Υποστήριξη ελέγχου λειτουργίας σταθμών παραγωγής ηλεκτρικής ενέργειας με χρήση μεθόδων τεχνητής νοημοσύνης

see the original item page
in the repository's web site and access all digital files if the item*

PhD thesis (EN)

2009 (EN)
Application of artificial intelligence methods for supporting the control monitoring of thermal power plants
Υποστήριξη ελέγχου λειτουργίας σταθμών παραγωγής ηλεκτρικής ενέργειας με χρήση μεθόδων τεχνητής νοημοσύνης

Αθανασοπούλου, Χριστίνα Α.

Η παρούσα διατριβή πραγματεύεται τη μεθοδολογία σχεδιασμού και υλοποίησης υποστηρικτικού συστήματος ελέγχου λειτουργίας ενός Ατμοηλεκτρικού Σταθμού παραγωγής ηλεκτρικής ενέργειας (ΑΗΣ) με απώτερο στόχο τη βελτίωση της απόδοσής του. Προτείνεται συνδυασμένη εφαρμογή τριών ερευνητικών περιοχών: της Μηχανικής Γνώσης (ΜΓ), της Ανακάλυψης Γνώσης σε Βάσεις Δεδομένων (ΑΓΔ) και των Πρακτόρων Λογισμικού και αναλύονται διεξοδικά οι βασικές αρχές που υιοθετήθηκαν και η προσαρμογή τους στις ανάγκες βιομηχανικών συστημάτων. Για τη μεθοδική εξαγωγή της γνώσης του τομέα εφαρμογής (εκμετάλλευση της γνώσης του προσωπικού) και τη συγγραφή των προδιαγραφών εφαρμόστηκε μία προσέγγιση ΜΓ, η CommonKADS. Μεταξύ άλλων δημιουργήθηκε μία βάση κανόνων για τον εντοπισμό τυχαίων σφαλμάτων στις μετρήσεις αισθητήρων. Οι παραπάνω κανόνες εφαρμόστηκαν για τον καθαρισμό των τιμών που χρησιμοποιήθηκαν για την Εξόρυξη Δεδομένων (ΕΔ), καθώς και για την επικύρωση των μετρήσεων σε πραγματικό χρόνο και σύνδεση. Για την εξαγωγή μοντέλων, τα οποία χρησιμοποιήθηκαν τόσο για την αντικατάσταση λανθασμένων μετρήσεων των αισθητήρων όσο και για την παροχή υποδείξεων δράσης, ακολουθήθηκαν τα βήματα της ΑΓΔ. Ιδιαίτερη βαρύτητα δόθηκε στην προεπεξεργασία των δεδομένων, καθώς είναι καθοριστική για την εξαγωγή των πλέον κατάλληλων μοντέλων ΕΔ. Μετά από σύγκριση διαφόρων μεθόδων επιλογής χαρακτηριστικών και αλγορίθμων ταξινόμησης, επιλέχθηκαν οι καλύτεροι βάσει των στατιστικών επιδόσεων αλλά και των χρόνων εκτέλεσης. Τα προκύπτοντα μοντέλα ενσωματώθηκαν σε Πράκτορες Λογισμικού. Το Πολυπρακτορικό Σύστημα δομήθηκε σε τρία επίπεδα, για το καθένα από τα οποία παρατίθενται παραδείγματα των μοντέλων ΕΔ που χρησιμοποιήθηκαν, στατιστικά αποτελέσματα, καθώς και οι αντίστοιχες οθόνες του λογισμικού. Η προσομοίωση κατέληξε σε θετικά αποτελέσματα, που υποστηρίζουν την άποψη ότι το προτεινόμενο πλαίσιο εφαρμογής μπορεί να αποτελέσει υποστηρικτικό σύστημα ελέγχου λειτουργίας ενός ΑΗΣ και συμβουλευτικό εργαλείο δράσης για το προσωπικό του. Εντέλει, το προτεινόμενο σύστημα συμβάλει στη ρύθμιση των παραμέτρων λειτουργίας κατά τρόπο ώστε η απόδοση του ΑΗΣ να είναι εντός των 10% καλύτερων που έχουν επιτευχθεί στο παρελθόν. Τα στατιστικά στοιχεία των ΑΗΣ που μελετήθηκαν υποδηλώνουν ότι τα παραπάνω θα έχουν σημαντικά οικονομικά και περιβαλλοντολογικά οφέλη
The present thesis introduces a methodology for the design and development of a supporting system for control monitoring of Thermal Power Plants (TPP), having as final objective the improvement of its performance. The thesis proposes the combined application of three research areas: Knowledge Engineering, Knowledge Discovery in Databases (KDD) and Intelligent Agents. The basic principles that were adopted and their adaptation to the needs of industrial systems are analyzed thoroughly. For the methodical capture of the domain knowledge (exploitation of the personnel’s implicit knowledge) and the proper specifications writing, a KE approach, CommonKADS, was applied. It resulted, among others, to a rule base for identifying false sensor measurements. The rules were applied both for cleaning the historical data that was used for the Data Mining (DM) and for the on-line validation of the sensor measurements. For deriving models, the KDD procedure was applied to historical TPP operation data. These models were used for the replacement of erroneous sensors measurements and for proving indications for actions to the TPP personnel. Particular attention was paid in the data pre-processing, as it is significantly important for deriving the most appropriate models. Various attribute selection methods and classification algorithms were compared through testing and finally the best were selected based on statistical results and execution times. The derived models were embedded to software agents. The Multi-agent System was structured in three layers, which are described analytically. Examples of the DM models used, statistical results and screens of the graphical user interfaces are presented for each layer. The simulation led to positive results that support the opinion that the proposed framework can constitute a supporting system for control monitoring of a TPP and an advisory tool for its personnel. It is argued that the operation parameters can be regulated via proper indications, so as the TPP performance to be among the best 10% achieved in the past, with significant economical and environmental benefits

PhD Thesis / Διδακτορική Διατριβή

Knowledge engineering
Electric power-plants
Control monitoring
Decision support system
Μηχανική Γνώσης
Σύστημα υποστήριξης απόφασης
Data mining
Intelligent agent
Εξόρυξη δεδομένων
Ευφυής πράκτορας λογισμικού
Μονάδες ηλεκτρικής ενέργειας
Σταθμός παραγωγής ηλεκτρικής ενέργειας
Τεχνητή νοημοσύνη
Artificial intelligence
Power plants

Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης (EL)
Aristotle University of Thessaloniki (EN)



Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης, Πολυτεχνική Σχολή, Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών

This record is part of 'IKEE', the Institutional Repository of Aristotle University of Thessaloniki's Library and Information Centre found at http://ikee.lib.auth.gr. Unless otherwise stated above, the record metadata were created by and belong to Aristotle University of Thessaloniki Library, Greece and are made available to the public under Creative Commons Attribution-ShareAlike 4.0 International license (http://creativecommons.org/licenses/by-sa/4.0). Unless otherwise stated in the record, the content and copyright of files and fulltext documents belong to their respective authors. Out-of-copyright content that was digitized, converted, processed, modified, etc by AUTh Library, is made available to the public under Creative Commons Attribution-ShareAlike 4.0 International license (http://creativecommons.org/licenses/by-sa/4.0). You are kindly requested to make a reference to AUTh Library and the URL of the record containing the resource whenever you make use of this material.

*Institutions are responsible for keeping their URLs functional (digital file, item page in repository site)