mehdi nakhzari pooster
- 1. چکیده
شپیبینیزمانتعمیراتایهدورواساسیتوربینگازبر
اساسبینیشپیتولیدروزانهانرژی،الکتریکیدرهانیروگهایبرق
بهریزیهبرنامقدقیتعمیراتوهاییبازرساساسیمی،انجامدو
درنهایتاینموضوعباعثجوییهصرفاقتصادیوبهبودراندمان
تولیدشودیم.دراین،تحقیقبینیشپیتولیدروزانهتوربینگاز
بصورتروزانهبااستفادهازروشANFISصورتگرفتهاستتابر
اساسآنکارکردتوربینگازدرآیندهبینیشپیوازآنجهت
ریزیهبرنامتعمیراتدورهایواساسیاستفادهشود.نتایجحاصل
ازروشارائهشدهباکمترینخطاوبیشتریندقت،میزانتولید
روزانهتوربینگازرانشاندهدیم.
درهایهنیروگابرقباتوجهبهمیزانکردرکاتوربینگاز
تعمیراتایهدورواساسیصورتمیگیرد.اگرزمانتعمیرات
اساسیوایهدورپیشبینیتوانیشود،مریزیهبرناممطلوبی
بمنظورانجامتعمیراتارائهکردکهبهلحاظاقتصادیبرایتامین
قطعاتموردنیازوبکارگیریبهینهنیرویانسانیبسیارسودمند
است.درتحقیقپیشروازروشسیستماستنتاجعصبی–فازی
تطبیقیبرایپیشبینیتولیدتوربینگازبراساسهایهدادگرد
آوریشدهشاملدما،رطوبت،فشاراتمسفر،طولروزومقدار
تولیدانرژیالکتریکیتوربینگازدردورهدوسالهاستفادهشده
است.اینهاهدادبهصورتروزانهازطریققرائتحسگرهای
مربوطهطیدوسالبدستآمدهاست.درروشپیشنهادی
متغیرهایمستقلشاملدما،رطوبت،فشاراتمسفروطول
روزهشبانوانرژیتولیدیگازنتوربیبعنوانتابعهدفبهشبکه
آموزشسیستماستنتاجعصبی–فازیتطبیقیدرمدتدوسال
دادهشدهاست،کهدادههایمذکورازطریقتولباکسنرمافزار
متلببهالگوریتمموردنظردادهشدهوبرایآموزشاز
تابعGaussmfاستفادهشدهاست.پسازآموزشسیستماستنتاج
عصبی–فازیتطبیقیهمانندشکلزیربامیتوانبهازای
مشاهداتجدیدخروجیجدیدیبدستآورد.حالبهمدت
چندینروزشرایطمحیطیجدیدشاملدما،رطوبت،فشاراتمسفر
وطولروزرابهعنوانورودیالگوریتممورداستفاده(سیستم
استنتاجعصبی–فازیتطبیقی)دادهوتازمانیاینکارادامهمی
یابدکهزماناولیناستانداردتعمیراتمشخصشود.سپسبر
اساسزمانبدستهآمدبهریزیهبرنامجهتتعمیراتپرداختهمی
شود.
[1]Azadeh, A., Saberi, M, Nadimi, I. and Behrooznia,
V. M. A. (2010). “AnIntegrated Intelligent Neuro-Fuzzy
Algorithm for Long-Term Electricity Consumption: Cases
of Selected EU Countries”, Acta Polytechnica Hungarica,7:
71-90.
[2]Iranmanesh, H, M. and miranian, A. (2011).
“Forecasting energy consumption using fuzzy transform
and local linear neuro fuzzy models”,International Journal
on Soft Computing, 2: 11-24.
[3]Mordjaoui, M. and boudjema, B. (2011).
“Forecasting and Modeling Electricity Demand Using Anfis
Predictor”, Journal of Mathematics and Statistics, 7: 275-
281.
[4]Tanaka, K. (1998), “An Introduction to Fuzzy
Logic for Practical Applications”, Prantice-Hall
International Editions.
[5]Fahimifard, S. M. Homayounifar, M. Salarpour, M.
Sabuhi, M., and Shirzady,S. (2009), “Application of ANFIS
to Exchange Rate Forecasting”, China-USA Business
Review, 8(6): 22-30.
روشاستنتاجعصبی–فازیتطبیقییکیازهاییشرواست
کهباکارگیریهبآن،توانیمپارامترهایمؤثردرفرایند
گیریمتصمیراازطریقاستراتژیاستداللشبیهبهآنچهانسان
انجامدهدیمبااعتمادپذیریباالییانجامداد.اینمدلهابهورودی
هایکمتروتالشمحاسباتیاندکینیازدارد.برایریزیهبرنام
جهتتعمیراتتوربینگاز بهپیشبینیکارکردمیزانانرژی
الکتریکیتولیدیتوربینگازنیازاست.دراینمطالعهبااستفادهاز
سیستماستنتاجعصبی–فازیتطبیقیبهپیشبینیمقدارانرژی
الکتریکیتولیدیبراساسمتغیرهایدما،رطوبت،فشاراتمسفرو
طولروزپرداختهشدهاست.نتایجونمودارهایخروجیازالگوریتم
،پیشنهادینشاندهندهمتوسطخطایپیشبینی3%وحداکثر
خطایپیشبینی13%نسبتبهمقدارواقعیانرژیالکتریکی
تولیدینتوربیگازدرهشتروزمتوالیاستکهپیشبینیای
قابلقبولوًانسبتدقیقمیباشد.
ریزیهبرنامتعمیراتتوربینگازبااستفادهازANFISمبتنیبرمیزانتولید
(نمونهموردمطالعه:نیروگاهسیکلترکیبیچابهار)
مقدم زری نخ مهدی*،طالتپه احمدزاده محمد
*-مسئول نویسنده:کارشناسمکانیک مهندسی ارشدو چابهار دریایی علوم و دریانوردی دانشگاهصنایع مهندسی ارشد کارشناس
واحد اسالمی ازاد دانشگاهزاهدان
2-دریایی علوم و دریانوردی دانشگاه علمی ،هیئت مکانیک مهندسی دکترایچابهار
Mehdi.nakhzari@gmail.com
مقدمهتحقیق روش یا نظری مبانیتحلیل و نتایج
منابع
تحقیق هدف و سوال
هدفازاینتحقیقبررسینقشروشاستنتاجعصبی–فاازی
دربرنامهریزیتعمیراتنوربینگازباتوجهبهمیزانتولیدبرقدر
آناست.لذاسوالهایتحقیقرامیتوانچنینبیاانکاردکاه
آیامیتوانباروشاستنتاجعصابی–فاازیباهبرناماهریازی
تعمیراتنوربینگازبهطورقابلقبولیدستیافت؟
آیامیتوانباروشاستنتاجعصبی-فازیباتوجهباهشارایط
محیطیمیزانتولیدبرقتوسطتاوربینگاازراپایشبینای
کرد؟