Neděláme si iluze, že by o fungování dálkového vytápění většina lidí přemýšlela hlouběji než Jan Vodňanský o ústním spreji ve své básni:
Úvaha nad ústním sprejem
Použiju taký oný bazmeg
a hned dech mám vonný.
Dálkové vytápění zlepšuje ovzduší v Praze již 25 let a zákazníkům přijde na mysl snad jen při odstávce, tedy když vychladnou radiátory a i z červeného kohoutku teče studená voda.
Mnohem hlouběji o dálkovém vytápění letos přemýšleli v inovačním oddělení společnosti ČEZ ICT Services, přesněji jeho „data science“ týmu. Zde vznikl predikční matematický model, který byl v nedávné době v pilotním zkušebním řešení nasazen jako podpůrný systém pro řízení v Teplárně Mělník, jíž v rámci Skupiny ČEZ provozuje společnost Energotrans.
Jednou z jeho spoluautorek je i Šárka Malá, která do ČEZ ICT Services nastoupila v lednu tohoto roku, kdy společnost rozšířila své kompetence i do oblasti datové vědy. Vystudovala Fakultu informačních technologií na ČVUT a Fakultu informatiky a statistiky na VŠE v Praze, její specializací je pokročilá analytika. Na projektu predikčního modelu pro Teplárnu Mělník se kromě ní podíleli ještě další dva mladí IT odborníci.
Ani málo, ani moc
Nejprve si alespoň v hrubých rysech nastiňme, jak dálkové vytápění funguje. V teplárně se voda ohřívá podle ročního období a výše aktuální dodávky na teploty v rozmezí cca 90 až 140 °C (díky tlaku se nemění na páru) a horkovodem míří směrem k odběratelům. V jejich blízkosti doputuje až do výměníkové stanice, kde ohřívá médium jednak v okruhu pro vytápění dané budovy nebo skupiny budov a také vodu k přímé spotřebě v kuchyních a koupelnách.
Takto voda hnaná čerpadly a pod tlakem z teplárny projde celým okruhem, kde postupně odevzdá tepelnou energii. Poté se voda vrací zpět při teplotách na úrovni přibližně 60 °C do mělnické lokality k novému „nabití“ teplem. Tepelné ztráty v takovém okruhu jsou velmi nízké a při dodávce do Prahy dosahují pouhých jednotek procent.
Hmotnostní průtok vody přitékající do teplárny je proměnlivý v závislosti na ročním období, dnu týdnu, denní době, počasí v Praze a dalších faktorech. Dodávka tepla v jednotlivých denních hodinách je předem sjednaná s distributorem tepla ve formě hodinového výkonu v tepelných megawattech (MWt) a je třeba ji dodržet s minimální možnou odchylkou. Na základě hmotnostního průtoku operátoři strojovny nastavují cílovou teplotu pro ohřev tak, aby byla splněna sjednaná dodávka tepla.
Vzhledem k tomu, že hmotnostní průtok přitékající vody je pro operátory předem neznámá veličina, může v rámci hodiny docházet k relativně velkým rozdílům v teplotách, na kterou má být voda ohřáta, což přirozeně způsobuje namáhání technologie.
Důvodem je skutečnost, že cílově se reguluje dodávaný tepelný výkon a teplota je regulační veličina, kterou je změna průtoku kompenzována pro dodržení výkonu. Průtok je ovlivňován mnoha faktory, z nichž velká řada je spojena s chováním koncových zákazníků. Pro zachování svobodného rozhodování zákazníka je nutné dobře odhadovat jeho chování, které je ovlivněno stejně tak počasím jako i dnem v týdnu, nebo zda je svátek apod. Vlivů je celá řada.
Operátoři při dříve běžném režimu regulace dodávky zadávají do systému žádaný hodinový výkon a klasický regulátor pomocí zpětné vazby zajišťuje nastavení cílové teploty. Tento způsobe regulace má zásadní nevýhodu v tom, že klasický regulátor pracuje pouze s daty již naměřenými, tedy minulými, tudíž neví, zda v dalších minutách obchodní hodiny nepřijde korekce opačným směrem proti té aktuální.
Pokud by regulátor již na počátku obchodní hodiny znal průměrný hmotnostní průtok v dané hodině, významně by se omezil nutný počet a velikost regulačního kroku a změny výstupní teploty v obchodní hodině.
Algoritmem proti heuristice
Co nejpřesněji předpovídat hmotnostní průtok v horkovodu, jinak řečeno tedy spotřebu odběratelů, byl úkol pro datové oddělení inovačních technologií. „S nadsázkou jsme říkali, že musíme algoritmizovat nejlepšího operátora. Naším úkolem bylo naučit matematický model v téměř reálném čase předpovídat hmotnostní průtok vody na základě aktuálně dostupných dat,“ vysvětluje Šárka Malá, jedna ze spoluautorek predikčního modelu.
Do modelu vstupují informace o teplotě, srážkách nebo slunečním svitu v Praze, ale především historická i právě aktuální data o měření hmotnostního průtoku v horkovodu.
„Produkční verze modelu vyhodnocuje situaci každou minutu a v rámci právě probíhající hodiny udávané predikce neustále zpřesňuje,“ vysvětluje Malá. Na základě výstupů z modelu je nastavována optimální teplota ohřevu.
Protitlaké TG, I. stupeň ohřevu kóta 0
„Důvodem, proč jsme se rozhodli vytvořit a nasadit ve zkušebním režimu řízení predikční model, není jen efektivnější řízení výroby tepla, ale také prodloužení životnosti mnoha komponent teplárny, pro které je výraznější rozkolísání provozních teplot zbytečnou zátěží. Umožňuje nám to i lépe plánovat kogenerační výrobu, což znamená lepší využití primární energie. To je pozitivní efekt pro životní prostředí, tudíž pro nás všechny,“ vysvětluje záměr Miroslav Krebs, ředitel pro správu a bezpečnost společnosti Energotrans, a dodává: „Na základě dat z modelu je řízení plynulejší a pro technologie šetrnější.“
Projekt mělnické teplárny je příkladem, že datová věda nachází uplatnění i v provozech, kde si představíte spíše montérky, hasák a velké ventily. Datový tým inovačního oddělení nyní pracuje na dalších projektech pro společnosti Skupiny ČEZ a pomáhá se získáváním cenných informací z velkého množství dat, kterými Skupina ČEZ disponuje. Například v Jaderné elektrárně Temelín se v současnosti soustředí na systém preventivní údržby a včasného varování (early warning system).
