Оптимізація розподілу навантаження та витрати палива для дизель-генератора потужністю 1000 кВт для віддаленого регіону з використанням біодизельної електростанції B35

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2025.327179

Ключові слова:

дизельний генератор, біодизель B35, дистанційні енергетичні системи, ефективність, відновлювана енергія

Анотація

Це дослідження зосереджено на оптимізації роботи високошвидкісного дизельного генератора потужністю 1000 кВт (Mitsubishi S16R), розташованого на PLTD Muara Wahau, віддаленій електростанції у Східному Калімантані, Індонезія. Генератор працює на біодизелі B35, національному стандарті відновлюваного палива, що містить 35% біодизеля та 65% дизельного палива на основі нафтопродуктів. Хоча B35 пропонує екологічні переваги, його нижча теплотворна здатність та відмінні характеристики згоряння призводять до зниження потужності генератора на 18% та збільшення питомої витрати палива (SFC), що створює проблеми для продуктивності та паливної ефективності в ізольованих районах. Для вирішення цих проблем запропоновано гібридну систему моделювання та оптимізації, що поєднує методологію поверхні відгуку, штучні нейронні мережі та багатоцільовий генетичний алгоритм. Для оцінки альтернативних сценаріїв роботи застосовується багатокритеріальний підхід до прийняття рішень з використанням TOPSIS. В роботі досліджуються два режими: базове навантаження (cos φ = 0,96, навантаження = 698 кВт) та розподіл навантаження (cos φ = 0,97, навантаження = 829 кВт). Модель поверхні відгуку у режимі базового навантаження досягає споживання палива 0,21 л/кВт·год та ефективності 42,78%, тоді як модель ANN-MOGA у режимі розподілу навантаження фіксує 0,24 л/кВт·год та ефективність 39,42%. Результати показують, що оптимізація параметрів може значно покращити продуктивність генераторів, що працюють на біодизелі B35. Інтегрована методологія пропонує практичне рішення для підвищення експлуатаційної ефективності та сталого розвитку у віддалених, автономних енергетичних системах, з потенціалом для ширшого застосування в аналогічних децентралізованих енергетичних контекстах

Біографії авторів

Dhimas Adi Purbandono, Universitas Indonesia

Master’s Candidates in Mechanical Engineering

Department of Mechanical Engineering

Muhammad Arif Budiyanto, Universitas Indonesia

Doctoral

Department of Mechanical Engineering

Firman Ramdan, PLN Indonesia Power UBP Mahakam

Bachelor of Engineering

Muhamad Iqbal Felani, PT PLN (Persero) Pusat Penelitian dan Pengembangan Ketenagalistrikan

Magister of Engineering

Посилання

  1. Bakirtas, T., Akpolat, A. G. (2018). The relationship between energy consumption, urbanization, and economic growth in new emerging-market countries. Energy, 147, 110–121. https://doi.org/10.1016/j.energy.2018.01.011
  2. Terms. Terms and conditions. IEA. Available at: https://www.iea.org/terms
  3. Nirbito, W., Budiyanto, M. A., Muliadi, R. (2020). Performance Analysis of Combined Cycle with Air Breathing Derivative Gas Turbine, Heat Recovery Steam Generator, and Steam Turbine as LNG Tanker Main Engine Propulsion System. Journal of Marine Science and Engineering, 8 (9), 726. https://doi.org/10.3390/jmse8090726
  4. Budiyanto, M. A., Pamitran, A. S., Wibowo, H. T., Murtado, F. N. (2020). Study on the Performance Analysis of Dual Fuel Engines on the Medium Speed Diesel Engine. Journal of Advanced Research in Fluid Mechanics and Thermal Sciences, 68 (1), 163–174. https://doi.org/10.37934/arfmts.68.1.163174
  5. Muzhaffar, M. H., Budiyanto, M. A. (2024). Exploring Eco-Friendly Paths: A Comparative Study of Emissions in Medium Speed Diesel Engines Utilizing Alternative Fuels through Simulation Analysis. Journal of Advanced Research in Fluid Mechanics and Thermal Sciences, 124 (2), 235–247. https://doi.org/10.37934/arfmts.124.2.235247
  6. Wirawan, S. S., Solikhah, M. D., Setiapraja, H., Sugiyono, A. (2024). Biodiesel implementation in Indonesia: Experiences and future perspectives. Renewable and Sustainable Energy Reviews, 189, 113911. https://doi.org/10.1016/j.rser.2023.113911
  7. Dubey, A., Prasad, R. S., Kumar Singh, J., Nayyar, A. (2022). Optimization of diesel engine performance and emissions with biodiesel-diesel blends and EGR using response surface methodology (RSM). Cleaner Engineering and Technology, 8, 100509. https://doi.org/10.1016/j.clet.2022.100509
  8. Raja, A., Srivastava, A. P., Dwivedi, M. (2006). Power Plant Engineering. New Age International, 470.
  9. Pitchaiah, S., Juchelková, D., Sathyamurthy, R., Atabani, A. E. (2023). Prediction and performance optimisation of a DI CI engine fuelled diesel–Bael biodiesel blends with DMC additive using RSM and ANN: Energy and exergy analysis. Energy Conversion and Management, 292, 117386. https://doi.org/10.1016/j.enconman.2023.117386
  10. Li, J., Zhong, W., Zhang, J., Zhao, Z., Hu, J. (2023). The combustion and emission improvements for diesel–biodiesel hybrid engines based on response surface methodology. Frontiers in Energy Research, 11. https://doi.org/10.3389/fenrg.2023.1201815
  11. Khoobbakht, G., Najafi, G., Karimi, M., Akram, A. (2016). Optimization of operating factors and blended levels of diesel, biodiesel and ethanol fuels to minimize exhaust emissions of diesel engine using response surface methodology. Applied Thermal Engineering, 99, 1006–1017. https://doi.org/10.1016/j.applthermaleng.2015.12.143
  12. Khoobbakht, G., Akram, A., Karimi, M., Najafi, G. (2016). Exergy and Energy Analysis of Combustion of Blended Levels of Biodiesel, Ethanol and Diesel Fuel in a DI Diesel Engine. Applied Thermal Engineering, 99, 720–729. https://doi.org/10.1016/j.applthermaleng.2016.01.022
  13. Liu, K., Deng, B., Shen, Q., Yang, J., Li, Y. (2022). Optimization based on genetic algorithms on energy conservation potential of a high speed SI engine fueled with butanol–gasoline blends. Energy Reports, 8, 69–80. https://doi.org/10.1016/j.egyr.2021.11.289
  14. Mustayen, A. G. M. B., Rasul, M. G., Wang, X., Negnevitsky, M., Hamilton, J. M. (2022). Remote areas and islands power generation: A review on diesel engine performance and emission improvement techniques. Energy Conversion and Management, 260, 115614. https://doi.org/10.1016/j.enconman.2022.115614
  15. Nhieu, N.-L., Dang, T. D. (2024). Harnessing Vietnam’s coastal potential: Prioritizing marine energy technologies with an objectively weighting decision-making approach. Renewable Energy, 230, 120881. https://doi.org/10.1016/j.renene.2024.120881
  16. Eputusan Direktur Jenderal Minyak Dan Gas Bumiі Kementerian Energi Dan Sumber Daya Mineral (2023). No. 170.K.HK.02.DJM.2023. Available at: https://migas.esdm.go.id/cms/uploads/regulasi/regulasi-kkkl/2023/170.K.HK.02.DJM.2023.pdf
  17. Belke, A., Dobnik, F., Dreger, C. (2011). Energy consumption and economic growth: New insights into the cointegration relationship. Energy Economics, 33 (5), 782–789. https://doi.org/10.1016/j.eneco.2011.02.005
  18. Jeremiah Barasa Kabeyi, M., Akanni Olanrewaju, O. (2020). Performance Analysis Of Diesel Engine Power Plants For Grid Electricity Supply. SAIIE31 Proceedings. Available at: https://www.researchgate.net/publication/348575084
  19. Soto, D. (2018). Modeling and measurement of specific fuel consumption in diesel microgrids in Papua, Indonesia. Energy for Sustainable Development, 45, 180–185. https://doi.org/10.1016/j.esd.2018.06.013
  20. Baughn, J. W., Bagheri, N. (1985). The Effect of Thermal Matching on the Thermodynamic Performance of Gas Turbine and IC Engine Cogeneration Systems. Volume 4: Manufacturing Materials and Metallurgy; Ceramics; Structures and Dynamics; Controls, Diagnostics and Instrumentation; Process Industries; Technology Resources; General. https://doi.org/10.1115/85-igt-106
  21. Gunst, R. F., Myers, R. H., Montgomery, D. C. (1996). Response Surface Methodology: Process and Product Optimization Using Designed Experiments. Technometrics, 38 (3), 285. https://doi.org/10.2307/1270613
  22. Manojkumar, N., Muthukumaran, C., Sharmila, G. (2022). A comprehensive review on the application of response surface methodology for optimization of biodiesel production using different oil sources. Journal of King Saud University - Engineering Sciences, 34 (3), 198–208. https://doi.org/10.1016/j.jksues.2020.09.012
  23. Chen, W.-H., Carrera Uribe, M., Kwon, E. E., Lin, K.-Y. A., Park, Y.-K., Ding, L., Saw, L. H. (2022). A comprehensive review of thermoelectric generation optimization by statistical approach: Taguchi method, analysis of variance (ANOVA), and response surface methodology (RSM). Renewable and Sustainable Energy Reviews, 169, 112917. https://doi.org/10.1016/j.rser.2022.112917
  24. Dongare, A. D., Kharde, R. R., Kachare, A. D. (2008). Introduction to Artificial Neural Network. International Journal of Engineering and Innovative Technology (IJEIT), 2 (1). Available at: https://citeseerx.ist.psu.edu/document?repid=rep1&type=pdf&doi=04d0b6952a4f0c7203577afc9476c2fcab2cba06
  25. Viera-Martin, E., Gómez-Aguilar, J. F., Solís-Pérez, J. E., Hernández-Pérez, J. A., Escobar-Jiménez, R. F. (2022). Artificial neural networks: a practical review of applications involving fractional calculus. The European Physical Journal Special Topics, 231 (10), 2059–2095. https://doi.org/10.1140/epjs/s11734-022-00455-3
  26. Yunus, R. B., Zainuddin, N., Daud, H., Kannan, R., Yahaya, M. M., Al-Yaari, A. (2024). An improved accelerated 3-term conjugate gradient algorithm with second-order Hessian approximation for nonlinear least-squares optimization. Journal of Mathematics and Computer Science, 36 (03), 263–274. https://doi.org/10.22436/jmcs.036.03.02
  27. Huang, X., Cao, H., Jia, B. (2023). Optimization of Levenberg Marquardt Algorithm Applied to Nonlinear Systems. Processes, 11 (6), 1794. https://doi.org/10.3390/pr11061794
  28. Kayri, M. (2016). Predictive Abilities of Bayesian Regularization and Levenberg–Marquardt Algorithms in Artificial Neural Networks: A Comparative Empirical Study on Social Data. Mathematical and Computational Applications, 21 (2), 20. https://doi.org/10.3390/mca21020020
  29. Gao, Y., Shi, L., Yao, P. (2000). Study on multi-objective genetic algorithm. Proceedings of the 3rd World Congress on Intelligent Control and Automation (Cat. No.00EX393), 1, 646–650. https://doi.org/10.1109/wcica.2000.860052
  30. Lambora, A., Gupta, K., Chopra, K. (2019). Genetic Algorithm- A Literature Review. 2019 International Conference on Machine Learning, Big Data, Cloud and Parallel Computing (COMITCon), 380–384. https://doi.org/10.1109/comitcon.2019.8862255
  31. Murata, T., Ishibuchi, H., Tanaka, H. (1996). Multi-objective genetic algorithm and its applications to flowshop scheduling. Computers & Industrial Engineering, 30 (4), 957–968. https://doi.org/10.1016/0360-8352(96)00045-9
  32. Hajabdollahi, F., Rafsanjani, H. H., Hajabdollahi, Z., Hamidi, Y. (2012). Multi-objective optimization of pin fin to determine the optimal fin geometry using genetic algorithm. Applied Mathematical Modelling, 36 (1), 244–254. https://doi.org/10.1016/j.apm.2011.05.048
  33. Wang, P., Zhu, Z., Huang, S. (2014). The use of improved TOPSIS method based on experimental design and Chebyshev regression in solving MCDM problems. Journal of Intelligent Manufacturing, 28 (1), 229–243. https://doi.org/10.1007/s10845-014-0973-9
  34. Bezerra, M. A., Santelli, R. E., Oliveira, E. P., Villar, L. S., Escaleira, L. A. (2008). Response surface methodology (RSM) as a tool for optimization in analytical chemistry. Talanta, 76 (5), 965–977. https://doi.org/10.1016/j.talanta.2008.05.019
  35. Bhattacharya, S. (2021). Central Composite Design for Response Surface Methodology and Its Application in Pharmacy. Response Surface Methodology in Engineering Science. https://doi.org/10.5772/intechopen.95835
  36. Bharadwaz, A., Dhar, S., Jayasuriya, A. C. (2023). Full factorial design of experiment-based and response surface methodology approach for evaluating variation in uniaxial compressive mechanical properties, and biocompatibility of photocurable PEGDMA-based scaffolds. Biomedical Materials, 18 (2), 025019. https://doi.org/10.1088/1748-605x/acb7bd
  37. Sahoo, P. (2011). Optimization of Turning Parameters for Surface Roughness Using RSM and GA. Advances in Production Engineering & Management, 6, 197–208. Available at: https://apem-journal.org/Archives/2011/APEM6-3_197-208.pdf
  38. Kanani, H., Shams, M., Hasheminasab, M., Bozorgnezhad, A. (2015). Model development and optimization of operating conditions to maximize PEMFC performance by response surface methodology. Energy Conversion and Management, 93, 9–22. https://doi.org/10.1016/j.enconman.2014.12.093
  39. Ali, P. J. M., Faraj, R. H. (2014). Data Normalization and Standardization: A Technical Report. Machine Learning Technical Reports, 1 (1). http://doi.org/10.13140/RG.2.2.28948.04489
  40. Singla, P., Duhan, M., Saroha, S. (2022). Different normalization techniques as data preprocessing for one step ahead forecasting of solar global horizontal irradiance. Artificial Intelligence for Renewable Energy Systems, 209–230. https://doi.org/10.1016/b978-0-323-90396-7.00004-3
  41. Khan, H., Hussain, S., Hussain, S. F., Gul, S., Ahmad, A., Ullah, S. (2021). Multivariate modeling and optimization of Cr(VI) adsorption onto carbonaceous material via response surface models assisted with multiple regression analysis and particle swarm embedded neural network. Environmental Technology & Innovation, 24, 101952. https://doi.org/10.1016/j.eti.2021.101952
  42. Madhiarasan, M., Louzazni, M. (2022). Analysis of Artificial Neural Network: Architecture, Types, and Forecasting Applications. Journal of Electrical and Computer Engineering, 2022, 1–23. https://doi.org/10.1155/2022/5416722
  43. Selvakumar, S., Ravikumar, R. (2018). A Novel Approach for Optimization to Verify RSM Model by Using Multi-Objective Genetic Algorithm (MOGA). Materials Today: Proceedings, 5 (5), 11386–11394. https://doi.org/10.1016/j.matpr.2018.02.106
Оптимізація розподілу навантаження та витрати палива для дизель-генератора потужністю 1000 кВт для віддаленого регіону з використанням біодизельної електростанції B35

##submission.downloads##

Опубліковано

2025-06-27

Як цитувати

Purbandono, D. A., Budiyanto, M. A., Ramdan, F., & Felani, M. I. (2025). Оптимізація розподілу навантаження та витрати палива для дизель-генератора потужністю 1000 кВт для віддаленого регіону з використанням біодизельної електростанції B35. Eastern-European Journal of Enterprise Technologies, 3(8 (135), 42–59. https://doi.org/10.15587/1729-4061.2025.327179

Номер

Том 3 № 8 (135) (2025): Енергозберігаючі технології та обладнання

Розділ

Енергозберігаючі технології та обладнання

Ліцензія

Авторське право (c) 2025 Dhimas Adi Purbandono, Muhammad Arif Budiyanto, Firman Ramdan, Muhamad Iqbal Felani

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.