Détection et prévention du fonctionnement des génératrices diesel à faible charge par les réseaux de neurones artificiels

Ghorbanzadeh, Milad (2024). Détection et prévention du fonctionnement des génératrices diesel à faible charge par les réseaux de neurones artificiels. Mémoire. Rimouski, Université du Québec à Rimouski, Département de mathématiques, informatique et génie, 77 p.

Prévisualisation

PDF Télécharger (9MB) | Prévisualisation

Résumé

RÉSUMÉ : Électrifier les régions éloignées qui n'ont pas accès au réseau électrique national dépend fortement des générateurs diesel. Cependant, un défi majeur se pose lorsque la demande en électricité est faible, ce qui nécessite que le moteur diesel fonctionne sous un faible régime. Une combustion inadéquate pendant cette phase entraîne une accumulation significative de polluants à l'intérieur du cylindre, ce qui peut affecter négativement le fonctionnement du moteur. L'objectif principal de cette recherche est d'optimiser le fonctionnement d'un groupe électrogène diesel en détectant et en prévenant son fonctionnement sous un faible régime grâce à la mise en œuvre d'un système de contrôle basé sur des Réseaux de Neurones Artificiels (RNA). Les expériences ont été réalisées sur un moteur à allumage par compression Caterpillar de 8,8 litres d'une puissance maximale de 300 kW et les données respectives sur les gaz d'échappement ont été collectées à l'aide d'un analyseur de gaz de combustion. Les données acquises ont été utilisées pour entraîner un réseau neuronal capable d'identifier les schémas lorsque le groupe électrogène diesel fonctionne en dessous de la charge de fonctionnement prescrite par le fabricant, soit dans notre cas, en dessous de 35 %. À cette fin, différentes architectures de réseaux neuronaux ont été testées pour déterminer la structure la plus optimale adaptée à notre donnée d'entrée produisant la prédiction la plus précise de la charge de fonctionnement du GED. La charge de fonctionnement prédite est ensuite utilisée dans un système de contrôle pour déterminer la valeur de la résistance requise du banc de charge qui doit être chargée sur l'unité génératrice du GED. Cela permettrait de convertir l'énergie électrique en chaleur, améliorant ainsi l'état de fonctionnement du GED en atténuant les impacts négatifs de son fonctionnement à faible charge. Les résultats de simulation acquis de cette recherche démontrent que le système de contrôle développé détecte la sous-performance d'un GED avec une précision remarquable, dont le coefficient de corrélation et la Racine de l'Erreur Quadratique Moyenne (REQM) sont proches de 0,007 et 0,03 pour les données d'entraînement et de test, respectivement. -- Mot(s) clé(s) en français : faible charge; sous-performance; générateur diesel; moteur à combustion; production d'électricité autonome ; optimisation ; Réseau de Neurones Artificiels (RNA). --
ABSTRACT : Electrifying remote regions lacking access to the national electricity grid relies heavily on diesel generators. However, a significant challenge arises when the electricity demand is low, necessitating the diesel engine to operate under a low-load regime. Inadequate combustion during this phase results in a significant accumulation of pollutants inside the cylinder, adversely affecting the engine's operation. The main objective of this research is to optimize the operation of a diesel generator by detecting and preventing its low-load operation by implementing a control system based on Artificial Neural Networks (ANN). The experiments were carried out on an 8.8-liter Caterpillar compression ignition engine with a maximum power of 300 kW, and the respective exhaust gas data were collected using a gas combustion analyzer. The acquired data was used to train a neural network capable of identifying patterns when the diesel generator set operates below the manufacturer's prescribed operating load, which, in our case, is below 35%. For this purpose, different neural network architectures were tested to determine the most optimal structure adapted to our input data, producing the most accurate prediction of the operating load of the diesel engine generator (DEG). The predicted DEG operating load is then used in a control system to determine the required load bank resistance value that should be loaded onto DEG's generator unit. This will convert electrical energy into heat, thereby improving the DEG's operating state by mitigating its low-load operation's negative impacts. The simulation results acquired from this research demonstrate that the developed control system detects the underperformance of a DEG with remarkable accuracy, whose correlation coefficient, and Root Mean Squared Error (RMSE) are close to 0.007 and 0.03 for training and testing data, respectively. -- Mot(s) clé(s) en anglais : low load; underperformance; diesel generator; combustion engine; stand-alone power generating; optimization; Artificial Neural Networks.

Type de document :	Thèse ou mémoire de l'UQAR (Mémoire)
Directeur(trice) de mémoire/thèse :	Ilinca, Adrian
Co-directeur(s) ou co-directrice(s) de mémoire/thèse :	Issa, Mohamad
Information complémentaire :	Mémoire présenté dans le cadre du programme de maîtrise en ingénierie en vue de l'obtention du grade de maître ès sciences appliquées (M. Sc. A.).
Mots-clés :	Générateurs électriques; Centrales diesel; Réseaux neuronaux (Informatique); Réseau de neurones artificiels; Économies d'énergie.
Départements et unités départementales :	Département de mathématiques, informatique et génie > Génie
Déposé par :	DIUQAR UQAR
Date de dépôt :	21 mars 2024 18:00
Dernière modification :	21 mars 2024 18:00
URI :	https://semaphore.uqar.ca/id/eprint/2934

Actions (administrateurs uniquement)

Éditer la notice