Previsão da eficiência de geração de vapor por meio de redes neurais artificiais com diferentes acoplamentos

Abstract

Usinas termelétricas têm alta participação na matriz de geração de energia global e já integram a demanda de base do Sistema Elétrico Brasileiro. Modelos e estratégias de simulação voltadas à melhoria da eficiência das usinas e de seus sistemas são importantes para garantir o bom desempenho aliado ao controle de emissões. O presente trabalho investiga diferentes formas de simular a eficiência do subsistema real de moagem e de geração de vapor com Redes Neurais Artificiais (RNAs). O subsistema completo é simulado por RNAs com variações do número de moinhos em conjunto com o gerador de vapor. Essas soluções são comparadas à alternativa de RNAs individuais para cada moinho e para o gerador de vapor, posteriormente acopladas por meio de suas entradas e saídas. Os resultados dessas duas estratégias de simulação são comparados pelas métricas de erros RMSE e R². A simulação com redes separadas e posteriormente acopladas aumenta o RMSE de 1,244 para 2,210 em relação às redes únicas, e diminui o R² de 0,861 para 0,557. Desempenhos levemente superiores são observados com o emprego de Máquinas de Vetor de Suporte e Random Forest, mas igualmente com perda de acurácia. Estes resultados apontam para a necessidade de melhor a estratégia de acoplamento de modelos individuais baseados em dados para alcançar bons resultados.

Thermal power plants have a high global energy generation market share and they already are part of the brazilian electric system basic demand. Models and simulation aimed at improving the efficiency of the plants and their systems are important to ensure good performance combined with execution control. The present work investigates different ways to simulate the efficiency of the real grinding and steam generation subsystem with Artificial Neural Networks (ANNs). The complete subsystem is simulated by RNAs with variations in the number of mills in conjunction with the steam generator. These solutions are compared to the alternative using individual RNAs for each mill and for the steam generator, later coupled through their inputs and outputs. The results of these two simulation strategies are compared by the error metrics RMSE and R². The simulation with separate and subsequently coupled networks increases the RMSE from 1,244 to 2,210 in relation to the single networks, and decreases the R² from 0,861 to 0,557. Slightly better performances are observed with the use of Support Vector Machines and Random Forest, but also with loss of accuracy. These results point to the need to improve the strategy of coupling individual models based on data to achieve good results.