بهینه‌سازی عملکرد نیروگاه‌های بخار با استفاده از شبکه عصبی دو بعدی cnn با تاکید بر کنترل آلایند‌گی و تاثیرات زیست‌محیطی

مقدمه:در این مقاله در ابتدا تجهیزات نیروگاه بخار مورد بررسی قرار گرفته است و در مرحله بعد اثرات مخرب ناشی از شرایط محیطی مانند دما، حرارت و شرایط جوی بر عملکرد نیروگاه‌ها 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 راه‌حل‌هایی جهت کاهش مصارف داخلی نیروگاه با توجه به فاکتور شرایط محیطی و کنترل آلایندگی پرداخته شده است.مواد و روش ها: 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 شرایط جغرافیایی، کنترل آلایندگی و آب‌وهوایی در ایران، درصد مصارف داخلی و واحدهای صنعتی بهره‌برداری شده و میزان بار مورد بررسی و تحلیل قرار گرفته است. اقدامات نیروگاه جهت کاهش مصارف داخلی و کاهش تلفات حرارتی و الکتریکی به‌صورت برنامه‌ریزی جهت خارج نمودن فن‌های برج با توجه به دمای آب خنک‌کن و تغییرات دمای هوای محیط و کاهش نسبی مصارف الکتریکی 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 0.96، میانگین قدرمطلق خطا برابر 0.063 و جذر میانگین مربعات خطا برابر 0.0096، و هم‌چنین روش رگرسیون فرآیند گوسی با ضریب تعیین 0.94، میانگین قدرمطلق خطا برابر 0.093، عملکرد بسیار مطلوب و با ضریب اطمینان بالایی در کاهش اثرات مخرب و کارایی بهتر سیستم را ایجاد و تامین خواهد کرد.نتیجه گیری: 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.

performance optimization of steam power plants using 2d cnn neural network with emphasis on pollution control and environmental impacts

in this paper, at first, the equipment of the steam power plant has been investigated, and in the next step, the destructive effects of environmental conditions such as temperature, heat, and atmospheric conditions on the performance of power plants and pollution control have been presented in a specialized way of steam power plant, and finally, a proposed model using deep learning algorithms is presented in order to reduce the destructive effects, control pollution and optimize the performance of power plants using the network. two-dimensional convolutional neuroconvolution and solutions to reduce the internal consumption of power plants according to the factor of environmental conditions and emission control have been done. in this study, data are processed and divided into three categories: education, validation, and testing. then, the artificial intelligence method is trained with learning data to achieve optimal accuracy and finally optimization. in this study, geographical conditions, pollution and climatic control in iran, the percentage of domestic consumption and industrial units exploited, and the amount of load have been investigated and analyzed. the measures of the power plant to reduce internal consumption and reduce thermal and electrical losses have been presented in the form of planning to remove the tower fans according to the cooling water temperature and changes in the ambient air temperature and the relative reduction of electrical consumption using deep learning and in an intelligent way using educational data and two-dimensional convolutional neural network. the absolute error and the root mean square of the error that cover a high confidence factor are formed and investigated. the results show that the proposed hybrid artificial intelligence method with a coefficient of determination of 0.96, an average absolute error of 0.063 and a root mean square error of 0.0096, as well as the gaussian process regression method with a coefficient of determination of 0.94, an average absolute error of 0.093, will create and provide a very desirable performance and a high reliability factor in reducing the destructive effects and better efficiency of the system. in this study, the amount of destructive environmental impact and pollution effects has been greatly reduced by using deep learning and artificial intelligence, and this increases the reliability factor of the system and improves the acceptable performance of power plants in times of load, and the results indicate that the proposed hybrid artificial intelligence method is more accurate in estimating and optimizing systems and has a higher reliability factor.