بهینه‌سازی عملکرد نیروگاه‌های بخار با استفاده از شبکه عصبی دو بعدی CNN با تاکید بر کنترل آلایندگی و تاثیرات زیست‌محیطی
الموضوعات : Natural resources and environmental hazards
1 - گروه مهندسي برق، واحد بیضا، دانشگاه آزاد اسلامی، بیضا، ايران
2 - گروه مهندسي کامپیوتر، واحد بیضا، دانشگاه آزاد اسلامی، بیضا، ايران
الکلمات المفتاحية: نیروگاه‌های بخار, شبکه عصبی دوبعدی, کنترل آلاینده‌گی, هوش‌مصنوعی, تاثیرات زیست‌محیطی,
ملخص المقالة :
مقدمه: در این مقاله در ابتدا تجهيزات نيروگاه بخار مورد بررسی قرار گرفته است و در مرحله بعد اثرات مخرب ناشی از شرايط محيطي مانند دما، حرارت و شرایط جوی بر عملكرد نيروگاه‌ها و کنترل آلایندگی به‌صورت تخصصی نیروگاه بخار مطرح و ارائه شده است و در نهایت ارائه یک مدل پیشنهادی با استفاده از الگوریتم‌های یادگیری عمیق به منظور کاهش اثرات مخرب، کنترل آلایندگی و بهینه‌سازی عملکرد نیروگاه‌ها با استفاده از شبکه عصبی کانولوشنی دوبعدی و راه‌حل‌هايي جهت كاهش مصارف داخلي نيروگاه با توجه به فاكتور شرايط محيطي و کنترل آلایندگی پرداخته شده است.
مواد و روش‌ها: در این پژوهش، داده‌ها پردازش و به سه دسته آموزش، اعتبارسنجی و تست تقسیم می‌شوند. سپس روش هوش‌مصنوعی با داده‌های یادگیری مورد آموزش قرار گرفته تا دقت مطلوب و در نهایت بهینه‌سازی صورت گیرد.
نتایج و بحث: در این پژوهش شرايط جغرافيایي، کنترل آلایندگی و آب‌وهوايي در ايران، درصد مصارف داخلي و واحدهاي صنعتی بهره‌برداري شده و میزان بار مورد بررسی و تحلیل قرار گرفته است. اقدامات نيروگاه جهت كاهش مصارف داخلي و كاهش تلفات حرارتي و الكتريكي به‌صورت برنامه‌ريزي جهت خارج نمودن فن‌هاي برج با توجه به دماي آب خنك‌كن و تغييرات دماي هواي محيط و كاهش نسبي مصارف الكتريكي با استفاده از یادگیری عمیق و به‌صورت هوشمند با به‌کارگیری داده‌های آموزشی و شبکه عصبی کانولوشنی دو بعدی ارایه شده است. معیارهای ارزیابی شامل ضریب تعیین، میانگین قدر مطلق خطا و جذر میانگین مربعات خطا که ضریب اطمینان بالایی را پوشش می‌دهند تشکیل و مورد بررسی است. نتایج نشان می‌دهند که روش هوش‌مصنوعی ترکیبی پیشنهادی با ضریب تعیین 96/0، میانگین قدرمطلق خطا برابر 063/0 و جذر میانگین مربعات خطا برابر 0096/0، و هم‌چنین روش رگرسیون فرآیند گوسی با ضریب تعیین 94/0، میانگین قدرمطلق خطا برابر 093/0، عملکرد بسیار مطلوب و با ضریب اطمینان بالایی در کاهش اثرات مخرب و کارایی بهتر سیستم را ایجاد و تامین خواهد کرد.
نتیجه‌گیری: در این پژوهش، میزان تاثیر مخرب محیطی و اثرات آلایندگی با استفاده از یادگیری عمیق و هوش‌مصنوعی تا حد بسیار زیادی کاهش یافته است و این امر باعث افزایش ضریب اطمینان سیستم و بهبود عملکرد قابل قبول نیروگاه‌ها در زمان زیر بار است و نتایج بیانگر آن است که روش هوش‌مصنوعی ترکیبی پیشنهادی دقت بیش‌تری در تخمین و بهینه‌سازی سیستم‌ها برعهده دارد و دارای ضریب اطمینان بالاتری است.
1. H. R. E.-H. M. S. Y. AbubakarShaabana;, "Decomposition based multiobjective evolutionary algorithm for PV/Wind/Diesel Hybrid Microgrid System design considering load uncertainty," Energy Reports, vol. 7, pp. 52-69, 2021.
2. N. Eghtedarpour and E. Farjah, "Power control and management in a hybrid AC/DC microgrid," Smart Grid, IEEE Transactions on, vol. 5, pp. 1494-1505, 2014.
3. Y. B. A Rafiee, H Bevrani, T Kato, "Robust MIMO Controller Design for VSC-based Microgrids: Sequential Loop Closing Concept and Quantitative Feedback Theory," IEEE Transactions on Smart Grid, 2021.
4. X. Zhang, C. Huang, and J. Shen, "Energy Optimal Management of Microgrid with High Photovoltaic Penetration," IEEE Transactions on Industry Applications, 2022.
5. L. Zhang, Y. Yang, Q. Li, W. Gao, F. Qian, and L. Song, "Economic optimization of microgrids based on peak shaving and CO2 reduction effect: A case study in Japan," Journal of Cleaner Production, vol. 321, p. 128973, 2021.
6. A. H. V.-H. B. H.-M. Kim, "Resilience-Oriented Optimal Operation of Networked Hybrid Microgrids," IEEE Transactions on Smart Grid, vol. 10, 2019
7. K. R. C. C. C. R. Zhang, "Energy Cooperation Optimization in Microgrids With Renewable Energy Integration," IEEE Transactions on Smart Grid, vol. 9, 2018.
8. C. J. Dongfeng Yang, Guowei Cai, Deyou Yang, Xiaojun Liu,, "Interval method based optimal planning of multi-energy microgrid with uncertain renewable generation and demand," Applied Energy, vol. 277, 2020.
9. Z. X. Xiaohong Guan, and Qing-Shan Jia, "Energy-Efficient Buildings Facilitated by Microgrid," IEEE Transaction on Smart Grid, vol. 1, 2010.
10. S. M. M. Liaqat Ali, Hamed Bizhani, Arindam Ghosh,, "Optimal planning of clustered microgrid using a technique of cooperative game theory,," Electric Power Systems Research, vol. 183, 2020.
11. P. L. Mansour Alramlawi, "Design Optimization of a Residential PV-Battery Microgrid With a Detailed Battery Lifetime Estimation Model," IEEE Transactions on Industry Applications, vol. 46, 2020. Industry Applications, vol. 46, 2020. Battery Lifetime Estimation Model," IEEE Transactions on Industry Applications, vol. 46, 2020.
12. Atteia G, Collins MJ, Algarni AD, Samee NA. Deep-learning-based feature extraction approach for significant wave height prediction in SAR mode altimeter data. Remote Sens. 2022; 14(21):5569. https://doi.org/10.3390/rs14215569
13. Behar Kamran Z, Amir Etemad S, Mohsen H. Determination of effective parameters in forecasting significant wave height in Neka. In: 4th International Conference on Offshore Industries; 2011. [In Persian]
14. Breiman L. Bagging predictors. Mach Learn. 1996;24(2):123-40. https://doi.org/10.1007/BF00058655
15. bualigah L, Diabat A, Mirjalili S, Abd Elaziz M, Gandomi AH. The arithmetic optimization algorithm. Comput Methods Appl Mech Eng. 2021; 376:113609. https://doi.org/10.1016/j.cma.2020.113609
16. Cox DR, van der Meer JW. Wave forces on marine structures. CRC Press; 2010.
17. Davis RE, Collins DC, Wu L. Effects of temperature and salinity on wave properties and their impact on coastal infrastructure. J Coast Res. 2014;30(3):578-88. https://doi.org/10.2112/JCOASTRES-D-13-00048.1
18. Dhodhi J, Sharma K, Hassanin A. Safety of offshore platforms. In: Encyclopedia of Maritime and Offshore Engineering. Wiley; 2017. p. 1-10. https://doi.org/10.1002/9781118476406.emoe0021
19. Feng Z, Hu P, Li S, Mo D. Prediction of significant wave height in offshore China based on the machine learning method. J Mar Sci Eng. 2022;10(6):836. https://doi.org/10.3390/jmse10060836
20. Han L, Ji Q, Jia X, Liu Y, Han G, Lin X. Significant wave height prediction in the South China Sea based on the ConvLSTM algorithm. J Mar Sci Eng. 2022;10(11):1683. https://doi.org/10.3390/jmse10111683
21. Harrison S, MacDonald A. Influence of seabed sediment composition on wave propagation and sediment transport. Coast Eng. 2015; 102:1-12. https://doi.org/10.1016/j.coastaleng.2015.04.001
22. Li Z, Zhang M, Wang X. Deep learning for predicting wave height and its implications for coastal engineering. Eng Appl Artif Intell. 2021;98:104064. https://doi.org/10.1016/j.engappai.2021.104064
23. Lotfollahi Yeganeh M, Lashtah Neshayi M, Ghorbani M, Larian MB. Modeling and forecasting of significant wave height in the Caspian Sea using chaos theory. Amirkabir J Civ Eng. 2013; 45:97-105. [In Persian]
24. Mishra JP, Singh K, Chaudhary H. Intelligent Ocean wave height prediction system using light GBM model. Int J Syst Innov. 2022;7(2):64-77
25. A. Ajami and M. Daneshvar, "Data driven approach for fault detection and diagnosis of turbine in thermal power plant using Independent Component Analysis (ICA)" International journal of Electrical Power and Energy Systems , Vol.43, pp. 728–735, 2012.
26. M. Berahman, A.A. Safavi, M.R. Shahrbabaki, "Fault detection in Kerman combined cycle power plant boilers by means of support vector machine classifier algorithms and PCA" Control, Instrumentation, and Automation (ICCIA), 3rd International Conference. pp. 290 – 295, 2013
27. Hassani H, Zarei J, Razavi-Far R, Saif M. "Robust Interval Type-2 Fuzzy Observer for Fault Detection of Networked Control Systems Subject to Immeasurable Premise Variables", IEEE Systems Journal, 2019.
28. Hassani H, Zarei J, Arefi MM, Razavi-Far "R. zSlices-based general type-2 fuzzy fusion of support vector machines with application to bearing fault detection". IEEE Transactions on Industrial Electronics. Vol.64, No.9, pp.:7210-7217. 2017.
29. Couceiro, Micael, and Seenith Sivasundaram. "Novel fractional order particle swarm optimization. " Applied Mathematics and Computation, Vol. 283, pp. 36-54, 2016.
