بهینه سازی طراحی و جانمایی توسعه نیروگاه هیدروژنی با استفاده از الگوریتم های هوشمند و تحلیل داده های اقلیمی

توسعه نیروگاه های هیدروژنی سبز به عنوان یکی از راهکارهای کلیدی برای گذار به اقتصاد کم کربن، با چالش های متعددی از جمله هزینه بالای تولید، وابستگی به شرایط اقلیمی متغیر و پیچیدگی انتخاب مکان بهینه و طراحی پارامترهای عملیاتی مواجه است. پژوهش حاضر با هدف ارائه چارچوبی هوشمند برای بهینه سازی همزمان طراحی و جانمایی نیروگاه های هیدروژنی با استفاده از الگوریتم های یادگیری ماشین و بهینه سازی فراابتکاری انجام شده است. بدین منظور، داده های اقلیمی ۱۰ ساله (۲۰۱۵ تا ۲۰۲۵) از ۳۵۰ مکان بالقوه در مناطق مختلف جغرافیایی شامل ایران، کشورهای عربی حوزه خلیج فارس، هند و شمال آفریقا جمع آوری گردید. مدل های یادگیری ماشین شامل جنگل تصادفی، شبکه های عصبی مصنوعی و ماشین بردار پشتیبان برای پیش بینی بهره وری تولید هیدروژن آموزش داده شدند و سپس الگوریتم های ژنتیک و بهینه سازی ازدحام ذرات برای بهینه سازی همزمان موقعیت جغرافیایی و پارامترهای طراحی به کار گرفته شدند. یافته ها نشان داد که مدل ترکیبی یادگیری ماشین قادر است بهره وری تولید هیدروژن را با ضریب تعیین ۰.۹۴ و میانگین خطای مطلق ۵.۲ درصد پیش بینی کند که این دقت به طور قابل توجهی بهتر از روش های سنتی است. تحلیل شاخص شپلی نشان داد که نزدیکی به منابع آب شیرین، ارتفاع از سطح دریا و شدت تابش خورشیدی به ترتیب مهم ترین عوامل موثر بر مناسب بودن مکان احداث نیروگاه هستند. چارچوب بهینه سازی پیشنهادی توانست هزینه سطحی تولید هیدروژن را ۲۸ درصد کاهش داده، بهره وری سالانه نیروگاه را ۳۴ درصد افزایش دهد و ریسک ناشی از نوسانات اقلیمی را ۴۲ درصد کاهش بخشد. در میان مناطق مورد مطالعه، استان های هرمزگان و سیستان و بلوچستان در ایران، منطقه ظفار در عمان و منطقه مراکش-ساس در مراکش به عنوان بهینه ترین مکان ها برای احداث نیروگاه های خورشیدی-هیدروژنی شناسایی شدند. این پژوهش با ارائه چارچوبی عملی و قابل پیاده سازی، به برنامه ریزان انرژی، سرمایه گذاران و سیاست گذاران کمک می کند تا با رویکردی داده محور و هوشمند، تصمیمات آگاهانه تری در زمینه توسعه نیروگاه های هیدروژنی اتخاذ نمایند و گامی موثر در جهت تحقق اقتصاد هیدروژنی و اهداف توسعه پایدار بردارند.

کلیدواژه ها:

بهینه سازی طراحی و جانمایی ، نیروگاه هیدروژنی ، الگوریتم های هوشمند ، یادگیری ماشین ، داده های اقلیمی