تدوین مدل پیش بینی گر هوشمند برای شناسایی پیش دستانه ی رویدادهای بحرانی در نیروگاه های سیکل ترکیبی با تلفیق ETBA و الگوریتم های یادگیری ماشین

نیروگاه های سیکل ترکیبی به دلیل پیچیدگی فرایندهای ترمودینامیکی و وابستگی متقابل زیرسیستم های گازی و بخاری، همواره در معرض رویدادهای بحرانی نظیر نشت سوخت، ذوب پره ها، لرزش های مخرب یاتاقان و ضربه قوچ هستند. روش های سنتی ارزیابی ریسک مانند ETBA علی رغم ارائه دانش فیزیکی ارزشمند از جریان انرژی و موانع ایمنی، ماهیتی ایستا و مبتنی بر قضاوت خبرگی داشته و قادر به پردازش بلادرنگ داده های عملیاتی نیستند. در مقابل، الگوریتم های یادگیری ماشین در تشخیص الگوهای پنهان از داده های حسگرها موفق عمل کرده اند، اما فاقد شفافیت علی و درک فیزیکی از فرایند هستند. هدف این پژوهش، تدوین مدل پیش بینی گر هوشمندی است که با تلفیق سیستماتیک ETBA و یادگیری ماشین، ضمن حفظ تفسیرپذیری، دقت و زمان هشدار زودهنگام را بهبود بخشد.این پژوهش از نوع ترکیبی اکتشافی متوالی (کیفی-کمی) است. در مرحله کیفی، روش ETBA بر روی شش زیرسیستم اصلی نیروگاه سیکل ترکیبی شریعتی مشهد اجرا و با مشارکت ۱۵ خبره و تکنیک دلفی فازی، سناریوهای بحرانی اولویت بندی شدند. در مرحله کمی، داده های عملیاتی ۲۸ حسگر طی بازه ۳۶ ماهه (۱/۵ میلیون رکورد) از سیستم SCADA گردآوری و پس از پیش پردازش (نرمال سازی Z-Score، درون یابی، حذف نقاط پرت) مورد استفاده قرار گرفت. سه الگوریتم پایه (جنگل تصادفی، SVM، XGBoost) با بهینه سازی ابرپارامترها آموزش دیده و سپس مدل تلفیقی پیشنهادی با وزن دهی خروجی آن ها بر اساس شدت ریسک مستخرج از ETBA (ETBA-weighted Ensemble) توسعه یافت. ارزیابی عملکرد با معیارهای دقت، F۱-Score، AUC-ROC، زمان هشدار زودهنگام و نرخ هشدار کاذب بر روی مجموعه آزمون (۱۵٪ داده) انجام شد.نتایج نشان داد که الگوریتم XGBoost با F۱-Score=۰/۹۶۴ و AUC-ROC=۰/۹۹۲ بهترین عملکرد را در میان مدل های پایه دارد. مدل تلفیقی پیشنهادی با دقت ۰/۹۸۵ و F۱-Score=۰/۹۷۷، نسبت به بهترین مدل پایه، زمان هشدار زودهنگام را ۳۶/۴٪ افزایش (از ۲۳/۱ به ۳۱/۵ دقیقه) و نرخ هشدار کاذب را ۶۴٪ کاهش (از ۰/۰۲۵ به ۰/۰۰۹) داد. تحلیل SHAP نشان داد که دمای محفظه احتراق، غلظت گاز نشت یافته، ارتعاش یاتاقان، فشار روغن خنک کاری و دمای گاز خروجی HRSG مهم ترین ویژگی های پیش بینی کننده بحران هستند که با سناریوهای اولویت دار ETBA تطابق کامل دارد. این پژوهش اثبات کرد که تلفیق دانش فیزیکی حاصل از ETBA با قدرت یادگیری آماری الگوریتم های یادگیری ماشین، یک راهبرد موثر برای ایجاد سامانه های هشدار زودهنگام هوشمند و تفسیرپذیر در نیروگاه های سیکل ترکیبی است. مدل پیشنهادی قابلیت پیاده سازی در مراکز پایش هوشمند نیروگاه های ایران را داشته و می تواند به کاهش خاموشی های ناخواسته و هزینه های تعمیرات اضطراری کمک کند. پیشنهاد می شود پژوهش های آتی بر روی تعمیم پذیری مدل به سایر نیروگاه ها و استفاده از یادگیری بدون نظارت برای سناریوهای ناشناخته متمرکز شود.

کلیدواژه ها:

مدل پیش بینی گر هوشمند ، ETBA ، یادگیری ماشین ، رویدادهای بحرانی ، نیروگاه سیکل ترکیبی