Создание и внедрение программного обеспечения по договору Revenue Sharing
;

Создание и внедрение программного обеспечения по договору Revenue Sharing


Компания АО «НБИ» предоставляет возможность создания цифровых двойников предприятий по договору Revenue Sharing — договорной схеме, при которой АО «НБИ» берет на себя все финансовые риски.

Более подробно о процессе и условиях в докладе генерального директора АО «НБИ» Богдана Шатунова на тему «Опыт создания цифровой модели ТЭЦ и оценки экономического эффекта от оптимизации режимов работы по договору Revenue Sharing»:

Опыт создания цифровой модели ТЭЦ и оценки экономического эффекта от оптимизации режимов работы по договору Revenue Sharing

АО НБИ - Revenue Sharing


Богдан Валерьевич:
- АО «НБИ» стоит на стыке информационных систем и технологий. Наши решения позволяют повысить эффективность имеющегося в компаниях оборудования, за счет использования прикладной математики.
В период ограничений, связанных с распространением короновирусной инфекции COVID-19, мы открыли для себя новую схему заключения договоров — Revenue Sharing. Несмотря на то, что данная система широко распространена на Западе, для России данная система является новшеством. И мы подумали, почему бы такую схему не применить в России.

Кратко о компании:


Слайд - о компании НБИ


- В команде АО «НБИ» работает около 100 человек.
Основной фокус деятельности: создание цифровых моделей, так называемых итерационных цифровых двойников. АО «НБИ» — исключительно отечественная компания, продукты которой включены в единый реестр российского программного обеспечения.
На данный момент наши продукты уже экспортируются в страны СНГ. Следующий рынок, который мы видим для себя — это восточная и западная Европа.
Наша компания достаточно опытная, нам уже 27 лет. Нашим достижением является то, что уже более 190 электростанций в России, а это более 95 ГВт установленной мощности (практически вся крупнейшая энергетика России) — являются клиентами АО «НБИ», т. е. продукт достаточно распространен.

Слайд - НБИ в цифрах



Реализация договоров по построению цифровых моделей по новой для России схеме Revenue Sharing

- Расскажу о целях проекта, реализованных мероприятиях, о достигнутых результатах для нас и клиента от реализации по схеме Revenue Sharing.



Слайд - НБИ в цифрах



- Клиент — достаточно крупная генерирующая компания, владеющая множеством теплоэлектростанций по всей стране.
Клиентом применялись решения предыдущего поколения, построенные на основе системы расчета ТЭП, удельных расходов топлива на электрическую и тепловую энергию, и попытка оптимизации на них. Когда мы предлагали разработать цифровую модель предприятия для увеличения прибыли за счет экономии топлива, то у клиента возникали сомнения, стоит ли вкладывать в это средства.


Поэтому мы предложили схему, при которой АО «НБИ» берет на себя все риски, строит для клиента цифровую модель и вводит ее в промышленную эксплуатацию. Далее, совместно с клиентом оценивается экономический эффект, т. е. дополнительная прибыль, которую приносит цифровая модель. Если экономический эффект отсутствует, то мы уходим ни с чем, и работы нам не оплачиваются. А если эффект подтверждается, то клиент производит оплату.


О клиенте

— Достаточной крупная электростанция, в составе которой 9 паровых котлов и 8 паровых турбин, из которых 7- разнотипные, и различное вспомогательное оборудование.


Наши действия


Мы собрали имеющиеся альбомные характеристики в аналоговом виде, действующую нормативно-техническую документацию по топливоиспользованию, инструкции по эксплуатации оборудования, а также данные с приборов, и создали цифровой аналог станции, для того чтобы проводить различные сценарные анализы. То есть, чтобы клиент смог смоделировать различные составы и режимы работы оборудования, и количество топлива, сожженного в каждом случае.

Естественно, те характеристики и аналоговые альбомы, которые имеются на большинстве станций, достаточно сильно устарели, что является болью всей энергетики. И конечно, один из основных пластов нашей работы, это анализ Big Data, который есть в приборах учета, и установление реальных характеристик оборудования, которые отражают фактическое состояние того самого оборудования.


Реализация проекта

Реализация проекта началась в период пандемии. Работа осложнялась тем, что не было возможности посетить станцию, приходилось выполнять работу в дистанционном режиме.
На данный момент проект реализован, экономический эффект оценен. Сейчас осуществляется перенос системы на сервер заказчика и выполняется интеграция с внутренними системами Заказчика, после чего будет произведено обучение пользователей работы с системой.



Результат работы

Реализованная модель позволяет оптимизировать режим работы станции на различных временных горизонтах, то есть в зависимости от той задачи, которая ставится клиентом, она оптимизирует те или иные параметры. То есть, она может либо просто распределять заданную электрическую и тепловую нагрузку внутри оборудования станции, либо оптимизировать само оборудование, которое может быть включено и выключено.




Вывод

Какие результаты достигнуты, и почему мы считаем, что это тот опыт, который мы можем тиражировать и на все другие генерирующие компании, и другие отрасли промышленности (например, сейчас мы начинаем работать с предприятиями химической промышленности):

срок окупаемости подобных проектов составляет менее года.
В данном случае он составил 4 месяца. Это достаточно важный и позитивный момент, что за счет информационных технологий, а именно — прикладной математики, которая разрабатывается в рамках нашего отечественного решения, те же самые объекты, в данном случае электростанция — могут зарабатывать значительно больше прибыли, значительно экономить топливо, без вложений в модернизацию оборудования.
Это именно грамотное планирование, грамотное управление работой предприятия.



Сессия «Вопрос-ответ»

Вопрос: Богдан Валерьевич, а можете ли вы раскрыть конкурентную среду, много ли таких предложений на рынке, сколько у вас реализованных проектов и сколько находится в разработке. Звучит как нечто такое, к чему мы должны прийти очень быстро.
Ответ: Совсем быстро не получится. Мы на данный момент можем в год создавать 10-15, максимум 20 моделей электростанций. Конечно, в стране станций гораздо больше. Если говорить о конкурентной среде, то мы знаем крупного системного интегратора, который тоже нацелен на это, пробовал создавать, но не так масштабно, как мы.
В основном нам приходится конкурировать с системами предыдущего поколения, с системами расчета ТЭП. Говоря простым языком, это те таблицы Excel, которые хранятся на станции, их просто переводят в цифровой вид для того, чтобы можно было с этим более удобно работать.
Пока мы знаем только одну компанию в России, которая осуществляет именно решение задачи смешанного целочисленного и линейного программирования, то есть формирование всех вариантов решения в виде матрицы (принятый стандарт для решателей — солверов).
Конечно, нам бы хотелось делать больше моделей, но это достаточно трудоемкое и времязатратное мероприятие.


Вопрос: Разве нельзя сделать единую платформу, чтобы это тиражировалось быстрее?
Ответ: Конечно, мы уже это сделали. Когда мы создаем цифровые модели, мы не записываем формулы, мы делаем их на конструкторе. Наше ПО — это конструктор цифровых моделей, который позволяет нам это быстро собирать.
Другой вопрос в том, что мы сталкиваемся с низким уровнем оприборивания предприятий. Этот тот вопрос, который не решается за дни, месяцы и даже годы. То есть, мы приходим, берем альбомные характеристики, имеющиеся данные об оборудовании, после чего сверяем их с реальными расходами топлива и видим, что разница достаточно существенная.
При обсуждении с коллегами, мы приходим к выводу, что исходя из характеристика котла он должен сжечь иное количество топлива, и мы итерационно корректируем эти характеристики. И здесь нам на помощь приходит искусственный интеллект. Мы не собираем данные вручную, мы используем инструменты машинного обучения, которые позволяют, во-первых, выбрать из показаний приборов именно те, которым можно верить (т.е. имеется еще вопрос достоверности показаний приборов), а во-вторых, уже на выверенных данных по показаниям прибора — выстроить эти характеристики. Основной вопрос при создании цифровой модели — это как раз выверка, получение фактических параметров оборудования, которое есть, а не номинальных. То есть, номинальную модель можно собрать за месяц. Другой вопрос, когда вы будете смотреть на показатели расходомеров газа, они не будет сходиться. Это все прекрасно понимают, и наша задача в калибровке этих моделей.


Вопрос: Есть ли уже подзаконные акты, распоряжения Минэнерго, либо более высокого уровня документы, на тему что такие цифровые модели обязательны для подобных станций? Сделать технический коридор, обязательные требования. Чтобы был системный подход, тогда бы мультипликация ваших решений и ваших коллег была более быстрой.
Ответ: Согласен. На текущий момент точно нет и более того я не уверен что генерирующие компании в этом заинтересованы. Если мы говорим о какой-то централизованной системе, то наверняка обяжет компании выдавать данные, которые являются коммерческой тайной.

Вопрос: речь идет не о централизованной системе, а о стандартах управления бизнесом. Например, с утилизацией попутных газов нефтяные компании тоже не были согласны, тем не менее мы сделали коридор, который работает. Это решение надкорпоративное.
Ответ: Наша компания далека от нормотворчества, от политики. Мы исходим из того, какой клиент заинтересовался. Например, лет 8-10 назад когда мы это обсуждали с ООО «Газпром энергохолдинг», интереса не было. Сейчас это один из наших основных клиентов, который заботится об экономике, чтобы станции приносили больше денег.

Вопрос: Ваши разработки не входят в противоречии с интересами менеджмента предприятия?
Ответ: Наоборот, для нас основные Заказчики продукта те, у кого бонус привязан к чистой прибыли компании. Кто заинтересован в увеличении прибыли — это наша целевая аудитория.

Введите запрос и нажмите Enter