برآورد کوتاه مدت میزان سوخت مورد نیاز بویلر بخار براساس پیش بینی دمای روزانه با استفاده از الگوریتم GMDH-BBO (مطالعه موردی: مخازن گازوئیل معدن مس سرچشمه)

محورهای موضوعی : مهندسی برق ( الکترونیک، مخابرات، قدرت، کنترل)

حلیمه نورمحمدی ^{1 *}

1 - واحد انار دانشگاه ازاد اسلامی

تاریخ دریافت : 1404/04/02 تاریخ پذیرش : 1404/07/09 تاریخ انتشار : 1404/07/14

کلید واژه: پیش بینی وضع وهوا, روش گروهی مدل سازی داده ها, بهینه‌سازی مبتنی بر جغرافیای زیستی, تاسیسات مخازن گازوئیل,

چکیده مقاله :

مخازن گازوئیل در مناطق سردسیر دچار یخزدگی میشوند و روند سوخت رسانی را با مشکل مواجه میکنند. جهت جلوگیری از یخزدگی در تاسیسات گازوئیل مناطق سردسیر، از بویلر و تاسیسات گرمایشی مربوطه استفاده میشود. برمبنای دمای یخزدگی گازوئیل که منفی 8.1 درجه است بویلر بایستی گرمای مناسب تاسیسات مخازن را فراهم کند تا از انجماد گازوئیل جلوگیری شود. در این راستا پیش بینی روزهای سرد کوتاه مدت ، میزان سوخت موردنیاز بویلر برآورد میشود و برنامه ریزی تامین سوخت بویلر به درستی انجام میگیرد. ابزار پیش بینی این مقاله الگوریتم فراابتکاری GMDH-BBO می باشد. لذا هدف این مقاله پیش بینی سوخت موردنیاز بویلر تاسیسات گرمایشی مخازن گازوئیل معدن سرچشمه برای یک دوره پانزده روز با استفاده از الگوریتم GMDH-BBO می باشد نتایج این پیش بینی با روش های کلاسیک مقایسه گردیده است که برتری روشGMDH-BBO  را نشان میدهد. 

چکیده انگلیسی:

Diesel tanks in cold regions freeze and cause problems in the fuel supply process. To prevent freezing in diesel facilities in cold regions, boilers and related heating facilities are used. Based on the freezing temperature of diesel, which is minus 8.1 degrees, the boiler must provide adequate heat to the tank facilities to prevent diesel from freezing. In this regard, short-term cold day forecasts are estimated, the amount of fuel required by the boiler is estimated, and the boiler fuel supply planning is carried out correctly. The forecasting tool of this article is the GMDH-BBO metaheuristic algorithm. Therefore, the aim of this article is to predict the fuel required by the boiler heating facilities of the diesel tanks of Sarcheshmeh Mine for a period of fifteen days using the GMDH-BBO algorithm. The results of this forecast have been compared with classical methods, which shows the superiority of the GMDH-BBO method.

 

 

 

 

star_border

 

 

 

 

منابع و مأخذ:


[1] İbrahim ÇETİNER, Halit ÇETİNER,” Developing real-Time Boiler Control Algorithm”, ECJSE, Vol: 9, No: 2, 2022 (853-868), DOI : 10.31202/ecjse.1020132
[2] for Fuel Consumption Savings
" Optimization of the boiler start-up taking into account thermal stresses",Energy ,Vol, 92, Part1,1 December 2015,Pp:160-170,( https://doi.org/10.1016/j.energy.2015.03.095)
[3] Bamiji Z. Adewole, Olatunde A. Abidakun , Abraham A. Asere "Artificial neural network prediction of exhaust emissions and flame temperature in LPG (liquefied petroleum gas) fueled low swirl burner".Energy, Volume 61, 1 November 2013, Pages 606-611(doi.org/10.1016/j.energy.2013.08.027)
[4] A. Kasaeian, M. Ghalamchi, M H. Ahmadia, M. Ghalamchi,"GMDH algorithm for modeling the outlet temperatures of a solar chimney based on the ambient temperature", Mechanics & Industry,vol. 18,num. 2 ,pp. 10,Feb 2017(doi.org/10.1051/meca/2016034).
[5] A. Khosravi, L. Machado, R.O. Nunes, "Time-series prediction of wind speed using machine learning algorithms: A case study Osorio wind farm, Brazil" Applied Energy,vol. 224, pp. 550-566, Aug. 2018, (doi.org/10.1016/j.apenergy.2018.05.043)
[6] Issam RehamniaIssam, RehamniaBenlaoukli BachirBenlaoukli BachirChouireb MustafaChouireb Mustafa,” Estimation of Seepage Flow Using Optimized Artificial Intelligent Models” Geotechnical and Geological Engineering,( DOI: 10.1007/s10706-023-02423-7)
[7] Ivakhnenko, A.G.1971.Polynomial theory of complex systems. IEEE Transactions on Systems,vol SMC-1, no. 4, pp. 364–378. DOI: 10.1109/TSMC.1971.4308320
[8] Yaprakdal, F.,et al.2020.A deep neural network-assisted approach to enhance short-term optimal operational scheduling of a microgrid. Sustainability,Vol 12,Issue 4 https://doi.org/10.3390/su12041653
[9] Moradzadeh, A., et al.2020.Performance evaluation of two machine learning techniques in heating and cooling loads forecasting of residential buildings. Applied Sciences,Vol 10,Issue 11. https://doi.org/10.3390/app10113829