Sharing Knowledge

Optimasi Boiler pada PLTU

Menggunakan Machine Learning
Coal Fired Power Plant Boiler Optimization using Machine Learning

Oleh: Basuki Setiyo Widodo, ST, MM, IPM

BADAN KEJURUAN TEKNIK FISIKA

PERSATUAN INSINYUR INDONESIA
temumaya.id/reg/Optimasi-Boiler Selasa, 29 Juni 2021
 PLTU PT. MAKMUR SEJAHTERA WISESA
2X30 Mega Watt
CIRCULATING FLUIDIZED BED COMBUSTION BOILER

Kabupaten Tabalong
Kalimantan Selatan
 Coal
Fired
Power
Plant
 Definisi PLTU

PEMBANGKIT LISTRIK TENAGA UAP (PLTU) adalah pembangkit yang

mengandalkan energi kinetik dari uap / steam untuk menghasilkan energi
listrik.
Sumber: https://id.wikipedia.org/wiki/Pembangkit_listrik_tenaga_uap
 Konversi Energi

Pertama, energi kimia dalam bahan bakar diubah menjadi energi panas dalam bentuk
uap bertekanan dan temperatur tinggi.
Kedua, energi panas (uap) diubah menjadi energi mekanik dalam bentuk putaran.
Ketiga, energi mekanik diubah menjadi energi listrik.
Sumber: https://id.wikipedia.org/wiki/Pembangkit_listrik_tenaga_uap
 Circulating Fluidized Bed

CFBC Circulation Fluidized Bed Combustion Boiler merupakan Boiler yang sistem pembakarannya menggunakan proses aliran
atau fluidized berupa bed material (BM). BM dihembus dengan udara bertekanan tinggi dari Secondary Air Fan (SAF) melalui
nozzle pada combustor. Yang kemudian saling bertabrakan dengan bahan bakar batu bara yang disemburkan ke dalam combustor
melalui Coal Feeding.
Sumber: https://id.wikipedia.org/wiki/Pembangkit_listrik_tenaga_uap
 Circulating Fluidized Bed

CIRCULATING Terjadinya sirkulasi batu bara yang belum habis terbakar dari FURNACE ke CYCLONE kemudian masuk ke SEALPOT
dan kembali ke FURNACE.
FLUIDIZED Penghembusan udara primer untuk menjaga Bed Material dan batu bara tetap melayang didalam furnace.
BED MATERIAL berupa partikel-partikel kecil (pasir kuarsa) sebagai media transfer panas untuk meningkatkan efisiensi termal.

Sumber: https://id.wikipedia.org/wiki/Pembangkit_listrik_tenaga_uap
 CFB: Part & Function-1

Furnace merupakan Ruang Pembakaran bahan bakar yang akan menjadi sumber
panas, proses penerimaan panas oleh media air dilakukan melalui pipa yang telah
dialiri air, pipa tersebut menempel pada dinding tungku pembakaran.
Sumber: https://id.wikipedia.org/wiki/Pembangkit_listrik_tenaga_uap
 CFB: Part & Function-2

FURNACE
CYCLONE

CYCLONE berfungsi untuk memisahkan batu bara yang belum terbakar dengan
abu (ash) sisa pembakaran dan mengembalikannya ke dalam furnace.
Sumber: https://id.wikipedia.org/wiki/Pembangkit_listrik_tenaga_uap
 CFB: Part & Function-3
Back pass

BACKPASS merupakan area yang digunakan sebagai Heat Recovery pemanfaatan

gas buang / Flue Gas yang terdiri atas wall tube. Komponen utama di backpass
adalah : Super Heater , Low temperature Super heater , Economizer, dan Air
Preheater.
Sumber: https://id.wikipedia.org/wiki/Pembangkit_listrik_tenaga_uap
 CFB: Part & Function-4

Sootblower

Steam Blowing
Steam Blowing

Sootblower berfungsi untuk membersihkan wall tube pada boiler pada Heat
Recovery Area (HRA) yaitu area Superheater, Economizer, Reheat, serta pada Air
Preheater dari kotoran / slag yang menempel dengan menyemprotkan uap panas
auxiliary pada dinding luar tube-tube dan elemen heat exchanger pada Air Heater.
Sumber: https://id.wikipedia.org/wiki/Pembangkit_listrik_tenaga_uap Hide
 Machine Learning
Machine Learning = Mesin yang mampu Belajar.
Machine Learning merupakan
cabang dari ilmu Artificial
Intelligence (AI) / Kecerdasan
buatan, khususnya yang
mempelajari tentang bagaimana
komputer mampu belajar dari
data/sekumpulan data untuk
meningkatkan kecerdasannya.
Sumber: IBM Watson Machine Learning
 Manusia Vs Mesin
Cycling
Coding
Walk

DATA

Mesin
Machine Learning
Mengikuti Instruksi / Program
Belajar dari pengalaman
Manusia
DATA
Belajar dari Pengalaman
 Contoh Machine Learning
Bagaimana memprediksi harga RUMAH…?

Rumah Kecil Rumah Sedang Rumah Besar

Harga: 150Jt Harga Berapa…? Harga: 350Jt
 Contoh Machine Learning
Harga (juta)
Bagaimana memprediksi harga RUMAH…?

350
Contoh Metode
Machine Learning
300 dengan
REGRESI LINIER.
250 Jawaban:
Harga Perkiraan
Rumah Sedang
200
Rp. 270 Jt

150

100
Rumah SEDANG Rumah BESAR
50 Rumah KECIL

Ukuran Rumah
 Metode Machine Learning
Selain Regresi Linier, ada banyak metode Pembelajaran Lainnya.

Secara Umum metode pembelajaran ML

tersebut terbagi menjadi :
1. Supervised Learning
2. Unsupervised Learning
3. Reinforcement Learning
*Metode lainnya umumnya dapat dikatakan merupakan
pengambangan, kombinasi dan penyempurnaan dari 3 metode
tersebut.
Sumber: IBM Watson Machine Learning
 Metode Machine Learning
Supervised Learning : Pembelajaran yang diawasai
INPUT INPUT Output

Merupakan algoritma pembelajaran ML dengan Supervise/ada

yang mengajari, hal ini terlihat dengan adanya pemberian
LABEL untuk input dan outputnya.
Sumber: boozallen.com
 Metode Machine Learning
Tahapan Belajar Supervised Learning
Labeling

Sumber: https://www.i2tutorials.com/
 Metode Machine Learning
Unsupervised Learning : Pembelajaran tanpa diawasai
Output
INPUT

Merupakan algoritma pembelajaran ML tanpa diawasi, hal ini

terlihat dengan Tidak ada pemberian LABEL sebagaimana pada
algoritma yang diawasi.
Sumber: boozallen.com
 Metode Machine Learning
Tahapan Belajar Unsupervised Learning

Sumber: boozallen.com
 Metode Machine Learning
Reinforcement Learning (RL) : Pembelajaran Penguatan

Analogi ML RL Method : Seorang pelatih anjing (environment) yang memegang tongkat dimana di hadapannya ada seekor anjing (agent) yang
sedang memperhatikan (Observations) gerak-gerik dan isyaratnya. Pada awalnya pelatih melempar tongkat yang harus diambil (actions) oleh
anjing sebisa mungkin sebelum tongkat jatuh ketanah, anjing akan mempelajari kondisi ini, memahami isyarat, mengkalkulasi jarak, pola
gerakan dan akan berusaha menangkap tongkat sebelum menyentuh tanah, percobaan yang gagal (error) akan terus diulang dan aksi yang
berhasil diberikan hadiah(Rewards) berupa makanan anjing. Hal ini terus diulang hingga sang anjing menjadi sangat terampil menangkap
tongkat yang dilemparkan pelatih.

Sumber: https://www.kdnuggets.com/2019/10/mathworks-reinforcement-learning
 Metode Machine Learning
Inti dari 3 ML Method

Singkatnya, algoritma Supervised Learning disediakan dengan serangkaian hasil tertentu dan
harus mengurutkan data untuk mereproduksinya. Unsupervised Learning tidak dilengkapi
dengan Label namun masih berusaha menemukan pola dan asosiasi dalam data. Reinforcement
Learning mempelajari cara terbaik untuk bereaksi terhadap keadaan tertentu dengan
melibatkan Observer.
Sumber: IBM Watson Machine Learning
 Optimasi Boiler

Boiler merupakan bagian yang sangat penting dari PLTU karena 70% biaya
produksi PLTU diproses di boiler, oleh sebab itu penting memperhatikan
system konversi energi yang optimum pada bagian ini.
Sumber: Suhendar dkk pada Seminar Nasional IENACO-2014
Hide
 Efficiency,
Thermal Profile,
Pakar di Boiler
Load, Protects,
Dynamic Control,
Environmental,
PAKAR Loses, life time,
Etc..!!!

TSR

Thermal Energy Conversion System di dalam boiler sangat komplek yang

melibatkan banyak sitem pengukuran, Loop Control, Cascade Control juga
system proteksi yang memerlukan Pakar berpengalaman untuk mampu
menjaga energi yang dihasilkan tetap optimum sesuai kapasitas terpasang
dalam berbagai variasi kondisi.
 Optimasi Boiler & Machine Learning
Saya bantu Jadi Lebih
Estimasi Cepat &
BOSS! Tepat.

Data

Boiler Reheating Machine Learning Pakar

Dengan menggunakan Machine Learning, maka seorang pakar yang

sedang melakukan kajian efisiensi / performa boiler akan dapat dibantu
untuk menemukan hal-hal yang berpengaruh dengan lebih cepat dan
tepat.
 Apa yang bisa dilakukan ML di Boiler?
Aku bisa melakukan
What ML Can Do on Boiler? analisa & prediksi
Kamu bisa
apa? 1. Efficiency Diagnostic berdasarkan DATA yang
ada
2. Fault Diagnostic
3. Protection Effectiveness Diagnostic
4. Performance Diagnostic
5. Lifetime Diagnostic
6. Predictive Maintenance
7. Budgeting & Cost Estimation
8. Forecasting, Planning & Scheduling Maintenance (CMMS)
Machine Learning
9. Any other activity for Diagnostic/Prediction base on Data Histories

Pakar
Di Boiler ML dapat membantu pakar melakukan analisa, estimasi, dan prediksi
berdasarkan pengolahan DATA Histories / Boiler Profile dengan lebih cepat dan
akurat.
 Permasalahan Efisiensi Boiler

Steam Blowing Boiler Tube Cleaning using Sootblower

Salah satu masalah efisiensi di boiler adalah efektifitas Heat transfer

pada elemen boiler, seperti reheater, economizer, superheater, dan
evaporator yang terganggu akibat adanya ash/sisa abu dari hasil
pembakaran pada furnace, dimana sisa abu ini menempel di permukaan
elemen tersebut. Masalah tersebut perlu ditanggulangi dengan pemakaian
pembersih abu (sootblower). Sumber: TLV boiler Animation
 Sootblowing Manual Mode
Sepertinya
Perlu
Sootblowing?
Steam Blowing
Keputusan Akurat tapi
butuh waktu dan
susah diestimasi
kapan perlu dilakukan
Sootblowing lagi.
Tempelan Abu,
Heat Loss, Bird
Nesting, Poor
Efficiency..?

Pakar

Sootblower dapat dilakukan dengan mode manual, dimana Pakar

melakukan diagnosis kondisi boiler dengan memperhatikan parameter-
parameter seperti temperature inlet ESP, Coal Flow, Desuperheating
Flow, Combustor Temperature, dll.
Sumber: TLV boiler Animation
 Sootblowing Time Scheduled Mode
Jadwalnya
Sootblowing
lhoo..!
Steam Blowing Steam Blowing
Mengabaikan kondisi
proses, tidak butuh
Pakar, tidak butuh
waktu analisa dan
mudah diestimasi
kapan perlu
dilakukan
Sootblowing lagi.

Sootblower dapat dijalankan juga sesuai dengan jadwal dan dieksekusi

menggunakan logic sequence (urutan tugas), tanpa harus memperhatikan
parameter boiler lainnya yang mempengaruhi Heat Transfer.
Sumber: TLV boiler Animation
 Sootblowing Prediction dengan bantuan ML
Boiler Profile DATA SootBlower ML
SENSOR
DATA
Training
Cleansing &
Transform
Schedule

Sootblower
Recommendation

Skema alur pembelajaran Sootblower dengan ML, diperoleh sootblower recommendation actions yang dapat
membantu pakar mengambil keputusan. Proses ini sangat cepat dan akurat karena menggunakan
computer/server dalam pengolahan data histories & eksekusinya.
 Contoh Analytics Model Machine Learning

OVERALL HEALTH INDEX

Backpass Pressure Steam Temperature Temp. Inlet ESP

Sumber: Honeywell Forge Asset Performance Management

 Boiler Performance Modeling using ML

Sumber: Honeywell Forge Asset Performance Management

 Contoh HMI / GUI Machine Learning
Real Time Events Diagnostic Result &
Visualization Recommendations
Plant Performance
Priority

Failure Severity
Asset Hierarchy

GRAPHICS USER INTERFACE

Sumber: Honeywell Forge Asset Performance Management

 Contoh System Architecture Machine Learning

Keputusan akurat sesuai

kondisi, waktu cepat dan
mudah melakukan prediksi
aksi berikutnya biarpun
dihadapkan pada kondisi
plant yang dinamis, namun
perlu INVESTASI awal untuk
membangun System ML ini.

Boiler Engineer selaku pakar akan lebih mudah, cepat dan akurat dalam mengambil keputusan tentang tindakan
terhadap proses yang dihadapi dengan bantuan ML. Penggunaan server sebagaimana gambar architecture di atas
menunjukkan system ML diolah & dibangun berbasis komputasi sehingga menjamin kecepatan & ketepatan
rekomendasi sesuai dengan model yang sudah dibangun dari data histories.
 RINGKASAN
1. Machine learning mampu membantu Pakar dalam mengambil
keputusan rumit dengan cepat dan tepat pada problematika di
Boiler.
2. Diperlukan DATA yang berkwalitas untuk membuat pemodelan
yang baik.
3. Pemodelan yang tepat akan menghasilkan prediksi yang akurat
biarpun dihadapkan pada dinamika proses.
4. Perlu Investasi awal yang relative mahal untuk membangun
System Machine Learning.
Salah & Khilaf, Mohon dimaafkan.