy logiki rozmytej. Budowa systemów sztucznej inteligencji w niniejszym projekcie przeprowadzona jest dwuetapowo. W pierwszej kolejności tworzone są bazy wiedzy eksperckiej, zawierające cząstkowe informacje logiczne o charakterze deklaratywnym i proceduralnym, związane z zadaniami danego systemu. Przykładowo, baza wiedzy systemu sztucznej inteligencji I zawiera między innymi informacje podobne do poniższych:

  • Jeżeli występuje zapotrzebowanie na elektryczność, to niezbędny jest generator.
  • Jeżeli występuje generator, to niezbędna jest moc mechaniczna.
  • Moc mechaniczna występuje, gdy występuje turbina gazowa.
  • Moc mechaniczna występuje, gdy występuje turbina parowa.
  • Gdy występuje turbina parowa niezbędny jest generator pary.
  • Generatorem pary jest kocioł odzyskowy.
  • Jeżeli nie ma w strukturze elementów niezbędnych, to struktura jest niepoprawna.
  • Jeżeli przy dopływie do turbiny parowej są spaliny, to struktura jest niepoprawna.

W drugim etapie, informacje bazy eksperckiej wraz z informacjami o wygenerowanej strukturze (np. istnieje turbina gazowa, istnieje kocioł odzyskowy) poddawane są operacjom logicznym w celu generacji wniosków. Programowanie operacji logicznych odbywa się w środowisku PROLOG lub LISP, które są narzędziami dedykowanymi do rozwiązywania zadań sztucznej inteligencji. Wykorzystane są także komercyjne pakiety Sphinx 4.0 oraz Matlab. Sphinx 4.0 to polski program zawierający szkielet uniwersalnego systemu eksperckiego. Matlab jest produktem firmy MatWorks, Inc. Może on korzystać z wielu modułów pozwalających na rozwiązywanie określonych problemów, między innymi dostępne są: Statistics Toolbox -  zwierający procedury statystyczne i narzędzia do obróbki danych, Fuzzy LogicToolbox pozwalający wykorzystywać metody logiki rozmytej, Neural Network Toolbox pozwalający na budowę i wykorzystywanie sieci neuronowych, Genetic Algorithm and Direct Search Toolbox pozwalający na korzystanie z algorytmów genetycznych do celów optymalizacji. Istotną cechą planowanych do wdrożenia metod sztucznej inteligencji będzie zdolność do samouczenia i autonomicznego rozszerzania baz wiedzy.

Modele symulacyjne, będące elementem procesu kompleksowego projektowania, tworzone będą automatycznie w każdej iteracji algorytmu optymalizacyjnego I przy wykorzystaniu własnych procedur napisanych w konwencji programu EES i uniwersalnych języków programowania (np. Fortran). O ostatecznym wyborze końcowej konfiguracji narzędzi symulacyjnych przesądzą: efektywność zdalnego zadawania struktury z poziomu pliku oraz stabilność obliczeń.

Funkcją celu podczas optymalizacji będzie opcjonalnie:

  • sprawność energetyczna struktury,
  • jedno z kryteriów ekonomicznej oceny projektów, zalecanych przez UNIDO (United Nations Industrial Development Organization),
  • wskaźnik kosztu termoekologicznego,
  • wskaźnik jednostkowej emisji substancji szkodliwych do otoczenia.