نشریه علمی هیدرولیک

نشریه علمی هیدرولیک

بهینه‌سازی چند هدفه مصرف انرژی در ایستگاه پمپاژ با یک مدل ترکیبی مبتنی بر الگوریتم گرگ خاکستری و رگرسیون بردار پشتیبان

نوع مقاله : مقاله کامل (پژوهشی)

نویسندگان
1 دانشگاه سیستان و بلوچستان
2 گروه مهندسی عمران، دانشکده مهندسی شهید نیکبخت، دانشگاه سیستان و بلوچستان
3 دانشگاه زابل
چکیده
ایستگاه‌های پمپاژ مهمترین مصرف‌کنندگان انرژی در صنعت آب و فاضلاب هستند که انرژی الکتریکی در آن‌ها نقشی اساسی دارد. مهم‌ترین عامل مصرف انرژی در سیستم‌های پمپاژ نحوه عملکرد پمپ است. مصرف انرژی در واحد حجم سیال پمپاژ شده در هر پمپ به ازای دبی‌های مختلف پمپاژ، متفاوت است بدین جهت بازده پمپ با دبی آن تغییر خواهد کرد. در این مقاله نویسندگان یک روش بهینه‌سازی با مدل ترکیبی الگوریتم گرگ خاکستری و رگرسیون بردار پشتیبان را جهت تنظیم یک پمپ در سیستم پمپاژ فاضلاب تحت جریان ورودی متغیر ارائه کرده‌اند. داده‌های دبی استفاده شده در این مدل، مربوط به ایستگاه پمپاژ ورودی تصفیه‌خانه فاضلاب زاهدان است. داده‌های دریافتی با فرکانس ساعتی، با استفاده از روش مونت‌کارلو و توزیع نرمال به داده‌هایی با فرکانس دقیقه‌ای تبدیل شدند. سپس، با بهره‌گیری از الگوریتم بهینه‌سازی گرگ خاکستری و روابط هیدرولیکی پمپاژ، مقادیر بهینه متغیرهای دبی، هد، توان و بازده سیستم تعیین گردید. این مقادیر به عنوان ورودی به مدل رگرسیون بردار پشتیبان وارد شده و مدل برای پیش‌بینی سرعت دوران بهینه پمپ آموزش داده شد. مدل ترکیبی حاصل، منجر به کاهش مصرف انرژی و افزایش بازده پمپ به میزان تقریبی 10 درصد نسبت به حالت دور ثابت در دوره‌های زمانی مختلف شد. مقایسه نتایج شبیه‌سازی سرعت دوران پمپ توسط رگرسیون بردار پشتیبان با نتایج حاصل از الگوریتم گرگ خاکستری، نشان‌دهنده دقت بسیار بالای مدل رگرسیون با ضریب همبستگی (R2) بیش از 0.996 است.
کلیدواژه‌ها

موضوعات


Asadi, A., Verma, A., Yang, K. & Mejabi, B. (2017). Wastewater treatment aeration process optimization: A data mining approach. Journal of environmental management, 203, 630-639.
Chen, H., Mizumoto, M. & Ling, Y. (1992). Automatic control of sewerage pump station by using fuzzy controls and neural networks. Paper presented at the Proc. of the 2nd International Conference on Fuzzy Logic and Neural Networks.
De Keyser, W., Amerlinck, Y., Urchegui, G., Harding, T., Maere, T. & Nopens, I. (2014). Detailed dynamic pumping energy models for optimization and control of wastewater applications. Journal of Water and Climate Change, 5(3), 299-314.
Fecarotta, O., Carravetta, A., Morani, M.C. & Padulano, R. (2018). Optimal pump scheduling for urban drainage under variable flow conditions. Resources, 7(4), 73, https://doi.org/10.3390/ resources7040073.
Fiter, M., Güell, D., Comas, J., Colprim, J., Poch, M. & Rodríguez-Roda, I. (2005). Energy saving in a wastewater treatment process: an application of fuzzy logic control. Environmental technology, 26(11), 1263-1270.
Han, H.-G., Zhang, L., Liu, H.-X. & Qiao, J.-F. (2018). Multiobjective design of fuzzy neural network controller for wastewater treatment process. Applied Soft Computing, 67, 467-478.
Han, H.-g., Zhang, L. & Qiao, J.-f. (2017). Data-based predictive control for wastewater treatment process. Ieee Access, 6, 1498-1512.
Mahmoud, M., Ramadan, M., Naher, S., Pullen, K., Baroutaji, A. & Olabi, A.-G. (2020). Recent advances in district energy systems: A review. Thermal Science and Engineering Progress, 20, 100678, https:// doi.org/10.1016/j.tsep.2020.100678.
Ormsbee, L.E. & Lansey, K. E. (1994). Optimal control of water supply pumping systems. Journal of Water Resources Planning and Management, 120(2), 237-252.
Piri, J., Pirzadeh, B., Keshtegar, B. & Givehchi, M. (2021). Reliability analysis of pumping station for sewage network using hybrid neural networks-genetic algorithm and method of moment. Process Safety and Environmental Protection, 145, 39-51.
Pulido-Calvo, I., Gutiérrez-Estrada, J.C. & Asensio-Fernández, R. (2006). Optimal design of pumping stations of inland intensive fishfarms. Aquacultural Engineering, 35(3), 283-291.
Syafiie, S., Tadeo, F., Martinez, E. & Alvarez, T. (2011). Model-free control based on reinforcement learning for a wastewater treatment problem. Applied Soft Computing, 11(1), 73-82.
Torregrossa, D., Hansen, J., Hernández-Sancho, F., Cornelissen, A., Schutz, G. & Leopold, U. (2017). A data-driven methodology to support pump performance analysis and energy efficiency optimization in Waste Water Treatment Plants. Applied energy, 208, 1430-1440.
Yagi, S. & Shiba, S. (1999). Application of genetic algorithms and fuzzy control to a combined sewer pumping station. Water Science and Technology, 39(9), 217-224.
 

  • تاریخ دریافت 30 اردیبهشت 1403
  • تاریخ بازنگری 31 مرداد 1403
  • تاریخ پذیرش 12 شهریور 1403