ارایه یک چارچوب یکپارچه هوش مصنوعی برای بهینه‌سازی مدیریت انرژی و توسعه پایدار در زنجیره‌تامین نیروگاه‌های حرارتی و شبکه‌های توزیع: مطالعه موردی ایران

نویسندگان

  • مصطفی مهدوی آکردی گروه مهندسی صنایع، واحد نور، دانشگاه آزاد اسلامی، نور، ایران.
  • فاطمه هرسج * گروه مهندسی صنایع، واحد نور، دانشگاه آزاد اسلامی، نور، ایران. https://orcid.org/0009-0007-4256-0881
  • امید جلیلی گروه مهندسی فیزیک، واحد نور، دانشگاه آزاد اسلامی، نور، ایران.
  • کوروش نعمتی گروه مهندسی کامپیوتر، واحد نور، دانشگاه آزاد اسلامی، نور، ایران.
  • رحمت درزی گروه ریاضی، واحد نکا، دانشگاه آزاد اسلامی، نکا، ایران.

https://doi.org/10.22105/mmaa.v2i4.112

چکیده

هدف: مدیریت بهینه انرژی در سیستم‌های صنعتی، به‌ویژه نیروگاه‌های حرارتی، به‌عنوان یک ضرورت کلیدی برای تحقق توسعه پایدار و کاهش آلاینده‌های زیست‌محیطی شناخته می‌شود. این پژوهش با هدف طراحی و اعتبارسنجی یک چارچوب یکپارچه هوش مصنوعی برای بهینه‌سازی همزمان تولید و توزیع انرژی در سیستم‌های صنعتی ایران انجام شده است.

روش‌شناسی پژوهش: این مطالعه از نوع کاربردی-توسعه‌ای بوده و در آن از یک چارچوب ترکیبی دو مرحله‌ای استفاده شد. در مرحله اول، از مدل‌های یادگیری عمیق (حافظه طولانی کوتاه‌مدت و  شبکه عصبی کانولوشن) برای پیش‌بینی دقیق بار شبکه‌های توزیع بهره گرفته شد. در مرحله دوم، از الگوریتم بهینه‌سازی ازدحام ذرات برای بهینه‌سازی پارامترهای عملیاتی نیروگاه‌های حرارتی استفاده گردید. مدل‌ها با استفاده از ۳۶۵۰۰ رکورد داده روزانه از سه نیروگاه حرارتی (نکا، شازند و منتظری) و شبکه‌های توزیع مرتبط در بازه زمانی ۱۴۰۱ تا ۱۴۰۳ آموزش و با معیارهای MAE، RMSE و R² ارزیابی شدند.

یافته‌ها: نتایج نشان داد که چارچوب پیشنهادی به میانگین دقت %8/94 در پیش‌بینی بار دست یافت که نسبت به مدل‌های کلاسیک (%81) بهبودی چشم‌گیر داشت. پیاده‌سازی مدل بهینه‌سازی نیز منجر به کاهش %5/9 مصرف سوخت، افزایش %7/6 راندمان کلی و کاهش %2/7 در انتشار دی‌اکسید کربن (CO₂) شد. یک یافته جانبی نشان داد در شرایطی که داده‌ها از همگنی بالایی برخوردار باشند، مدل‌های ساده‌تری مانند  ماشین بردار پشتیبانی نیز می‌توانند عملکردی مشابه مدل‌های پیچیده داشته باشند.

اصالت/ارزش افزوده علمی: ترکیب هوشمندانه مدل‌های پیش‌بین یادگیری عمیق با الگوریتم‌های بهینه‌سازی، راهکاری عملی و موثر برای ارتقای همزمان شاخص‌های اقتصادی و زیست‌محیطی در صنعت انرژی ایران است. این چارچوب می‌تواند به‌عنوان یک نقشه راه برای سیاست‌گذاران و مدیران صنعتی در راستای تحقق اهداف توسعه پایدار مورد استفاده قرار گیرد.

کلمات کلیدی:

هوش مصنوعی، مدیریت انرژی، توسعه پایدار، نیروگاه حرارتی، پیش‌بینی بار، الگوریتم ازدحام ذرات، یادگیری عمیق

مراجع

  1. [1] International Energy Agency. (2022). CO₂ emissions in 2022–global energy review. (In Persian). https://www.iea.org/reports/co2-emissions-in-2023
  2. [2] Ministry of Energy. (2013). Statistical yearbook of the Iranian electricity industry 2012. (In Persian). https://amar.tavanir.org.ir/pages/omomi/tozee1401.pdf
  3. [3] European Commission. (2022). digitalising the energy system. https://energy.ec.europa.eu/topics/eus-energy-system/digitalisation-energy-system_en
  4. [4] Alhussein, M., Aurangzeb, K., & Haider, S. I. (2020). Hybrid CNN-LSTM model for short-term individual household load forecasting. IEEE access, 8, 180544–180557. https://doi.org/10.1109/ACCESS.2020.3028281
  5. [5] Wang, L., Yang, Y., Dong, C., Morosuk, T., & Tsatsaronis, G. (2014). Multi-objective optimization of coal-fired power plants using differential evolution. Applied energy, 115, 254–264. https://doi.org/10.1016/j.apenergy.2013.11.005
  6. [6] Zhou, K., Fu, C., & Yang, S. (2016). Big data driven smart energy management: From big data to big insights. Renewable and sustainable energy reviews, 56, 215–225. https://doi.org/10.1016/j.rser.2015.11.050
  7. [7] Ahmad, T., & Zhang, D. (2020). A critical review of comparative global historical energy consumption and future demand: The story told so far. Energy reports, 6, 1973–1991. https://doi.org/10.1016/j.egyr.2020.07.020
  8. [8] Maleki, A. (2021). Modeling and optimization of energy systems. Journal of thermal analysis and calorimetry, 144(5), 1635–1638. https://doi.org/10.1007/s10973-021-10782-7
  9. [9] Lu, S., & Bao, T. (2024). Short-term electricity load forecasting based on neuralprophet and CNN-LSTM. IEEE access, 12, 76870–76879. https://doi.org/10.1109/ACCESS.2024.3407094
  10. [10] Olesen, J. F, & Shaker, H. R. (2020). Predictive maintenance for pump systems and thermal power plants: State-of-the-art review, trends and challenges. Sensors, 20(8), 2425. https://doi.org/10.3390/s20082425
  11. [11] Zhan, X., Xu, H., Zhang, Y., Zhu, X., Yin, H., & Zheng, Y. (2022). DeepThermal: Combustion optimization for thermal power generating units using offline reinforcement learning. Proceedings of the AAAI conference on artificial intelligence, 36(4), 4680–4688. https://doi.org/10.1609/aaai.v36i4.20393
  12. [12] Nondy, J., & Gogoi, T. K. (2021). A comparative study of metaheuristic techniques for the thermoenvironomic optimization of a gas turbine-based benchmark combined heat and power system. Journal of energy resources technology, 143(6), 62104. https://doi.org/10.1115/1.4048534
  13. [13] Wang, Z., Zheng, H., Xu, J., Li, M., Sun, E., Guo, Y., … , & Liu, G. (2022). The roadmap towards the efficiency limit for supercritical carbon dioxide coal fired power plant. Energy conversion and management, 269, 116166. https://doi.org/10.1016/j.enconman.2022.116166
  14. [14] Kumar, S., Managi, S., & Jain, R. K. (2020). CO2 mitigation policy for Indian thermal power sector: Potential gains from emission trading. Energy economics, 86, 104653. https://doi.org/10.1016/j.eneco.2019.104653
  15. [15] Rahman, M., Park, S., & Kim, J. (2019). A comparative study of SVM and LSTM for short-term load forecasting under different data variability conditions. Energies, 12(18), 3511.

دانلود

چاپ شده

2025-10-28

شماره

دوره 2 شماره 4 (2025): مدیریت: مدلسازی، تحلیل‌ها و کاربردها

نوع مقاله

مقالات شماره جاری

ارجاع به مقاله

مهدوی آکردی م., هرسج ف., جلیلی ا., نعمتی ک., & درزی ر. (2025). ارایه یک چارچوب یکپارچه هوش مصنوعی برای بهینه‌سازی مدیریت انرژی و توسعه پایدار در زنجیره‌تامین نیروگاه‌های حرارتی و شبکه‌های توزیع: مطالعه موردی ایران. مدیریت: مدلسازی، تحلیل‌ها و کاربرد, 2(4), 239-252. https://doi.org/10.22105/mmaa.v2i4.112
Crossref
Scopus
Google Scholar
Europe PMC

مقالات مشابه

##common.pagination##

همچنین برای این مقاله می‌توانید شروع جستجوی پیشرفته مقالات مشابه.