Прогнозування вищої теплоти згоряння вугілля на вугільних електростанціях в режимі реального часу з використанням експлуатаційних параметрів

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2025.320573

Ключові слова:

прогнозне моделювання, вугільна електростанція, вища теплота згоряння, прогнозування в режимі реального часу

Анотація

У дослідженні представлений новий підхід для оцінки вищої теплоти згоряння вугілля з використанням експлуатаційних даних, що надходять з вугільних електростанцій у режимі реального часу, що дозволяє заповнити прогалини традиційних методів. Як правило, оцінка якості вугілля включає широкі лабораторні випробування, що є недоцільним для застосування в режимі реального часу. В даному дослідженні розробляється практична альтернатива з використанням таких експлуатаційних параметрів, як тиск і температура гострої пари, навантаження, витрата конденсату і витрата вугілля, в якості показників теплотворної здатності вугілля.

Модель, розроблена в дослідженні, дозволяє уникнути трудомістких процесів, пов’язаних з традиційними методами та здійснювати оцінку вищої теплоти згоряння вугілля в режимі реального часу. Емпіричне обґрунтування показало високу точність прогнозування моделі. Про це свідчить значення R2 на рівні 0,9666, що вказує на врахування в ній приблизно 96,66 % дисперсії вищої теплоти згоряння. Ці результати підтверджуються низькими значеннями середньоквадратичної похибки та кореня з середньоквадратичної похибки, що підкреслює чудову ефективність порівняно з традиційними методами.

Ефективне використання експлуатаційних даних дозволяє не тільки вирішити завдання оцінки вищої теплоти згоряння в режимі реального часу, а й оптимізувати процес згоряння та покращити продуктивність електростанції. Практичне застосування даних результатів має ключове значення для контролю якості вугілля та управління роботою електростанції в режимі реального часу, надаючи важливий інструмент для оптимізації управління в галузі виробництва енергії.

На завершення, в дослідженні успішно розроблено та апробовано заснований на даних підхід для прогнозування теплотворної здатності вугілля в режимі реального часу. Цей підхід має потенціал для широкого застосування, що дозволить покращити управління виробництвом енергії та експлуатаційну ефективність у галузі, яка залишається найбільшим постачальником енергії в світі

Біографії авторів

Enrico Gultom, Universitas Indonesia

Master’s Candidate in Mechanical Engineering

Department of Mechanical Engineering

Dimas Angga Fakhri Muzhoffar, Universitas Indonesia

Doctoral

Department of Mechanical Engineering

Muhammad Arif Budiyanto, Universitas Indonesia

Doctoral

Department of Mechanical Engineering

Achmad Riadi, Universitas Indonesia

Doctoral

Department of Mechanical Engineering

Andy Rivai, Institut Teknologi Bandung

Master’s Candidate in Chemical Engineering

Department of Chemical Engineering

Посилання

  1. References
  2. G. Guan, "Clean coal technologies in Japan: A review," Chinese Journal of Chemical Engineering, vol. 25, no. 6, pp. 689-697, 2017/06/01/ 2017, doi: https://doi.org/10.1016/j.cjche.2016.12.008.
  3. A. K. Majumder, R. Jain, P. Banerjee, and J. P. Barnwal, "Development of a new proximate analysis based correlation to predict calorific value of coal," Fuel, vol. 87, no. 13, pp. 3077-3081, 2008/10/01/ 2008, doi: https://doi.org/10.1016/j.fuel.2008.04.008.
  4. A. J. Callejón-Ferre, J. Carreño-Sánchez, F. J. Suárez-Medina, J. Pérez-Alonso, and B. Velázquez-Martí, "Prediction models for higher heating value based on the structural analysis of the biomass of plant remains from the greenhouses of Almería (Spain)," Fuel, vol. 116, pp. 377-387, 2014/01/15/ 2014, doi: https://doi.org/10.1016/j.fuel.2013.08.023.
  5. A. V. Akkaya, "Proximate analysis based multiple regression models for higher heating value estimation of low rank coals," Fuel Processing Technology, vol. 90, no. 2, pp. 165-170, 2009/02/01/ 2009, doi: https://doi.org/10.1016/j.fuproc.2008.08.016.
  6. A. V. Akkaya, "Predicting Coal Heating Values Using Proximate Analysis via a Neural Network Approach," Energy Sources, Part A: Recovery, Utilization, and Environmental Effects, vol. 35, no. 3, pp. 253-260, 2013/02/01 2013, doi: 10.1080/15567036.2010.509090.
  7. K. Büyükkanber, H. Haykiri-Acma, and S. Yaman, "Calorific value prediction of coal and its optimization by machine learning based on limited samples in a wide range," Energy, vol. 277, p. 127666, 2023/08/15/ 2023, doi: https://doi.org/10.1016/j.energy.2023.127666.
  8. P. J. García–Nieto, E. García–Gonzalo, and J. P. Paredes–Sánchez, "Estimation of the coal higher heating value for energy systems relied on ultimate analysis with machine learning techniques," Fuel, vol. 357, p. 130037, 2024/02/01/ 2024, doi: https://doi.org/10.1016/j.fuel.2023.130037.
  9. J. Chen, Y. He, Y. Liang, W. Wang, and X. Duan, "Estimation of gross calorific value of coal based on the cubist regression model," Scientific Reports, vol. 14, no. 1, p. 23176, 2024/10/05 2024, doi: 10.1038/s41598-024-74469-3.
  10. C. Qian, Q. Li, Z. Zhang, X. Wang, J. Hu, and W. Cao, "Prediction of higher heating values of biochar from proximate and ultimate analysis," Fuel, vol. 265, p. 116925, 2020/04/01/ 2020, doi: https://doi.org/10.1016/j.fuel.2019.116925.
  11. A. S. Noushabadi, A. Dashti, F. Ahmadijokani, J. Hu, and A. H. Mohammadi, "Estimation of higher heating values (HHVs) of biomass fuels based on ultimate analysis using machine learning techniques and improved equation," Renewable Energy, vol. 179, pp. 550-562, 2021, doi: 10.1016/j.renene.2021.07.003.
  12. M. Sözer, H. Haykiri-Acma, and S. Yaman, "Prediction of Calorific Value of Coal by Multilinear Regression and Analysis of Variance," Journal of Energy Resources Technology, vol. 144, no. 1, 2021, doi: 10.1115/1.4050880.
  13. T. A. Munshi, L. N. Jahan, M. F. Howladar, and M. Hashan, "Prediction of gross calorific value from coal analysis using decision tree-based bagging and boosting techniques," Heliyon, vol. 10, no. 1, 2024, doi: 10.1016/j.heliyon.2023.e23395.
  14. X. Gao, B. Jia, G. Li, and X. Ma, "Calorific Value Forecasting of Coal Gangue with Hybrid Kernel Function–Support Vector Regression and Genetic Algorithm," Energies, vol. 15, no. 18, doi: 10.3390/en15186718.
  15. M. Dzikuć, P. Kuryło, R. Dudziak, S. Szufa, M. Dzikuć, and K. Godzisz, "Selected Aspects of Combustion Optimization of Coal in Power Plants," Energies, vol. 13, no. 9, doi: 10.3390/en13092208.
  16. A. Reza, ASME PTC 6 Steam Turbine. 2020.
  17. M. A. Bolarinwa and F.-G. Udensi, "Operational Performance Analysis of Generating Power Plant," European Journal of Energy Research, vol. 4, no. 2, pp. 44-56, 06/23 2024, doi: 10.24018/ejenergy.2024.4.2.144.
  18. R. Jradi, C. Marvillet, and M. R. Jeday, "Multi-objective optimization and performance assessment of response surface methodology (RSM), artificial neural network (ANN) and adaptive neuro-fuzzy interfence system (ANFIS) for estimation of fouling in phosphoric acid/steam heat exchanger," Applied Thermal Engineering, vol. 248, p. 123255, 2024/07/01/ 2024, doi: https://doi.org/10.1016/j.applthermaleng.2024.123255.
  19. A. Jankovic, G. Chaudhary, and F. Goia, "Designing the design of experiments (DOE) – An investigation on the influence of different factorial designs on the characterization of complex systems," Energy and Buildings, vol. 250, p. 111298, 2021/11/01/ 2021, doi: https://doi.org/10.1016/j.enbuild.2021.111298.
  20. W. A. Jensen, "Response Surface Methodology: Process and Product Optimization Using Designed Experiments 4th edition," Journal of Quality Technology, vol. 49, no. 2, pp. 186-188, 2017/04/01 2017, doi: 10.1080/00224065.2017.11917988.
  21. N. Draper, Applied regression analysis. McGraw-Hill. Inc, 1998.
  22. R. Rizal, F. Wahyuni, J. Julian, Nasruddin, and F. Yulia, "Optimal design and modelling of sustainable bio-catalytic enzyme for wastewater treatment using response surface methodology and artificial neural network," Energy Sources, Part A: Recovery, Utilization, and Environmental Effects, vol. 46, no. 1, pp. 5254-5273, 2024/12/31 2024, doi: 10.1080/15567036.2024.2332468.
  23. V. Vendittoli, W. Polini, M. S. J. Walter, and S. Geißelsöder, "Using Bayesian Regularized Artificial Neural Networks to Predict the Tensile Strength of Additively Manufactured Polylactic Acid Parts," Applied Sciences, vol. 14, no. 8, doi: 10.3390/app14083184.
  24. S. S. Haykin, Neural Networks and Learning Machines. Pearson, 2009.
  25. R. Jradi, C. Marvillet, and M. R. Jeday, "Modeling and comparative study of heat exchangers fouling in phosphoric acid concentration plant using experimental data," Heat and Mass Transfer, vol. 56, no. 9, pp. 2653-2666, 2020/09/01 2020, doi: 10.1007/s00231-020-02888-9.
  26. K. Yotov, E. Hadzhikolev, and S. Hadzhikoleva, "Determining the Number of Neurons in Artificial Neural Networks for Approximation, Trained with Algorithms Using the Jacobi Matrix," TEM Journal, vol. 9, pp. 1320-1329, 11/27 2020, doi: 10.18421/TEM94-02.
  27. A. Amato and V. Di Lecce, "Data preprocessing impact on machine learning algorithm performance," vol. 13, no. 1, 2023, doi: doi:10.1515/comp-2022-0278.
  28. R. Muhammad, A. Rahman, and M. Jamil, "A Linear Regression Modeling Analysis of the Energy, Water, and Chemical Consumption in the Operating Configuration at 740 MW Priok Combined Cycle Power Plant," Journal of Mechanical Design and Testing, vol. 6, p. 27, 06/30 2024, doi: 10.22146/jmdt.97748.
  29. B. Padmaja and V. M. Manikandan, "A Novel Prediction Error Histogram Shifting-based Reversible Data Hiding Scheme for Medical Image Transmission," in 2021 4th International Conference on Security and Privacy (ISEA-ISAP), 27-30 Oct. 2021 2021, pp. 1-6, doi: 10.1109/ISEA-ISAP54304.2021.9688572.
  30. K. Suphawan, R. Kardkasem, and K. Chaisee, "A Gaussian Process Regression Model for Forecasting Stock Exchange of Thailand," Trends in Sciences, vol. 19, no. 6, p. 3045, 03/03 2022, doi: 10.48048/tis.2022.3045.
  31. M. Gasser, A. Naguib, M. Abdelhafiz, S. Elnekhaily, and O. Mahmoud, "Artificial Neural Network Model to Predict Filtrate Invasion of Nanoparticle-Based Drilling Fluids," Trends in Sciences, vol. 20, no. 5, p. 6736, 03/08 2023, doi: 10.48048/tis.2023.6736.
Прогнозування вищої теплоти згоряння вугілля на вугільних електростанціях в режимі реального часу з використанням експлуатаційних параметрів

##submission.downloads##

Опубліковано

2025-02-27

Як цитувати

Gultom, E., Muzhoffar, D. A. F., Budiyanto, M. A., Riadi, A., & Rivai, A. (2025). Прогнозування вищої теплоти згоряння вугілля на вугільних електростанціях в режимі реального часу з використанням експлуатаційних параметрів. Eastern-European Journal of Enterprise Technologies, 1(8 (133), 68–78. https://doi.org/10.15587/1729-4061.2025.320573

Номер

Том 1 № 8 (133) (2025): Енергозберігаючі технології та обладнання

Розділ

Енергозберігаючі технології та обладнання

Ліцензія

Авторське право (c) 2025 Enrico Gultom, Dimas Angga Fakhri Muzhoffar, Muhammad Arif Budiyanto, Achmad Riadi, Andy Rivai

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.