Journal of IKEEE (전기전자학회논문지)

Institute of Korean Electrical and Electronics Engineers (한국전기전자학회)
권호 표지
DOI QR코드

DOI QR Code

Output Power Prediction of Combined Cycle Power Plant using Logic-based Tree Structured Fuzzy Neural Networks

로직에 기반 한 트리 구조의 퍼지 뉴럴 네트워크를 이용한 복합 화력 발전소의 출력 예측

  • Han, Chang-Wook (Dept. of Electrical Engineering, Dong-Eui University) ;
  • Lee, Don-Kyu (Dept. of Electrical Engineering, Dong-Eui University)
  • Received : 2019.06.09
  • Accepted : 2019.06.17
  • Published : 2019.06.30
Download PDF
⟨ Previous Next ⟩

Abstract

Combined cycle power plants are often used to produce power. These days prediction of power plant output based on operating parameters is a major concern. This paper presents an approach to using computational intelligence technique to predict the output power of combined cycle power plant. Computational intelligence techniques have been developed and applied to many real world problems. In this paper, tree architectures of fuzzy neural networks are considered to predict the output power. Tree architectures of fuzzy neural networks have an advantage of reducing the number of rules by selecting fuzzy neurons as nodes and relevant inputs as leaves optimally. For the optimization of the networks, two-step optimization method is used. Genetic algorithms optimize the binary structure of the networks by selecting the nodes and leaves as binary, and followed by random signal-based learning further refines the optimized binary connections in the unit interval. To verify the effectiveness of the proposed method, combined cycle power plant dataset obtained from the UCI Machine Learning Repository Database is considered.

오늘날 복합 화력 발전소는 전력 생산을 위해 많이 사용되고 있고, 최근에는 운전 매개 변수를 기반으로 발전 출력을 예측하는 것이 주요 관심사이다. 본 논문에서는 복합 화력 발전소의 출력을 예측하기 위해 컴퓨터 지능 기법을 이용하는 방법을 제시한다. 컴퓨터 지능 기술은 지속적으로 발전되어 많은 실제 문제에 적용되어 왔다. 본 논문에서는 트리 구조의 퍼지 뉴럴 네트워크를 이용하여 발전 출력을 예측하고자 한다. 트리 구조의 퍼지 뉴럴 네트워크는 퍼지 뉴런을 노드로 선택하고 관련 입력을 최적으로 선택하여 규칙 수를 줄이는 장점이 있다. 네트워크의 최적화를 위해 2 단계 최적화 방법이 사용된다. 유전 알고리즘은 최적의 노드와 리프를 선택하여 네트워크의 이진 구조를 최적화 한 다음 랜덤 신호 기반 학습을 수행하여 최적화 된 이진 연결을 단위 구간에서 미세 학습한다. 제안 된 방법의 유용성을 검증하기 위해 UCI Machine Learning Repository Database에서 얻은 복합 화력 발전소 데이터를 사용한다.

Keywords

JGGJB@_2019_v23n2_529_f0001.png 이미지

Fig. 1. Basic structure of tree structured fuzzy neural networks. 그림 1. 트리 구조의 퍼지 뉴럴 네트워크 기본 구조

Table 1. Average performance index(RMSE) and number of rule for training data. 표 1. 트레이닝 데이터에 대한 평균 오차 및 규칙의 수

JGGJB@_2019_v23n2_529_t0001.png 이미지

Table 2. Average performance index(RMSE) and number of rule for testing data. 표 2. 테스팅 데이터에 대한 평균 오차 및 규칙의 수

JGGJB@_2019_v23n2_529_t0002.png 이미지

References

  1. P. Tufekci, "Prediction of full load electrical power output of a base load operated combined cycle power plant using machine learning methods," Electrical Power and Energy Systems, vol.60, pp.126-140, 2014. DOI: 10.1016/j.ijepes.2014.02.027
  2. H. Kaya, P. Tufekci and F. Gurgen, "Local and Global Learning Methods for Predicting Power of a Combined Gas & Steam Turbine," in Proc. of the Int. Conf. on Emerging Trends in Computer and Electronics Engineering, pp.13-18, 2012.
  3. M. Rashid, K. Kamal, T. Zafar, Z. Sheikh, A. Shah and S. Mathavan, "Energy Prediction of a Combined Cycle Power Plant using a Particle Swarm Optimization Trained Feed Forward Neural Network," in Proc. of the Int. Conf. on Mechanical Engineering, Automation and Control Systems, 2015. DOI: 10.1109/MEACS.2015.7414935
  4. C. W. Han, "Developing a Tree Structures of Fuzzy Controller," Advanced Science and Technology Letters, vol. 139, pp. 439-442, 2016. https://doi.org/10.14257/astl.2016.139.87
  5. D.E. Goldberg, Genetic algorithms in search, optimization and machine learning, Reading, MA: Addison-Wesley, 1989.
  6. C. W. Han, J. I. Park, "A Study on Hybrid Random Signal-based Learning and Its Applications," International Journal of Systems Science, vol.35, no.4, pp.243-253, 2004. DOI: 10.1080/00207720410001714149