هوش مصنوعی چگونه مصرف گاز را میان مطلوبیت اجتماعی و مصرف‌کننده متعادل می‌کند؟

به گزارش روابط عمومی مرکز اطلاعات علمی جهاددانشگاهی SID، گاز طبیعی به‌عنوان یکی از مهم‌ترین سوخت‌های فسیلی در نظام انرژی جهان، در کنار نقش خود در تأمین انرژی، با چالش‌هایی مانند نوسان تقاضا و عدم قطعیت در میزان مصرف مواجه است. در چنین شرایطی، خطا در پیش‌بینی یا تخصیص گاز طبیعی می‌تواند پیامدهایی از جمله افزایش هزینه، اتلاف انرژی و ایجاد عدم تعادل در شبکه‌های توزیع و نیروگاهی داشته باشد.

در همین زمینه، روش‌های سنتی پیش‌بینی مانند رگرسیون خطی و برخی مدل‌های آماری، به‌دلیل محدودیت در تحلیل رفتارهای غیرخطی و پیچیده، با چالش مواجه شده‌اند و پژوهشگران به سمت استفاده از الگوریتم‌های هوش مصنوعی، یادگیری ماشین و مدل‌های ریاضی چندهدفه حرکت کرده‌اند.

براساس گزارش مرکز اطلاعات علمی، برای بررسی مطالعات علمی مرتبط با بهینه‌سازی مصرف گاز طبیعی، عبارت «gas consumption» AND «Optimization» در پایگاه Scopus جست‌وجو شد. پس از بررسی نتایج، مطالعات مرتبط با بلاک‌چین با استفاده از عبارت «AND NOT» حذف و سپس مدارک علمی براساس میزان ارتباط مرتب شد. در نهایت ۲۰ مدرک علمی با بیشترین ارتباط برای تهیه این گزارش مورد استفاده قرار گرفت.

کاهش نزدیک به ۹۸ درصدی مصرف گاز سوخت در فرایند بازیافت گوگرد

یکی از مطالعات بررسی‌شده به واحدهای بازیافت گوگرد (SRU) در پالایشگاه‌ها اختصاص دارد که از مصرف‌کنندگان گاز طبیعی محسوب می‌شوند.

وجود ترکیبات آلی آلاینده مانند بنزن، تولوئن، اتیل‌بنزن و زایلین (BTEX) در گاز خوراک می‌تواند موجب غیرفعال شدن کاتالیست‌ها شود. برای تخریب این ترکیبات، کوره به‌طور سنتی در دماهای بالاتر از ۱۰۵۰ درجه سانتی‌گراد فعالیت می‌کند و این فرایند به پیش‌گرمایش شدید خوراک و مصرف حجم قابل توجهی از گاز سوخت کمکی نیاز دارد.

در این مطالعه، پژوهشگران با ترکیب مدل‌سازی نرم‌افزار Chemkin Pro برای بخش کوره و Aspen Hysys برای بخش کاتالیستی در محیط MATLAB، یک فرایند بهینه‌سازی چندهدفه را با استفاده از الگوریتم ژنتیک (GA) اجرا کردند.

هدف این مدل، کمینه‌سازی مصرف گاز سوخت و دمای پیش‌گرمایش هوا و گاز اسیدی بود؛ در حالی‌که میزان BTEX در خروجی دیگ بخار بازیافت حرارت (WHB) باید کمتر از یک قسمت در میلیون (1ppm) باقی می‌ماند.

نتایج نشان داد حفظ دمای کوره در ۱۰۲۸ درجه سانتی‌گراد برای تخریب کامل آلاینده‌ها کافی است. همچنین با بهینه‌سازی دما و فرایند، میزان سوزاندن هم‌زمان گاز سوخت در کوره از ۱۷۷۳ مترمکعب نرمال بر ساعت به ۲۹ مترمکعب نرمال بر ساعت کاهش یافت، بدون اینکه تخریب آلاینده‌ها در خروجی دیگ بخار بازیافت حرارت دچار افت شود.

این تغییر به معنای کاهش نزدیک به ۹۸ درصدی مصرف گاز سوخت است. همچنین دمای پیش‌گرمایش هوا از ۳۲۵ به ۲۲۳ درجه سانتی‌گراد کاهش یافت که به افت هزینه‌های عملیاتی پالایشگاه منجر شد.

عملکرد مدل‌های هوش مصنوعی در پیش‌بینی تقاضای گاز طبیعی

پیش‌بینی دقیق تقاضای گاز طبیعی یکی از بخش‌های اصلی برنامه‌ریزی انرژی است. در مطالعات بررسی‌شده، مدل‌های قدیمی مانند ARIMA و رگرسیون خطی به‌دلیل محدودیت در تحلیل رفتارهای غیرخطی، در برخی موارد خطای بالایی داشته‌اند.

در یک مطالعه در ترکیه، مدل گرگ خاکستری غیرخطی کسر برنولی بهینه‌شده با الگوریتم گرگ خاکستری با عنوان GWO-FANGBM(1,1) مورد استفاده قرار گرفت.

در مطالعه‌ای دیگر در چین، الگوریتم جنگل تصادفی (Random Forest) برای استخراج متغیرهای کلیدی مؤثر بر مصرف گاز طبیعی، از جمله رشد اقتصادی، جمعیت، مصرف خانوار و وابستگی به واردات، به کار گرفته شد. سپس داده‌ها وارد یک شبکه ترکیبی متشکل از الگوریتم ازدحام ذرات (PSO)، ماشین یادگیری انتهاپذیر (ELM) و الگوریتم AdaBoost شدند.

نتایج نشان داد مدل GWO-FANGBM(1,1) به MAPE معادل ۵.۸۲ درصد دست یافته است. همچنین مدل ترکیبی AdaBoost-PSO-ELM در داده‌های چین، MAPE معادل ۰.۰۰۰۸ و ضریب تبیین R² برابر با ۰.۹۹۹۹ را ثبت کرده است.

این مدل ترکیبی همچنین نرخ رشد سالانه مصرف گاز طبیعی چین در فاصله سال‌های ۲۰۱۸ تا ۲۰۳۰ را ۷.۶۸ درصد پیش‌بینی کرده است.

تخصیص هوشمند گاز و افزایش ظرفیت پذیرش انرژی بادی

یکی دیگر از مطالعات بررسی‌شده به نقش گاز طبیعی در ادغام انرژی‌های تجدیدپذیر، به‌ویژه انرژی بادی، در شبکه برق پرداخته است.

نیروگاه‌های گازسوز به‌دلیل سرعت بالای روشن و خاموش شدن می‌توانند برای پیک‌سابی و جبران نوسانات تولید انرژی بادی مورد استفاده قرار گیرند. با این‌حال، در فصل‌های سرد و هم‌زمان با افزایش تقاضای گاز برای گرمایش، کمبود گاز می‌تواند فعالیت این نیروگاه‌ها را محدود کند و در نتیجه بخشی از انرژی بادی تولیدشده به‌‎دلیل نبود امکان جذب در شبکه هدر برود.

برای بررسی این مسئله، یک مطالعه تجربی در شش منطقه پکن شامل دونگ‌چنگ، شی‌چنگ، چائویانگ، هایدیان، فنگتای و شی‌جینگ‌شان انجام شد. در این مطالعه از الگوریتم بهینه‌سازی چندهدفه ازدحام ذرات (PSO) استفاده شد.

مدل طراحی‌شده سه هدف را به‌صورت هم‌زمان دنبال می‌کرد: بیشینه‌سازی درآمد حاصل از گاز و جذب انرژی بادی، کاهش عدم قطعیت در تأمین گاز طبیعی و ایجاد تعادل میان مطلوبیت اجتماعی و مطلوبیت مصرف‌کننده.

نتایج نشان داد بازطراحی ساختار تخصیص گاز در این شش منطقه، از طریق کاهش سهم بخش‌های صنعتی و خودرویی و هدایت آن به نیروگاه‌ها و سیستم‌های گرمایشی، می‌تواند هم‌زمان اتلاف انرژی بادی را کاهش داده و میان مطلوبیت اجتماعی و کاربری تعادل ایجاد کند.

این مدل تخصیص هوشمند، علاوه‌بر تأمین نیاز بخش‌های مختلف و افزایش درآمد ناخالص، ظرفیت پذیرش انرژی بادی در شبکه برق را نیز افزایش داد.

پیش‌بینی پویای بازار گاز با الگوریتم Frank-Wolfe

در بازارهای تجاری و اصلاح‌شده گاز، از جمله بازار گاز جمهوری چک، تغییرات ناگهانی و رژیم‌های قیمتی متغیر می‌تواند کارایی مدل‌های پیش‌بینی ایستا را کاهش دهد. میانگین‌گیری ساده یا انتخاب‌های حریصانه نیز در ترکیب مدل‌ها از پایداری کافی برخوردار نیستند.

برای رفع این مسئله، در یکی از مطالعات، چارچوبی برای بهینه‌سازی ترکیبی با استفاده از الگوریتم Frank-Wolfe یا گرادیان شرطی توسعه داده شد.

این الگوریتم مسئله وزن‌دهی به مدل‌ها را روی یک «سیمپلکس واحد» حل می‌کند و وزن‌های بهینه را به‌صورت پویا به مجموعه‌ای از مدل‌های پایه شامل SARIMAX، XGBoost، N-HiTS و ترانسفورمرهای تلفیقی زمانی (TFT) اختصاص می‌دهد.

نتایج نشان داد استفاده از این چارچوب، خطای پیش‌بینی بازار گاز را به ۴.۲۵ درصد رسانده است؛ در حالی‌که خطای میانگین‌گیری ایستای سنتی ۶.۷۴ درصد و خطای مدل N-HiTS به‌تنهایی ۵.۳۱ درصد گزارش شده است.

در این مطالعه، علاوه‌بر کاهش خطای پیش‌بینی، پایداری ریاضی و تفسیرپذیری عملیاتی الگوریتم نیز به‌عنوان مزیت آن مطرح شده است؛ ویژگی‌هایی که اجرای آن را در شبکه‌های توزیع واقعی تسهیل می‌کند.

پیش‌بینی مصرف گاز خانوارها با کنتورهای هوشمند

یکی دیگر از محورهای مطالعات بررسی‌شده، استفاده از داده‌های واقعی مصرف خانوارها برای افزایش بهره‌وری انرژی در بخش شهری است.

کنتورهای گاز مجهز به کارت هوشمند با ثبت مصرف واقعی خانوارها، امکان ایجاد مجموعه‌ای از داده‌های ریزمقیاس را فراهم می‌کنند. این داده‌ها در کنار متغیرهای آب‌وهوایی مانند دما، فشار، رطوبت و سرعت باد و همچنین قیمت گاز، می‌توانند برای پیش‌بینی کوتاه‌مدت مصرف مورد استفاده قرار گیرند.

بررسی‌ها نشان می‌دهد الگوریتم CatBoost در ترکیب با روش بهینه‌سازی ازدحام ذرات فازوری (CatBoost-PPSO) عملکرد دقیقی در پیش‌بینی مصرف گاز شهری ارائه می‌دهد.

در این روش، ترکیب داده‌های واقعی کنتورهای کارت هوشمند با CatBoost-PPSO و اعتبارسنجی تقاطعی K-Fold از بیش‌برازش مدل جلوگیری می‌کند و امکان حفظ عملکرد الگوریتم را در مواجهه با شرایط آب‌وهوایی پیش‌بینی‌نشده فراهم می‌سازد.

هوش مصنوعی در مسیر جدید بهینه‌سازی مصرف گاز

مجموع این یافته‌ها نشان می‌دهد ترکیب مدل‌سازی دقیق ریاضی، الگوریتم‌های هوش مصنوعی و داده‌های ریزمقیاس، کاربردهای متنوعی در پیش‌بینی مصرف گاز طبیعی، تخصیص گاز، کاهش مصرف سوخت و مدیریت انرژی ایجاد کرده است.

از کاهش نزدیک به ۹۸ درصدی مصرف گاز سوخت در فرایند کوره واحد بازیافت گوگرد تا کاهش خطای مدل‌های پیش‌بینی مصرف و بازار گاز، نتایج این مطالعات نشان می‌دهد الگوریتم‌های پیشرفته می‌توانند در سطوح مختلف زنجیره انرژی، از فرایندهای صنعتی و پالایشگاهی تا شبکه برق و مصرف خانوار، مورد استفاده قرار گیرند.

براین اساس، مدیریت مصرف گاز طبیعی تنها به افزایش تولید یا توسعه زیرساخت‌های انتقال محدود نمی‌شود و پیش‌بینی دقیق تقاضا، تخصیص هوشمند منابع و بهینه‌سازی فرایندهای مصرف نیز از مؤلفه‌های مهم مدیریت آینده انرژی به‌شمار می‌رود.

منابع:

1.         The object of this work is to propose a simulator under EPKS Honeywell DCS, for a 120 t/H BOILER in Arzew refinery, offering a real ability for gas consumption optimization. International Gas Research Conference Proceedings; 2014.

2.         Cai Y, Ma X, Wu W, Deng Y. Forecasting Natural Gas Consumption in the US Power Sector by a Randomly Optimized Fractional Grey System Model. Mathematical Problems in Engineering. 2021;2021.

3.         Cao Q, Chen S, Xiang W, editors. Sensitivity Analysis of Gas Consumption in Gas Turbine Combined Cycle. 2023 3rd International Conference on Electrical Engineering and Control Science, IC2ECS 2023; 2023.

4.         De G, Gao W. Forecasting China's natural gas consumption based on adaboost-particle swarm optimization-extreme learning machine integrated learning method. Energies. 2018;11(11).

5.         Hu Y, Ma X, Li W, Wu W, Tu D. Forecasting manufacturing industrial natural gas consumption of China using a novel time-delayed fractional grey model with multiple fractional order. Computational and Applied Mathematics. 2020;39(4).

6.          Özcan T, Konyalıoğlu AK, Apaydın T. Forecasting natural gas consumption in Turkey using fractional non-linear grey Bernoulli model optimized by grey wolf optimization (GWO) algorithm. Euro-Mediterranean Journal for Environmental Integration. 2024;9(4):2039-55.

7.         Potočnik P, Govekar E, Grabec I, editors. Short-term natural gas consumption forecasting. Proceedings of the 16th IASTED International Conference on Applied Simulation and Modelling, ASM 2007; 2007.

8.         Qian L, Chen Z, Huang Y, Stanford RJ. Employing categorical boosting (CatBoost) and meta-heuristic algorithms for predicting the urban gas consumption. Urban Climate. 2023;51.

9.         Qiao W, Yang Z, Kang Z, Pan Z. Short-term natural gas consumption prediction based on Volterra adaptive filter and improved whale optimization algorithm. Engineering Applications of Artificial Intelligence. 2020;87.

10.       Rahman RK, Ibrahim S, Raj A, editors. Multi-objective optimization to predict minimum temperature for efficient BTEX destruction to minimize fuel gas consumption in sulfur recovery units. Society of Petroleum Engineers - Abu Dhabi International Petroleum Exhibition and Conference 2018, ADIPEC 2018; 2019.

11.       Vávra V, Jablonsky J. Adaptive Ensemble Weight Optimization for Natural Gas Consumption Forecasting: A Hybrid Stochastic–Deep Learning Framework Applied to the Czech Market. Mathematics. 2026;14(5).

12.       Wang D, Liu Y, Wu Z, Fu H, Shi Y, Guo H. Scenario analysis of natural gas consumption in China based on wavelet neural network optimized by particle swarm optimization algorithm. Energies. 2018;11(4).

13.       Wang JQ, Chen L, Li L, Wang YX, editors. Natural gas consumption forecasting based on combinatorial optimization model. Applied Mechanics and Materials; 2014.

14.       Wu W, Ma X, Zeng B, Lv W, Wang Y, Li W. A novel Grey Bernoulli model for short-term natural gas consumption forecasting. Applied Mathematical Modelling. 2020;84:393-404.

15.       Xie Y, Li M, editors. Research on prediction model of natural gas consumption based on grey modeling optimized by genetic algorithm. Proceedings - 2009 IITA International Conference on Control, Automation and Systems Engineering, CASE 2009; 2009.

16.        Xiong P, Li K, Shu H, Wang J. Forecast of natural gas consumption in the Asia-Pacific region using a fractional-order incomplete gamma grey model. Energy. 2021;237.

17.       Yan Q, Qin C. An multi-objective optimal allocation model for regional natural gas consumption structure: A case study of Beijing. Natural Gas Industry. 2019;39(6):156-64.

18.       Zhang X, Chai J, Wang Y, Wei Z, Shi H, Zhang X. Quantitative Analysis and Prediction of China’s Natural Gas Consumption in Different Sectors Based on Bayesian Network. Journal of Systems Science and Information. 2022;10(4):338-53.

19.       Zhao Y, Zhang T, Xu J, Yang J, Wu WZ. A novel damping discrete grey model with time-polynomial term for forecasting monthly natural gas consumption. Grey Systems. 2025;15(2):305-34.

20.       Zhyila V, Malyisheva A, Botnar M, Ananyev A, editors. Determination of gas consumption rate using the thermo technical calculations. MATEC Web of Conferences; 2016.