コージェネレーション発電所: 複雑な条件下での運転効率の向上

世界で普及している天然ガス発電設備の多くは、排熱回収ボイラー（HRSG）に接続されたガスタービンを使用しています。これらのHRSGは、ガスタービンの排気から廃熱を回収し、その熱をコージェネレーション用の蒸気生成、蒸気タービンの駆動（コンバインドサイクル発電所）、またはその両方の組み合わせに使用します。このプロセスにより、ガスタービンを駆動する熱エネルギーの大半が回収されます。

一方で、この技術がこれほど普及していることは素晴らしいことです。熱と発電が分離された同等の構成と比較した場合、HRSGを備えたコージェネレーション・システムは、90％を超えるシステム効率を実現できます。そのため、この技術が過去10年間に急速に普及し、2009年から2019年にかけて設置台数が30％急増したのも不思議ではありません。

しかし、これが必要な技術革新の障害になることもあります。最も効率的なガスタービン／HRSG複合発電所でさえ、依然として化石燃料を燃やしています。脱炭素化が急務となるにつれ、より多くの電力会社がガスタービンに高濃度の水素混合燃料を供給したいと考えており、コンバインドサイクル・ガスタービンは、わずかな改良で水素混合燃料の燃焼を開始することができます。天然ガスタービンで水素を30％混合（体積比）した場合、CO2排出量は11％減少します。

期待が大きい一方で、既存の複合発電プラントは本質的に複雑です。コージェネレーションは熱と電気を供給するため、これらのプラントはより多くの変動が発生します（すなわち負荷変動が増加）。そのため、コンポーネントに負担がかかり（メンテナンスコストが上昇）、より複雑な制御システムが要求されます（新しいソリューションの開発が妨げられます）。これらのガスタービンは何十年も稼働するように設計されており、他のコンポーネントと密接に統合されているため、複雑に絡み合ったこれらのレイヤーは、技術革新を遅らせる「技術的行き詰まり」を生み出す可能性があります。

モデルベース設計の導入は、コージェネレーションプラントとエンジニアがこの技術革新の行き詰まりを解消するのに役立っています。

コージェネレーションプラントにおける水素の課題

複合発電プラントを水素に対応させるためには、ガスタービンやその他のコンポーネントを摩耗の増加に対応させるために再設計し、制御システムを適合させる必要があります。

水素は天然ガスよりも高温で燃焼し、排ガス組成は水分が多く二酸化炭素が少ないです。このため、HRSGの部品に結露が発生しやすくなるだけでなく、排ガス中の蒸気は置き換えられた二酸化炭素の2倍以上の熱を持つ可能性があります。より大きな熱と水分は、HRSGコンポーネントの消耗をより大きくします。

さらに、コンバインドサイクルのコージェネレーション設備では、未燃の水素が常にHRSGの上部に上がってきます。そのHRSGが当初水素供給システム用に設計されていなかった場合、水素のポケットが溜まる可能性があります。そのため、コージェネレーションプラントの制御システムは、コージェネレーション特有の不安定性を扱い、リスクを低減するためにHRSGの定期的なパージサイクルを追加しなければなりません。

熱電併給コージェネレーション設備用コントローラの開発

Modelon Impactの火力発電ライブラリ(TPL)は、コージェネレーションおよびコンバインドサイクルプラントの設計と運転を検討するための包括的なモデリング、シミュレーション、および最適化のフレームワークを提供します。TPLには、地域暖房システムや火力コージェネレーション発電所のためのすぐに使用できるモデルや、ボイラー、ガスタービン、蒸気タービン、過熱器、蒸発器、エコノマイザー、ダクトバーナー、選択触媒還元（SCR）ユニット、熱エネルギー貯蔵などのコンポーネントの完全なライブラリが含まれています。

TPLで既存のコンポーネントを組み合わせることで、エンジニアと発電所オペレータは、多様な忠実度の仮想モデルを作成することができます。

機械学習（ML）とAI主導の制御戦略は、その好例です。MLエージェントは、従来の制御装置よりも高速に反応する可能性があり、非常にダイナミックなコージェネレーション・システムには不可欠です。MLを使えば、エンジニアは、本質的な性能を実現するための単純なヒューリスティックにとらわれることなく、システムが理想的にどのように振る舞うべきかを定義することに時間と労力を費やすことができます。

モデロンはminds.aiと提携し、DeepSim（minds.aiの機械学習プラットフォーム）をModelon Impactのモデルに統合しました。これにより、エンジニアや研究者はすでに機械学習を実用化し、発電所のデジタルツインで新しい制御戦略をテストできるようになっています。例えば2021年、Ishaan Sood氏とJeroen Bédorf氏は、Modelon Impactとminds.aiの強化学習（RL）エージェントを使用して、よりロバストな新しいコントローラを生成しました。AIが誘導するコントローラは、蒸気や水の流れの過渡的な偏差に素早く反応しながら、望ましい設定値に近づけることができます。

Modelon Impactの詳細については、製品ページをご覧になるか、sales_japan@modelon.comまでメールでお問い合わせください。