هوش مصنوعی و بهینه‌سازی مصرف گاز طبیعی در شبکه انرژی

به گزارش انرژی خبر؛ به گزارش ایسنا و به نقل از روابط عمومی مرکز اطلاعات علمی جهاددانشگاهی SID، گاز طبیعی به‌عنوان یکی از مهم‌ترین سوخت‌های فسیلی در نظام انرژی جهانی با چالش‌هایی نظیر نوسان تقاضا و عدم قطعیت در میزان مصرف مواجه است. در این شرایط، خطا در پیش‌بینی یا تخصیص گاز طبیعی می‌تواند پیامدهایی از جمله افزایش هزینه، اتلاف انرژی و عدم تعادل در شبکه‌های توزیع و نیروگاهی به همراه داشته باشد.

روش‌های سنتی پیش‌بینی مانند رگرسیون خطی و برخی مدل‌های آماری به‌دلیل محدودیت در تحلیل رفتارهای غیرخطی و پیچیده، با چالش‌هایی مواجه شده‌اند و پژوهشگران به استفاده از الگوریتم‌های هوش مصنوعی، یادگیری ماشین و مدل‌های ریاضی چندهدفه روی آورده‌اند.

براساس گزارش مرکز اطلاعات علمی، به‌منظور بررسی مطالعات علمی مرتبط با بهینه‌سازی مصرف گاز طبیعی، عبارت «gas consumption» AND «Optimization» در پایگاه Scopus جست‌وجو شد. پس از حذف مطالعات بلاک‌چین، مدارک علمی براساس میزان ارتباط مرتب شد و در نهایت ۲۰ مدرک علمی برای تهیه این گزارش مورد استفاده قرار گرفت.

یکی از این مطالعات به واحدهای بازیافت گوگرد (SRU) در پالایشگاه‌ها مربوط می‌شود که از مصرف‌کنندگان گاز طبیعی به شمار می‌روند. در این تحقیق، پژوهشگران با استفاده از ترکیب مدل‌سازی نرم‌افزار Chemkin Pro و Aspen Hysys در محیط MATLAB، یک فرایند بهینه‌سازی چندهدفه را با الگوریتم ژنتیک (GA) پیاده‌سازی کردند.

هدف این مدل، کمینه‌سازی مصرف گاز سوخت و دمای پیش‌گرمایش هوا و گاز اسیدی بود، در حالی‌که میزان BTEX در خروجی دیگ بخار بازیافت حرارت (WHB) باید کمتر از یک قسمت در میلیون (1ppm) باقی می‌ماند. نتایج نشان داد که حفظ دمای کوره در ۱۰۲۸ درجه سانتی‌گراد برای تخریب کامل آلاینده‌ها کافی است و با بهینه‌سازی، میزان مصرف گاز سوخت کاهش قابل توجهی را تجربه کرد.

علاوه بر این، پیش‌بینی دقیق تقاضای گاز طبیعی یکی از بخش‌های کلیدی برنامه‌ریزی انرژی است. در مطالعات بررسی‌شده، مدل‌های قدیمی نظیر ARIMA و رگرسیون خطی به‌دلیل محدودیت در تحلیل رفتارهای غیرخطی دقت کمتری داشتند. در یک مطالعه در ترکیه، مدل گرگ خاکستری غیرخطی به‌کار گرفته شد و در مطالعه‌ای دیگر در چین، الگوریتم جنگل تصادفی برای استخراج متغیرهای کلیدی مؤثر بر مصرف گاز طبیعی استفاده شد.

این مطالعات نشان دادند که مدل‌های هوش مصنوعی می‌توانند به‌طور مؤثری در پیش‌بینی تقاضای گاز و بهینه‌سازی مصرف آن نقش ایفا کنند. همچنین یکی دیگر از مطالعات به نقش گاز طبیعی در ادغام انرژی‌های تجدیدپذیر، به‌ویژه انرژی بادی، در شبکه برق پرداخته است.

مدل‌هایی که در این پژوهش‌ها طراحی شده‌اند می‌توانند علاوه‌بر کاهش خطاهای پیش‌بینی، ظرفیت پذیرش انرژی بادی را نیز افزایش دهند. این یافته‌ها اهمیت استفاده از هوش مصنوعی در بهینه‌سازی مصرف گاز در سطوح مختلف زنجیره انرژی را نشان می‌دهد.