Published January 1, 2020
| Version v1
Publication
Open
Modeling, Simulation and Optimization of Power Plant Energy Sustainability for IoT Enabled Smart Cities Empowered With Deep Extreme Learning Machine
Creators
- 1. National College of Business Administration and Economics
- 2. Lahore Garrison University
- 3. Tecnológico de Monterrey
- 4. University of Haripur
- 5. Information Technology University
- 6. Abbottabad University of Science and Technology
- 7. Aswan University
- 8. Prince Sattam Bin Abdulaziz University
Description
A smart city is a sustainable and effective metropolitan hub, that offers its residents high excellence of life through appropriate resource management. Energy management is among the most challenging problems in such metropolitan areas due to the difficulty and key role of energy systems. To optimize the benefit from the available megawatt-hours, it is important to predict the maximum electrical power output of a baseload power plant. This paper explores the method of a deep extreme learning machine to create a predictive model that can predict a combined cycle power plant's hourly full-load electrical output. An intelligent energy management solution can be achieved by properly monitoring and controlling these resources through the internet of things (IoT). The universe of artificial intelligence has produced many strides through deep learning algorithms and these methods were used for data analysis. Nonetheless, for further accuracy, deep extreme learning machine (DELM) is another candidate to be investigated for analyses of the data sequence. By using the DELM approach, a high level of reliability with a minimum error rate is achieved. The approach shows better results compared to previous investigations since previous studies could not meet the findings up to the mark and unable to predict power plant electrical energy output efficiently. During the investigation, it is shown that the proposed approach has the highest accuracy rate of 98.6% with 70% of training (33488 samples), 30% of test and validation (14352 examples). Simulation results validate the prediction effectiveness of the proposed scheme.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
المدينة الذكية هي مركز حضري مستدام وفعال، يوفر لسكانه امتيازًا عاليًا في الحياة من خلال إدارة الموارد المناسبة. تعد إدارة الطاقة من بين أكثر المشاكل صعوبة في مثل هذه المناطق الحضرية بسبب صعوبة أنظمة الطاقة ودورها الرئيسي. لتحسين الاستفادة من الميغاواط/ساعة المتاحة، من المهم التنبؤ بأقصى خرج للطاقة الكهربائية لمحطة توليد الطاقة ذات الحمل الأساسي. تستكشف هذه الورقة طريقة آلة التعلم العميق المتطرفة لإنشاء نموذج تنبؤي يمكنه التنبؤ بالإخراج الكهربائي للحمل الكامل لمحطة توليد الطاقة ذات الدورة المركبة كل ساعة. يمكن تحقيق حل ذكي لإدارة الطاقة من خلال المراقبة والتحكم بشكل صحيح في هذه الموارد من خلال إنترنت الأشياء (IoT). أنتج عالم الذكاء الاصطناعي العديد من الخطوات من خلال خوارزميات التعلم العميق واستخدمت هذه الأساليب لتحليل البيانات. ومع ذلك، لمزيد من الدقة، فإن آلة التعلم العميق المتطرف (DELM) هي مرشح آخر للتحقيق فيه لتحليل تسلسل البيانات. باستخدام نهج DELM، يتم تحقيق مستوى عالٍ من الموثوقية مع الحد الأدنى من معدل الخطأ. يُظهر النهج نتائج أفضل مقارنة بالتحقيقات السابقة لأن الدراسات السابقة لم تستطع تلبية النتائج حتى العلامة وغير قادرة على التنبؤ بإخراج الطاقة الكهربائية لمحطة الطاقة بكفاءة. خلال التحقيق، تبين أن النهج المقترح لديه أعلى معدل دقة بنسبة 98.6 ٪ مع 70 ٪ من التدريب (33488 عينة)، 30 ٪ من الاختبار والتحقق من الصحة (14352 مثال). تتحقق نتائج المحاكاة من فعالية التنبؤ للمخطط المقترح.Translated Description (French)
Une ville intelligente est un pôle métropolitain durable et efficace, qui offre à ses habitants une haute excellence de vie grâce à une gestion appropriée des ressources. La gestion de l'énergie est l'un des problèmes les plus difficiles dans ces zones métropolitaines en raison de la difficulté et du rôle clé des systèmes énergétiques. Pour optimiser le bénéfice des mégawattheures disponibles, il est important de prévoir la puissance électrique maximale d'une centrale de charge de base. Cet article explore la méthode d'une machine d'apprentissage extrême profond pour créer un modèle prédictif qui peut prédire la production électrique horaire à pleine charge d'une centrale à cycle combiné. Une solution intelligente de gestion de l'énergie peut être obtenue en surveillant et en contrôlant correctement ces ressources via l'Internet des objets (IoT). L'univers de l'intelligence artificielle a produit de nombreuses avancées grâce à des algorithmes d'apprentissage profond et ces méthodes ont été utilisées pour l'analyse de données. Néanmoins, pour plus de précision, la machine d'apprentissage extrême profond (DELM) est un autre candidat à étudier pour les analyses de la séquence de données. En utilisant l'approche DELM, un niveau élevé de fiabilité avec un taux d'erreur minimum est atteint. L'approche montre de meilleurs résultats par rapport aux enquêtes précédentes, car les études précédentes n'ont pas pu atteindre les résultats jusqu'à la marque et n'ont pas pu prédire efficacement la production d'énergie électrique de la centrale. Au cours de l'enquête, il est montré que l'approche proposée a le taux de précision le plus élevé de 98,6% avec 70% de la formation (33488 échantillons), 30% du test et de la validation (14352 exemples). Les résultats de la simulation valident l'efficacité de la prédiction du schéma proposé.Translated Description (Spanish)
Una ciudad inteligente es un centro metropolitano sostenible y eficaz, que ofrece a sus residentes una alta excelencia de vida a través de una gestión adecuada de los recursos. La gestión de la energía se encuentra entre los problemas más desafiantes en tales áreas metropolitanas debido a la dificultad y el papel clave de los sistemas energéticos. Para optimizar el beneficio de los megavatios-hora disponibles, es importante predecir la potencia eléctrica máxima de salida de una planta de energía de carga base. Este documento explora el método de una máquina de aprendizaje extremo profundo para crear un modelo predictivo que pueda predecir la salida eléctrica horaria a plena carga de una central eléctrica de ciclo combinado. Se puede lograr una solución inteligente de gestión de la energía monitorizando y controlando adecuadamente estos recursos a través del internet de las cosas (IoT). El universo de la inteligencia artificial ha producido muchos avances a través de algoritmos de aprendizaje profundo y estos métodos se utilizaron para el análisis de datos. No obstante, para mayor precisión, la máquina de aprendizaje extremo profundo (DELM) es otro candidato a ser investigado para el análisis de la secuencia de datos. Al utilizar el enfoque DELM, se logra un alto nivel de confiabilidad con una tasa de error mínima. El enfoque muestra mejores resultados en comparación con las investigaciones anteriores, ya que los estudios anteriores no pudieron cumplir con los hallazgos hasta la marca y no pudieron predecir la producción de energía eléctrica de la planta de energía de manera eficiente. Durante la investigación, se demuestra que el enfoque propuesto tiene la tasa de precisión más alta de 98.6% con 70% de capacitación (33488 muestras), 30% de prueba y validación (14352 ejemplos). Los resultados de la simulación validan la efectividad de la predicción del esquema propuesto.Files
09016175.pdf.pdf
Files
(245 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:5830e631d410e555af41845c971007ef
|
245 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- نمذجة ومحاكاة وتحسين استدامة الطاقة في محطات توليد الطاقة للمدن الذكية التي تدعم إنترنت الأشياء والمدعومة بآلة التعلم العميق المتطرف
- Translated title (French)
- Modélisation, simulation et optimisation de la durabilité énergétique des centrales électriques pour les villes intelligentes activées par l'IdO et dotées d'une machine d'apprentissage extrême en profondeur
- Translated title (Spanish)
- Modelado, simulación y optimización de la sostenibilidad energética de las centrales eléctricas para ciudades inteligentes habilitadas para IoT potenciadas con Deep Extreme Learning Machine
Identifiers
- Other
- https://openalex.org/W3007556402
- DOI
- 10.1109/access.2020.2976452
References
- https://openalex.org/W1608558570
- https://openalex.org/W167368901
- https://openalex.org/W1964252424
- https://openalex.org/W1966751624
- https://openalex.org/W1968773071
- https://openalex.org/W1969085745
- https://openalex.org/W1993717606
- https://openalex.org/W1994164663
- https://openalex.org/W2000164913
- https://openalex.org/W2010772936
- https://openalex.org/W2026942921
- https://openalex.org/W2045371716
- https://openalex.org/W2049622828
- https://openalex.org/W2058401212
- https://openalex.org/W2079421249
- https://openalex.org/W2081942550
- https://openalex.org/W2082598116
- https://openalex.org/W2085008468
- https://openalex.org/W2089955789
- https://openalex.org/W2105103777
- https://openalex.org/W2111619626
- https://openalex.org/W2116769344
- https://openalex.org/W2136231460
- https://openalex.org/W2136492715
- https://openalex.org/W2145397365
- https://openalex.org/W2167277498
- https://openalex.org/W2173040122
- https://openalex.org/W2292236878
- https://openalex.org/W2412392780
- https://openalex.org/W2472333518
- https://openalex.org/W2587472379
- https://openalex.org/W2594788700
- https://openalex.org/W2603489110
- https://openalex.org/W2743591260
- https://openalex.org/W2787114603
- https://openalex.org/W2788381125
- https://openalex.org/W2893898383
- https://openalex.org/W2897706133
- https://openalex.org/W2904415173
- https://openalex.org/W2905217250
- https://openalex.org/W2934499134
- https://openalex.org/W2984841888
- https://openalex.org/W3125866593