Fosil Yakıtlı Bir Enerji Santrali Prosesinin Modellenmesi ve Ana Buhar Basıncı Parametresinin Kestirim Başarımı Analizi

Günümüzde sıkça kullanılmakta olan fosil yakıtlı enerji santralleri, sanayi ve üretim sektörünün vazgeçilmezi olan elektrik enerjisi ve buhar ihtiyacını gidermesi nedeniyle kritik bir öneme sahip olmakla birlikte, çevreye olumsuz etkileri nedeniyle değişik tartışmalara sebebiyet vermektedir. Bu çalışmada, Türkiye’ de kurulu bulunan 135 MW’ lık enerji üretim kapasitesine sahip fosil yakıtlı bir enerji santralinin işletme ve proses analizi yapılmış ve kritik operasyon parametrelerinden 19 adeti seçilerek güncel yapay zeka yöntemlerinden olan Yapay Sinir Ağları (YSA) ile santralin modellemesi gerçekleştirilmiştir. Santralden elde edilen geçmiş döneme ait her bir parametreye ait 1440 adet proses verisi, veri madenciliği teknikleri ile harmanlanmış, işletmenin en önemli çıkış parametrelerinden biri olan ana buhar basıncı değerinin çeşitli yaklaşım ve denemelerle tahmin edildiği bir kestirim çalışması sunulmuştur. Çıkan sonuçlar, istatistiksel kestirim yöntemlerinden biri olan ve literatürde sıkça kullanılan Çoklu Doğrusal Regresyon (ÇDR) yöntemi ile karşılaştırılmıştır. Kök ortalama karesel hata yaklaşımı ve determinasyon katsayısı ile başarım takibi yapılan bu kestirim çalışmasında, sırasıyla, YSA modelinden elde edilen 0,994 ve 0,0039 değerlerinin, ÇDR modelinden elde edilen 0,970 ve 0,0172 değerlerine göre daha iyi başarım gösterdiği bulunmuştur. Ayrıca literatürdeki benzer bir çalışma ile karşılaştırma yapılarak, çalışmada seçilen giriş değişkenleri ve YSA model parametrelerinin çok başarılı olduğu gösterilmiştir.

Anahtar Kelimeler:

Enerji Santralleri, Yapay Sinir Ağları, Çoklu Doğrusal Regresyon, Kestirim

Modeling of a Fossil Fuel-Fired Power Plant Process and Analysis of Prediction Success of Main Steam Pressure Parameter

Although fossil fuel fired power plants, which are frequently used nowadays, have critical importance due to electricty and steam production for industry and manufacturing works, they are under criticism due to their negative impacts on the environment. In this study, an operation and process analysis of a 135 MW fossil fuel fired power plant located at Turkey is carried out and the plant is modeled with Artificial Neural Networks (ANN), which is one of contemporary artificial intelligence method, selecting 19 critical input parameters. Previous process values of the parameters are obtained from the power plant, each contains 1440 process data, blended with data mining techniques, and main steam pressure parameter, which is one of the most important output parameter of the plant, is estimated by various approaches and experiments. The results are compared with the Multiple Linear Regression (MLR) approach, one of the frequently used statistical forecasting method in literature. In this estimation study, root mean square error and determination coefficient terms are used for comparison, and the outputs are founded as 0.0994 and 0.0039 for ANN model, 0.970 and 0.0172 for MLR model respectively. Additionally, a comparison benchmarking is made with a similar study in literature, and it is shown that the parameters of ANN model and selection of input variables are found very successful.

Keywords:

Artificial Neural Networks, Multiple Linear Regression, Power Plants, Prediction,

PDF

___

[1] TC Enerji ve Tabii Kaynaklar Bakanlığı web sitesi, (14.08.2018). [Online]. Erişim: http://www.enerji.gov.tr/tr-TR/Sayfalar/Elektrik
[2] Y. Tunçkaya, E. Köklükaya, “Comparative Prediction Analysis of 600 MWe Coal-Fired Power Plant Production Rate using Statistical and Neural-based Models,” Journal of the Energy Institute, vol. 88, no. 1, pp. 11-18, February 2015.
[3] P. Tüfekci, “Prediction of full load electrical power output of a base load operated combined cycle power plant using machine learning methods,” International Journal of Electrical Power & Energy Systems, vol. 60, pp. 126-140, 2014.
[4] X. Liu, P. Guan, C. W. Chan, “Nonlinear Multivariable Power Plant Coordinate Control by Constrained Predictive Scheme,” IEEE Transactions on Control Systems Technology, vol. 18, no. 5, pp. 1116-1125, 2010.
[5] S. De, M. Kaiadi, M. Fast, M. Assaidi, “Development of an artificial neural network model for the steam process of a coal biomass cofired combined heat and power (CHP) plant in Sweden,” Energy, vol, pp. 2099–2109, 2007.
[6] H. İ. Topal, M. Kopaç, M. Eyriboyun, “Çatalağzı Termik Santrali ile Bölgesel Isıtma Yapılabilirliğin Enerji Analizi,” Isı Bilimi ve Tekniği Dergisi, c. 37, s. 1, ss. 139-146, 2017.
[7] F. Kara, K. Aslantaş, A. Çiçek, “Prediction of cutting temperature in orthogonal machining of AISI316L using artificial neural network,” Applied Soft Computing, vol. 38, pp. 64-74, 2016.
[8] F. Kara, K. Aslantaş, A. Çiçek, “ANN and multiple regression method-based modelling of cutting forces in orthogonal machining of AISI 316L stainless steel,” Neural Computing & Applications, vol. 26, no. 1, pp. 237-250, 2015.
[9] Y. Tunçkaya, E. Köklükaya, “Comparative performance evaluation of blast furnace flame temperature prediction using artificial intelligence and statistical methods,” Turkish Journal of Electrical Engineering & Computer Sciences, vol. 23, no. 3, pp. 1163-1175, 2016.
[10] E. Öztemel, “Yapay Sinir Ağları”, 1. baskı, İstanbul, Türkiye: Papatya Yayıncılık, 2003, böl. 2, ss. 29-41.
[11] C. İ. Kocatepe, O. Yıldız, “Ekonomik Endeksler Kullanılarak Türkiye’deki Altın Fiyatındaki Değişim Yönünün Yapay Sinir Ağları İle Tahmini,” Düzce Üniversitesi Bilim ve Teknoloji Dergisi, c. 4, ss. 926-934, 2016.
[12] C. Özcan, B. Ayvaz, “Çoklu Regresyon Yöntemi ile Tedarik Zinciri Performansı ve Uygulama Derecesinin İşletme Karlılığı Üzerindeki Etkisinin İncelenmesi,” İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, c. 14, s. 28, ss. 1-14, 2015.
[13] G. T. Kayaalp, M. Ç. Güney, Z. Cebeci, “Çoklu Doğrusal Regresyon Modelinde Değişken Seçiminin Zootekniye Uygulanışı,” Ç.Ü.Z.F. Dergisi, c. 30, s. 1, ss. 1-8, 2015.
[14] S. Chandrasekharan, R. C. Panda, B. N. Swaminathan, “Statistical modeling of an integrated boiler for coal fired thermal power plant,” Heliyon, vol. 3, no. 6, 2017.
[15] N. Radmilovic, S. Stojakovic, G. Kvascev, “One Solution of Main Controller in Thermal Power Plants,” Journal of Automatic Control, University of Belgrade, vol. 18, no. 1, pp. 5-8, 2008.
[16] Y. Tunçkaya, “Performance assessment of permeability index prediction in an ironmaking process via soft computing techniques,” Proceedings of the Institution of Mechanical Engineers, Part E: Journal of Process Mechanical Engineering, vol. 231, no. 6, 2017.