ANFIS-based prediction of power generation for combined cycle power plant

Titel: ANFIS-gebaseerde voorspelling van energieopwekking voor een gecombineerde cycluskrachtcentrale

Auteurs: Maryam Paparimoghadamborazjani en Amin Kazemi
Affiliatie: Lakehead University en University of Toronto

1. Probleemstelling

Gecombineerde cycluskrachtcentrales (CCPP) zijn complexe systemen waarbij warmte uit de uitlaatgassen van een gasturbine wordt gebruikt om stoom te genereren voor een stoomturbine, waardoor het rendement wordt verhoogd. Het analytisch modelleren van de elektrische output van dergelijke centrales is echter zeer moeilijk vanwege de niet-lineaire dynamiek en de vele interacties tussen componenten.

Traditionele analytische methoden zijn vaak onhaalbaar of te duur om de relatie tussen omgevingsfactoren en de geproduceerde elektriciteit nauwkeurig te voorspellen. Het doel van dit onderzoek is het ontwikkelen van een nauwkeurig en snel voorspellingsmodel voor de elektrische output ($E$) van een CCPP, gebaseerd op drie invoerparameters:

• Omgevingstemperatuur ($T$)
• Omgevingsdruk ($P$)
• Relatieve vochtigheid ($H$)

2. Methodologie

De auteurs hebben een Adaptive Neuro-Fuzzy Inference System (ANFIS) ontwikkeld. Dit is een hybride kunstmatige intelligentietechniek die de leercapaciteit van neurale netwerken combineert met de kennisrepresentatie van fuzzy logica.

• Architectuur:
  • Invoer: 3 variabelen ($T, P, H$).
  • Fuzzy Sets: Elke invoer wordt gefuzzified met 3 Gaussische lidmaatschapsfuncties (MF's).
  • Regels: Er zijn 27 "IF-THEN" regels gedefinieerd (3 invoer $\times$ 3 MF's = $3^3$ regels).
  • Defuzzificatie: Er wordt gebruikgemaakt van een Sugeno-type model van de eerste orde, waarbij de output een lineaire combinatie van de invoer is.
• Trainingsalgoritme:
  • Het model wordt getraind met een hybride algoritme dat twee methoden combineert:
    1. Kleinst-kwadraten-schatting (LSE): Voor het optimaliseren van de lineaire consequent-parameters.
    2. Gradiëntafdaling (Gradient Descent): Voor het updaten van de niet-lineaire premisse-parameters (centrum en breedte van de MF's).
  • De kostenfunctie die geminimaliseerd wordt is de Root Mean Square Error (RMSE).
• Data:
  • Gebruikt is een dataset van een CCPP in Turkije (verzameld in 2015, beschikbaar via UCI Machine Learning Repository).
  • De data is verdeeld in een trainingsset (80%) en een testset (20%).
  • Er is ook een synthetische dataset gebruikt (Mackey-Glass vergelijking) om de code te valideren.

3. Belangrijkste Bijdragen

• Aangepaste MATLAB-code: De auteurs hebben een aangepaste MATLAB-code ontwikkeld die specifiek is ontworpen voor deze toepassing, in plaats van alleen de standaard ANFIS-toolbox te gebruiken.
• Validatie: De code is grondig gevalideerd door:
  1. Het benaderen van een bekende niet-lineaire vergelijking.
  2. Het voorspellen van chaotische tijdreeksdata (Mackey-Glass).
  3. Vergelijken met de resultaten van de standaard MATLAB ANFIS-toolbox.
• Parameteranalyse: Uitgebreid onderzoek naar de invloed van verschillende hyperparameters, waaronder:
  • Het type lidmaatschapsfunctie (Gaussisch, driehoekig, trapezium, etc.).
  • De leerfactor ($\eta$).
  • Het risico van overfitting en de optimale stopconditie voor training.

4. Resultaten

• Nauwkeurigheid:
  • Het aangepaste ANFIS-model toonde een uitstekende voorspellende capaciteit.
  • De correlatiecoëfficiënt ($R^2$) tussen de voorspelde en werkelijke waarden was 0,943.
  • De RMSE voor de testdata was 6,701 voor de aangepaste code, wat iets beter was dan de 6,735 van de standaard MATLAB-toolbox.
• Snelheid:
  • De aangepaste code was aanzienlijk sneller dan de toolbox.
  • Tijd per epoch: 0,16 seconden (aangepaste code) vs. 0,55 seconden (toolbox).
• Optimalisatie van Parameters:
  • Lidmaatschapsfuncties: Gaussische MF's bleken de beste prestaties te leveren. Trapezium- en Pi-vormige functies presteerden slechter bij Sugeno-modellen van de eerste orde.
  • Leerfactor: Een dynamische aanpassing van de leerfactor (verhogen bij dalende fout, verlagen bij stijgende fout) leidde tot snellere convergentie en een lagere RMSE (4,0126) in slechts 118 epochs.
  • Overfitting: Training na 650 epochs leidde tot overfitting (de fout op de testdata nam toe terwijl de trainingsfout daalde).
  • Normalisatie: Normalisatie van de data bleek in dit specifieke geval niet nodig en kon zelfs leiden tot divergentie, waarschijnlijk omdat de bereik van de invoerdata niet sterk verschildde.

5. Betekenis en Conclusie

Het onderzoek demonstreert dat ANFIS een zeer effectieve techniek is voor het modelleren van complexe, niet-lineaire systemen zoals gecombineerde cycluskrachtcentrales.

• Efficiëntie: De ontwikkelde aangepaste code biedt een betere balans tussen nauwkeurigheid en rekentijd in vergelijking met de standaard MATLAB-toolbox.
• Toepasbaarheid: De methode is robuust en kan worden toegepast op andere engineering- en niet-engineeringvelden waar nauwkeurige voorspellingen nodig zijn op basis van onzekere of complexe data.
• Praktische implicatie: Door het vermogen om de output van een krachtcentrale nauwkeurig te voorspellen op basis van omgevingscondities, kunnen operators de efficiëntie optimaliseren en de energievoorziening beter plannen.

De auteurs concluderen dat ANFIS, in combinatie met een optimale strategie voor dataselectie en parameterinstelling, een van de meest efficiënte modelleringstechnieken is die beschikbaar is, en een veelbelovend alternatief voor conventionele analytische methoden.