Trí tuệ nhân tạo đưa nguồn điện lên tầm cao mới 

Đối mặt với thách thức kép của việc đáp ứng cả 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 hoạt động tại Nhà máy điện Lamar, một nhà máy điện khí tự nhiên công suất 1076 megawatt (MW) ở Texas. Anh cũng là người 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 nhà máy của họ một cách hiệu quả hơn hay không. Anh thấy một bài thuyết trình về cách trí tuệ nhân tạo được sử dụng bởi một công ty kim loại để cải thiện khả năng phục hồi và nhận ra cách đó có thể áp dụng vào nhà máy điện của mình. Cade và đội của anh hợp tác với McKinsey và quyết định áp dụng trí tuệ nhân tạo đầu tiên để tối ưu hóa Heat Rate (một đo lường về hiệu suất nhiệt của nhà máy, tức là lượng nhiên liệu cần thiết để tạo ra mỗi đơn vị điện).

Cái nhìn đầu tiên từ mô hình trí tuệ nhân tạo là nhóm Lamar có thể giảm thời gian sử dụng đốt cháy ống dẫn của họ. Đốt cháy ống dẫn hoạt động cơ bản như động cơ sau cùng trong máy bay phản lực: chúng cung cấp một lượng năng lượng đột ngột khi cần và người điều hành sử dụng chúng như bổ sung để đạt được mục tiêu năng lượng. Vấn đề là việc cung cấp năng lượng cho đốt cháy ống dẫn sử dụng nhiều nhiên liệu hơn so với các phương pháp thông thường, vì vậy nó tốn kém hơn, tạo ra nhiều khí thải carbon hơn và làm tăng tổn thất trên thiết bị. Mô hình trí tuệ nhân tạo, sau khi được kiểm tra và xác nhận, đã đưa ra các đề xuất mà kết quả là người điều hành đạt được mục tiêu năng lượng của họ một cách hiệu quả hơn và kéo dài tuổi thọ tài sản. Nhờ đó, người điều hành có thể giảm sử dụng đốt cháy ống dẫn khoảng 30%—mang lại khoản tiết kiệm nhiên liệu hàng năm khoảng 175,000 đô la—đồng thời giảm lượng khí thải carbon của địa điểm.

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

Hành trình vì zero khí thải carbon 

Công việc tại các nhà máy điện Lamar và Odessa chỉ là hai ví dụ trong cam kết rộng lớn của Vistra để sử dụng trí tuệ nhân tạo để cải thiện hiệu suất, giảm khí nhà kính và cung cấp nguồn điện đáng tin cậy và dễ dự đoán hơn. Cam kết này đã dẫn họ biến những hiểu biết về heat rate thành một giải pháp mà họ gọi là Bộ tối ưu hóa Heat Rate (HRO) và mở rộng nó trên toàn bộ đội ngũ của họ.

Họ triển khai HRO cho hơn 68 đơn vị phát điện trên 26 nhà máy, tích luỹ được 23 triệu đô la 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 hai đến ba tuần.

Với những hiểu biết từ phân tích đốt cháy ống dẫn và giải pháp HRO rõ ràng chứng minh sức mạnh của trí tuệ nhân tạo, Vistra hy vọng xây dựng trên thành công đó. Đến nay, hơn 400 mô hình trí tuệ nhân tạo đã được triển khai trên toàn bộ đội ngũ nhà máy điện của công ty, dẫn đến ảnh hưởng lớn đến môi trường và vận hành. Các nỗ lực tối ưu hóa được hỗ trợ bởi trí tuệ nhân tạo đang giúp đội ngũ tránh khỏi việc phát thải khí nhà kính. 

Sự giảm 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 điểm khởi đầu năm 2010—và đạt được tình trạng không phát thải khí thải carbon net zero vào năm 2050.

Những tiến bộ được đẩy mạnh bởi trí tuệ nhân tạo tại Vistra đánh dấu một sự chuyển đổi trong ngành điện về hiệu quả cao hơn, đáng tin cậy, an toàn và bền vững. Nếu cải thiện hiệu suất 1% từ HRO trong đội ngũ của Vistra được áp dụng trên tất cả các nhà máy điện than và khí của Hoa Kỳ, 15 triệu tấn carbon sẽ được giảm mỗi năm. Đó là tương đương với việc đóng cửa hơn hai nhà máy than lớn hoặc trồng khoảng 37 triệu cây.

Mở rộng mọi giải pháp

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

            Để làm được điều này, các chuyên gia về vấn đề cụ thể, 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 trực tiếp. Cùng nhau, họ tạo ra một phương pháp xây dựng ứng dụng trí tuệ nhân tạo cụ thể cho từng nhà máy:

1. Đầu tiên, họ sử dụng nhiều mô hình để phù hợp với nhu cầu tùy chỉnh của từng nhà máy và giải pháp cần thiết. Các mô hình này đa dạng từ mô hình hồi quy Bayesian đến mô hình học sâu. Mỗi mô hình mạng nơ-ron được tạo thành từ nhiều lớp, trong đó mỗi lớp chứa chuẩn hóa batch, dropout và kích hoạt. Họ tạo ra các bộ kiểm tra chéo và bộ kiểm tra ngoại trực 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 hiểu biết và khả năng bảo trì;
3.  Họ thử nghiệm và xác nhận mô hình rộng rãi cả ngoại tuyến (thử nghiệm lạnh) và trực tuyến (thử nghiệm nóng) với các nhà điều hành và chuyên gia nhà máy điện để đảm bảo rằng mô hình đã học được những phức tạp của các nhà máy và đang tạo ra các đề xuất đúng cho các nhà điều hành để cải thiện hiệu suất nhà máy. 
4.  Các đội chuyên dành đã tái cấu trúc các mô hình đã được chứng minh để chúng có thể dễ dàng được sử dụng và điều chỉnh cho các nhà máy khác. Sau đó, các mô hình được nhúng vào 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 cả việc tuyển dụng và đào tạo nhân tài, và thiết lập cơ sở hạ tầng Quản lý Máy học (MLOps).

Những người quản lý của Vistra cũng đảm bảo rằng nhiều ý kiến đã đóng góp vào dự án trong suốt quá trình. “Mỗi tuần, tôi sẽ mang một giám đốc khác,” nói Denese Ray, một giám sát ca vận hành. “Chúng tôi cần phản hồi của họ để xây dựng mô hình để chúng tôi có thể tận dụng tối đa.”

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 nhóm kỹ sư phần mềm và học máy ngay lập tức tiếp quản để tái cấu trúc, modularize và đặt mã vào container. Như vậy, có một gói phần mềm ‘core’ duy nhất cho mỗi triển khai có thể được cập nhật và cải thiện. Một chủ sở hữu sản phẩm quản lý quy trình tổng thể và đảm nhận quyền sử dụng và áp dụng. 

Tạo ra thế hệ tiên phong tiếp theo

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 trí tuệ nhân tạo 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 dài hạn của mình. Vistra kế hoạch đưa sức mạnh của trí tuệ nhân tạo vào các doanh nghiệp khác của mình cũng.

Trong năm vừa qua, Vistra đã rút ra những bài học từ việc sử dụng trí tuệ nhân tạo để cải thiện vận hành của các nhà máy điện thông thường và áp dụng chúng vào đội ngũ không khí thải carbon của mình: 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 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 thời điểm nào để 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. Cùng nhau, họ có thể nhìn thấy cách pin hoạt động mỗi tuần và thảo luận về những cơ hội mà mô hình nhìn thấy, giúp Vistra vận hành chúng một cách tìm ra sự cân bằng tối ưu giữa việc sản xuất điện và kéo dài tuổi thọ pin. Nhiều người điều hành không nghĩ rằng có cơ hội để tối ưu hóa nguồn điện tái tạo và đội ngũ lưu trữ—Vistra nhìn nhận khác biệt.

Chuyện này được Mytour Brand Lab sản xuất cho McKinsey Digital.