Trí Tuệ Nhân Tạo Mang Lại Sức Mạnh Cho Nhà Máy Điện năm 2025

Đối mặt với thách thức kép của việc đáp ứng nhu cầu năng lượng ngày càng tăng và mục tiêu giảm lượng khí thải carbon đầy tham vọng, lưới điện có một người bạn đồng hành là Patrick “Cade” Hay.

            Hay là quản lý vận hành tại Nhà Máy Điện Lamar, một nhà máy điện khí tự nhiên công suất 1076 megawatt (MW) ở Texas. Anh cũng là quản lý nhà máy đầu tiên trong đội ngũ của Vistra Corp. nghiên cứu xem trí tuệ nhân tạo có thể được sử dụng để vận hành những nhà máy của họ một cách hiệu quả hơn không. Anh thấy một buổi trình diễn về cách trí tuệ nhân tạo đang được sử dụng bởi một công ty kim loại để cải thiện hiệu suất khôi phục và nhận ra cách đó có thể áp dụng vào nhà máy điện của mình. Cade và đội ngũ của anh hợp tác với McKinsey và quyết định áp dụng trí tuệ nhân tạo đầu tiên để tối ưu hóa Heat Rate (một chỉ số về hiệu suất nhiệt của nhà máy, cụ thể là lượng nhiên liệu cần thiết để tạo ra mỗi đơn vị điện).

Công nghệ trí tuệ nhân tạo đưa ra cái nhìn đầu tiên là đội ngũ Lamar có thể giảm thời gian vận hành của đốt lò dẫn. Đốt lò dẫn cơ bản hoạt động giống như đốt lò sau trong máy bay phản lực: chúng cung cấp một lượng năng lượng đột ngột khi cần và các nhà điều hành sử dụng chúng như là bổ sung để đạt được mục tiêu năng lượng. Vấn đề là việc vận hành đốt lò dẫn sử dụng nhiều nhiên liệu hơn so với phương pháp thông thường, nên nó đắt đỏ hơn, tạo ra lượng khí thải carbon nhiều hơn và tăng cường sự mòn trên thiết bị. Các mô hình trí tuệ nhân tạo, sau khi được kiểm tra và xác minh, đã đưa ra các đề xuất mà các nhà điều hành đã thực hiện, giúp họ đạt được mục tiêu năng lượng một cách hiệu quả hơn và kéo dài tuổi thọ của tài sản. Nhờ đó, các nhà điều hành đã giảm sử dụng đốt lò dẫn khoảng 30%—tạo ra khoảng $175,000 tiết kiệm nhiên liệu hàng năm—đồng thời giảm lượng khí thải carbon của trang web.

Lloyd Hughes, một chuyên gia kỹ thuật về vận hành nhà máy điện tại một nhà máy của Vistra khác, nổi tiếng luôn tìm kiếm cơ hội để cải thiện. Khi đội ngũ phân tích làm việc với Lloyd để xây dựng một bản sao kỹ thuật số cho nhà máy điện của anh ấy tại Odessa, Texas, anh ta phản ánh: “Có những điều mà tôi mất 20 năm để hiểu về những nhà máy này. Mô hình này học chúng trong một buổi chiều.” 

Hành trình với khí thải carbon bằng không 

Công việc tại các nhà máy điện Lamar và Odessa chỉ là hai ví dụ trong cam kết rộng lớn của Vistra để tận dụng trí tuệ nhân tạo để cải thiện hiệu suất, giảm lượng khí thải nhà kính và cung cấp năng lượng ổn định và dự đoán hơn. Cam kết này đã dẫn họ biến những cái nhìn về hiệu suất nhiệt thành một giải pháp họ gọi là Trình tối ưu hóa Heat Rate (HRO) và mở rộng nó trên toàn bộ đội của họ.

Họ triển khai HRO cho hơn 68 đơn vị sản xuất điện trải rộng qua 26 nhà máy, tích lũy $23 triệu tiết kiệm. Họ cũng trở nên hiệu quả hơn trên đường đi. Mất 10-12 tuần để xây dựng HRO đầu tiên. Bây giờ, triển khai HRO cho mỗi nhà máy mới chỉ mất từ hai đến ba tuần.

Với những thông tin từ phân tích của duct burner và giải pháp HRO hiển nhiên chứng minh sức mạnh của trí tuệ nhân tạo, Vistra hy vọng xây dựng trên thành công đó. Đến nay, hơn 400 mô hình AI đã được triển khai trên toàn bộ đội nhà máy điện của công ty, tạo ra tác động môi trường và hoạt động đáng kể. Các nỗ lực tối ưu hóa hỗ trợ bằng trí tuệ nhân tạo hiệu quả đang giúp đội nhà máy tránh khỏi lượng khí thải nhà kính. 

Việc giảm giới hạn này là một phần quan trọng của hành trình của công ty đến việc giảm 60% lượng khí thải CO2e vào năm 2030—so với một cơ sở năm 2010—và đạt được carbon thải net zero vào năm 2050.

Các tiến bộ do trí tuệ nhân tạo tại Vistra do đó đánh dấu một sự chuyển đổi trong ngành điện theo hướng hiệu suất, độ tin cậy, an toàn và bền vững tốt hơn. Nếu cải thiện hiệu suất 1% từ HRO trong đội nhà máy của Vistra được áp dụng cho tất cả các nhà máy điện than và khí ở Mỹ, 15 triệu tấn carbon sẽ được giảm mỗi năm. Đó là tương đương với việc ngưng hoạt động hơn hai nhà máy than lớn hoặc trồng khoảng 37 triệu cây.

Quy mô mọi giải pháp

Từ đầu, lãnh đạo của Vistra nhận ra rằng việc đạt được hiệu suất và khả năng giảm carbon của họ đòi hỏi việc mở rộng mọi giải pháp, và điều này đã chứng minh quyết định quyết định.

            Để làm điều này, các chuyên gia về chủ đề, nhà khoa học dữ liệu và dịch giả phân tích từ McKinsey đã làm việc chặt chẽ với một nhóm chuyên gia về phát điện và quy trình tại Vistra, cũng như các nhà điều hành tại chỗ. Cùng nhau, họ đã xây dựng một phương pháp để xây dựng ứng dụng trí tuệ nhân tạo cụ thể cho từng nhà máy: 

1. Đầu tiên, họ sử dụng một loạt các mô hình để phù hợp với nhu cầu tùy chỉnh của từng nhà máy và giải pháp cần thiết. Các mô hình này từ hồi quy Bayesian đến mô hình học sâu. Mỗi mô hình mạng nơ-ron bao gồm nhiều lớp, với mỗi lớp chứa chuẩn hóa batch, dropout và activation. Họ đã tạo bộ kiểm tra chéo và bộ kiểm tra ngoại vi bằng cách sử dụng phân chia dựa trên thời gian để ngăn chặn việc mô hình quá mức fit;
2. Họ liên tục làm việc để tìm sự cân bằng đúng giữa hiệu suất mô hình, khả năng giải thích, khả năng hành động của thông tin và khả năng bảo trì;
3. Họ kiểm tra và xác nhận mô hình một cách rộng rãi cả ngoại tuyến (kiểm thử lạnh) và trực tuyến (kiểm thử nóng) với các nhà điều hành và chuyên gia nhà máy để đảm bảo rằng mô hình đã học được sự phức tạp của nhà máy và đang tạo ra những đề xuất đúng cho các nhà điều hành để cải thiện hiệu suất của nhà máy. 
4.  Các đội chuyên dụng đã chuyển đổi mô hình đã được chứng minh để dễ dàng sử dụng và thích ứng với các nhà máy khác nhau. Sau đó, các mô hình được nhúng trong quy trình sản xuất hiện tại và triển khai trực tiếp trong phòng điều khiển.
5. Để duy trì nỗ lực này, họ xây dựng các khả năng cụ thể, bao gồm thuê và đào tạo nhân sự, và thiết lập cơ sở hạ tầng Quản lý Hoạt động Học máy (MLOps).

Các quản lý Vistra cũng đảm bảo rằng nhiều quan điểm đóng góp vào dự án. “Mỗi tuần, tôi sẽ mang theo một giám đốc điều hành khác,” nói Denese Ray, một giám đốc điều hành ca. “Chúng tôi cần ý kiến của họ để xây dựng mô hình để chúng tôi có thể tận dụng tối đa từ nó.”

Khi một giải pháp đã chứng minh giá trị của mình tại một trang web thử nghiệm và được chấp thuận để mở rộng, một đội ngũ kỹ sư phần mềm và học máy ngay lập tức tiếp quản để tối ưu mã, tách rời và đặt mã vào container. Điều này giúp tạo ra một gói phần mềm 'core' đơn cho mỗi triển khai có thể được cập nhật và cải thiện. Một chủ sở hữu sản phẩm quản lý quá trình tổng thể và chịu trách nhiệm về việc sử dụng và áp dụng. 

Tạo ra thế hệ tiếp theo của những người tầm nhìn

Vistra chỉ mới ở đầu hành trình với trí tuệ nhân tạo. Công ty đã phát triển một chiến lược để tạo ra một loạt các giải pháp AI và kỹ thuật số có thể thu về một số trăm triệu đô la cải thiện EBITDA trong khi cải thiện độ tin cậy và đóng góp vào mục tiêu giảm lượng khí thải trong dài hạn của mình. Vistra kế hoạch mang sức mạnh của trí tuệ nhân tạo đến các doanh nghiệp khác của mình, cũng. 

Trong năm qua một mình, Vistra đã rút ra những bài học từ việc sử dụng trí tuệ nhân tạo để cải thiện hoạt động của các nhà máy phát điện thông thường và áp dụng chúng vào đội tàu không khí không động cơ của họ: cụ thể là lưu trữ pin và năng lượng mặt trời. Đối với các đơn vị lưu trữ pin của họ, họ đã sử dụng phân tích dữ liệu để tìm nhiệt độ tối ưu cho việc vận hành pin của họ. Họ cũng đã có thể cải thiện chiến lược phân phối của mình để quyết định lúc nào nên sạc và xả để tối ưu hóa giá trị của pin qua chu kỳ hoạt động của nó.

Những công cụ phân tích mới này đã giúp tạo ra một cầu nối và cuộc trò chuyện giữa đội ngũ vận hành và đội ngũ kinh doanh của họ. Cùng nhau, họ có thể xem xét hiệu suất của pin mỗi tuần và thảo luận về những cơ hội mà các mô hình nhìn thấy, giúp Vistra vận hành chúng một cách tìm ra sự cân bằng lý tưởng giữa việc sản xuất điện và kéo dài tuổi thọ pin. Nhiều người vận hành không nghĩ rằng có cơ hội để tối ưu hóa các đội tàu tái tạo và lưu trữ - Vistra nhìn nhận khác biệt. 

Câu chuyện này được sản xuất bởi blog.mytour.vn Brand Lab cho McKinsey Digital.