文摘

每一个能量系统,我们考虑的是一个实体本身定义的参数,根据一些物理定律都是相互关联的。近年对选址的研究中给出了巨大的重要性在一个不精确的环境。在这种情况下,决策对于电厂的合适位置安装网站相关性的问题。环境影响评估通常是用作立法要求选址几十年了。当前工作的目的是开发一个模型,决策者排名根据多种标准或分类各种电厂项目属性,如空气质量、水质、能源输送成本,生态影响,自然风险、项目持续时间。论文中案例研究与应用程序由遗传算法训练的多层感知器,各种排名在印度电厂的位置。

1。介绍

优化工业选址是一个极其复杂的过程,不同的和相互冲突的标准需要详细研究。工业活动和控制化石燃料的使用已成为一个全球变暖的主要原因。因此,今天很多地方的气候是不可预测的,变得异常。发电厂的可行性安装主要是位置相关的这是一个多目标问题。进行环境影响评估(EIA)总是在识别潜在的工厂现场安装。环评过程作为一个专制在选址要求了几十年,目前已经吸引了重要的研究方向。我们的环境已经严重污染将进一步退化的不负责任和不适当的电站安装地点的选择。选址在整个生产过程中,存在认知和量化的不确定性。可以使用一个算法精确模拟相关的不确定性模拟自然的智慧。

发电厂等工业现场安装期间,许多有害元素的危害生物体和环境将会增加,因为在构建阶段砍伐森林面积大,污染物。排放有害气体也可能是由于过量的火力发电厂的燃料燃烧。没有这样的一些属性₂,当吸入过量会导致呼吸问题。他们也可能激怒内壁肺癌和减少肺部感染的免疫力。有限公司等₂内容必须检查,因为它们会导致减少氧气交付身体器官。参数如水质、能源输送成本,施工期间也发挥重要作用在工业发电厂安装。不可测语言参数如社会接受,为安置意愿,生态影响的其他重要的标准被认为是在这个工作。

冯专家开发了一个基于粗糙集的决策系统和多目标规划,为火力发电厂(优先选择网站1]。但这种方法不能作为广义发电厂选址模型的许多重要subattributes并不被认为是在工作。这一发现适用主要用于火力发电厂。

Kaliraj和颧骨的使用地理信息系统(GIS)在确定合适的地点热电厂(2]。属性,如土地、水、煤矿、环境、结算和可访问性网站被认为是在工作。

Ziaei等人使用参数如坡度、土地利用、农业、和土壤类型选择工业区应用GIS和模糊多准则决策3]。九个标准进行了研究,包括历史和旅游中心,受保护的地区,污水,公路、铁路、机场、住宅地区,土地使用,错误,和水资源。但许多重要标准,有害生物和生态系统没有考虑。

暴风雨等人开发了一个基于模糊逻辑模型来比较一组网站的特点研究土地适宜性科学研究保留(4]。模型结合了模糊逻辑知识基于特定站点的数据从GIS数据库中获得。然而这种分析不占很多重要的实时场景数据的目的是找到土地适宜性科学研究工作。这样的选址没有太多影响我们的环境。

Kengpol等人开发了一个决策支持系统,以避免洪水在太阳能发电厂选址通过应用模糊层次分析法(模糊)5]。后者通过模糊的结果验证了应用来说技术相似,理想的解决方案(遮阳帽)。在这工作五个主要属性,即气候、地理、交通、环境、和成本标准,被认为是。

Sambhoo等人等软计算技术应用反向传播人工神经网络(三层),学习矢量量化(LVQ),模糊软集和蚁群模糊索引各种发电厂在印度排名(6]。但重要的属性相关金融方面,社会认可,不被认为是风险管理等等工作。

在现在的工作中,多层perceptron-genetic算法(MLP-GA)是用于预测和排名的网站电厂安装(包括现有的和即将到来的)在印度。人工神经网络(ANN)在这个方法是通过使用一个健壮的训练遗传算法(GA)相反的反向传播(BP)算法。目前的研究将考虑各种属性非常重要和基本不考虑。广泛的案例研究进行对现有和即将到来的电厂在印度。主要强调了电站安装在北东印度行政违规行为,程序性违法行为,环境因素、文化灭绝的威胁,缺乏参与项目实施,以及缺乏知情的公众同意受影响的报道(7- - - - - -9]。剩下的纸是组织如下。

部分2提供数据的一些现有的和即将到来的电厂在印度被认为是在我们的案例研究。部分3描述了该方法。部分4给出了仿真结果和讨论和比较MLP-GA MLP-BP算法之后的结论和未来工作的建议5。

2。案例研究

在MLP-GA案例研究方法用于分类不同站点现有的以及即将到来的发电厂。各种标准,如空气质量、水质、能源输送成本,施工期间,土地使用、社会认可、生态影响和自然风险被认为是。共19个属性选择进行分析。曼尼普尔邦的1500 MW Tipaimukh水电项目是一个提出网站于1984年首次提出但只有1月18日,2003年,该项目获得了重要的通知下节29电力法案。,印度政府10]。这个电厂的环评报告不能轻易对公众有很多差异。的数据在我们的工作被认为是环境影响评价报告和网站位于曼尼普尔邦,* *,锡金,印度喜马偕尔邦(11- - - - - -14]。传统环境影响评价研究中使用的主要属性包括空气、水、土地、和社会经济和生态环境。在我们的工作subattributes没有考虑空气质量评估₂,所以₂下午,₁₀下午,_2。5。二氧化氮如果吸入过量会导致呼吸问题;它可以减少肺部感染的免疫力。另一个重要的污染物被认为是在我们的研究中是如此₂如果超过我们吸气时影响人类健康。它刺激鼻子、喉咙和航空公司造成咳嗽、气喘、呼吸短促,在胸部或紧张的感觉。水质评估subattributes考虑做,BOD, pH值和导电性。流动的水的水质也是一个重要的问题。量高的水硬度可以腐蚀涡轮机的叶片。也增加了盐度水平可以降低发电机的寿命。评估能源输送的成本,subattributes每兆瓦(MW)成本、税率,施工期间。这些决定立即对客户和长期的影响,企业和产业的竞争力。土地使用subattributes像要求每兆瓦和土地淹没100 MW也考虑。社会认可等其他语言数据,网站的距离预留区域,濒危物种的存在,可用性的药用植物,网站在地震带和家庭流离失所(敌对的人口)和对移民的意愿研究指定一个分数按照准则规定由世界各地的专家和中央污染控制委员会,201215),环境和森林(MoEF)产业和影响评估指南20116]。社会认可与否在我家后院(反对者)的影响选择电厂基于不同文献的分析调查10,17- - - - - -19]。安的训练是指重要的subattributes表1。其他语言subattributes前面提到的也被认为是在网络的训练。

3所示。提出的方法

在这个提议的方法,反向传播取代了遗传算法训练神经网络,网络是获得正确的重量。反向传播算法的缺点已经成为停留在局部最小值和一个初始重量选择不当,可能会延迟收敛。GA,另一方面,进行全局搜索,减少的可能性,成为陷入局部最小值(20.]。的基本概念和各种步骤制定MLP-GA在下一节中详细介绍。

3.1。多层感知器(MLP)

延时基本上由监督网络,拓扑配置在几层的神经元,每个神经元th层连接的神经元层。连接被实现为一个“重量”,代表的重量相关的神经元。重量是表示为一个实数,通常规范化之间−1 + 1。层组织成一个固定的输入层,直接接收来自用户输入的模式,一个或更多的隐藏层和输出层固定。隐藏层的MLP网络被认为是大脑的网络。MLP网络的基本架构图1。连接权值确定使用训练算法。反向传播学习规则由Rumelhart推广和Mc克莱兰德中长期规划通常用于训练网络。但在我们工作的反向传播学习规则是被遗传算法取代。

3.2。MLP-GA算法

3.2.1之上。初始化权重

延时是由定义的基因型遗传算法进化重量单。每个重量是表示为一个二进制数。每个解决方案或个人有点字符串并将代表权重的连接层的神经网络。

在目前的工作,每个训练输入的大小是20。隐藏的神经元的数量是4和输出神经元的数量是1。总重量(TW)给出的数量 在哪里大小的输入模式,是隐藏的神经元的数目,是输出神经元的数量。因此,当前工作的总重量是84。

基因长度、GL由方程给出: 在哪里是位的数量/重量。

在目前的工作每个重量使用16位二进制数表示,也就是说,因此基因长度,。

3.2.2。重建表型的基因型

考虑 在哪里位/重量和数量吗是th一点的重量。然后, 在哪里是重量出现在字符串或解决方案,比例因子,是转移的因素。

在我们的应用程序中,我们设置和,所以重量值。

通过这种方式,我们得到权重的重量th的输入j隐藏的神经元,而权重的重量j隐藏的神经元k输出神经元。

3.2.3。隐藏层和输出层的输出

隐藏的神经元的输出计算使用的关系: 乙状结肠是单极激活函数。

的输出是什么j隐藏的神经元。计算输出神经元的输出: 的输出是什么k输出神经元。发现输出执行这两个操作的输入模式。然后更新错误如下: 是所需的输出。执行这个过程,直到所有训练样本已经被使用。

3.2.4。计算字符串的健身或解决方案

字符串的健身或解决方案可以使用健身定义为计算 在哪里是模式或训练样本的数量。上述过程重复的部分3.2。2所有的字符串或人口的解决方案。

3.2.5。选择

在这里,我们找到最高的字符串健身价值。如果这最高的健身价值大于所需的健身价值(= 0.99在我们的应用程序),然后运行停止。健身价值最高的权重代表这个字符串将被用于测试或实际操作阶段。

3.2.6。繁殖

人口使用运营商修改,即交叉和变异。上述流程部分3.2。2是重复了许多代直到我们得到一个字符串或解决方案,其健身价值大于所需的健康。

4所示。实现

4.1。结果和讨论

在本节中,获得的结果在应用MLP-GA详细讨论。神经网络在当前的研究中被考虑训练19 subattributes分为五个主要的属性如表所示1。输入的subattributes网络分为三个类根据一定范围的值如表所示1。在输入功能,生态得到最高weightage计算排名的发电厂。然后是,敌对的人口,能源成本交付,水质和空气质量降低weightage顺序。

水电站的数值数据表中给出了在我们的案例研究2。

应用MLP-GA后,输出层的连接权值= 8.139648−0.403137、8.547668和0.005188−。和重量的隐藏层的连接= 8.895874、0.783997−−1.475525,7.074280,3.493652,4.716492,3.839722,0.617981−−8.630371−6.216431−3.270874,3.026123,8.246155−−7.404175,8.511047,1.188965−4.611206,1.611328,4.305115,1.641235,2.102356−−7.859192−8.496704,3.616943−0.255737,1.913147,7.741394,3.148499,2.516785,2.403564−5.213013−8.703308−8.287048,6.685791,7.122192−−3.007202−1.139832−2.120667−6.600952,3.563232,9.543457−−7.277832−8.657227,3.678284−4.147034,8.448181,3.271179−0.563660−7.385559,6.922302,2.138672,3.964844−2.693176,5.880737,6.936340,0.924683−−6.820068−0.267639,8.542480和4.871521。

为案例研究使用MLP-GA算法获得的结果给出了在桌子上3。使用MLP-GA,可以看出婷婷玫瑰在锡金是最好的选择,其次是Nafra消息灵通的项目和Bajoli消息灵通的项目。Tipaimukh玫瑰的曼尼普尔邦全球争议和面临着很多批评放置是最首选网站。更精确和准确的分类排名的电厂安装网站是通过增加一代或培训周期GA应用程序如表中所示4和5。选择网站的排名如下:婷婷消息灵通的排名第一,Nafra消息灵通的,第二,其次是Bajoli玫瑰在第三位,和Tipaimukh玫瑰排在第四位。安在我们的方法是使用遗传算法训练而不是最常用的反向传播(BP)算法。反向传播算法的缺点已经成为停留在局部最小值和初始重量选择不当可能会推迟收敛GA,另一方面,执行一个全局搜索,减少的可能性,成为陷入局部最小值(20.]。以下注意事项都是计算的目的。

输入的大小= 19日隐藏神经元的数量= 4,输出神经元的数量= 1。的愿望或目标输出设置为1.0,0.05公平,−1.0差。

4.2。MLP-GA和MP-BP结果比较

中长期规划训练后获得的结果由GA与BP算法训练后结果MLP相比。比较两个培训周期的结果,也就是说,2000年培训周期和10000年培训周期,说明目的表所示4和5,分别。更深入的分析和比较不同的迭代或培训周期图中以图形的方式说明2。

(i)比较2000年培训周期

(一)MLP-BP。输出层的连接权值” ”如下:0.734139,2.041600,0.617518,2.097973,6.432362,2.556959−0.336022−2.384376,0.425262,2.518832。

隐层的连接权值” ”如下:0.305531−0.450689,0.428237,0.330757,0.365426,0.389095−0.414114−0.420629−0.136728−0.289917,0.431811,0.087642,0.131555,0.223131,0.471790−−0.343707−0.164725,0.400936−0.296919,0.453303,0.308819,0.170333,0.234527,0.063943−0.285621−0.047045−0.026247,0.397211,0.246425−−0.365713 0.290721−0.314819,0.119038,0.246225,0.483102,0.269123−0.183132−0.208129−0.100440,0.136836,0.211080−−0.076677,0.402333,0.265095,0.473855,0.414572,0.038468,0.389990−0.139772,0.032763−0.439788,0.181634,0.399938−0.174647−0.416758−0.031811,0.211765,0.169842,0.365121,0.184724,0.487932−0.264314,0.467117,0.358658,0.016569,0.387160−−0.432766,0.119724,0.088440,0.390428−−0.089655−0.078576−0.217386,0.387006,0.393366,0.474731,0.478409−−0.257644−0.130047,0.329742。

(b) MLP-GA。输出层的连接权值如下:8.640137,0.108032−−6.368103−2.590332,0.653076,7.587585−−3.596191−5.078430,9.705811,7.773438。

隐层的连接权值如下:−0.362244,8.981323,0.627136−−1.430359,5.731201,5.973511,1.858521−−0.414429,8.376160−2.780762,2.784119,9.869385,6.218567−−1.531677,4.980164,9.441223−1.383057,0.783386,1.921082,1.910706,3.632813,7.511902−1.937866,7.555847,4.084473,3.894348,2.620544,9.647217−−6.548462,9.605713,0.293579−9.856873,2.045288,6.323853,7.258301,6.036377−−5.184631−6.697998,6.506653,3.273315,7.230835−3.641663,6.458435,3.102722,8.251343−−8.585510−2.097168−0.351257,4.871216,6.976013,0.329590−−3.218994,7.872925,1.158752−−9.348145,5.022583,3.162537−−0.123901,3.478394−7.898560,0.076904,4.951477,4.499207−−3.388062,5.930786,4.740906,6.850281,3.627014,5.051270−−4.497681−6.159363−3.559570,2.778015,6.582642−−3.999329−3.980713−5.700073−4.452515,4.456177,1.010437。

以下注意事项进行了模拟的目的。

输入的大小= 19日隐藏神经元的数量= 5,输出神经元的数量= 2。的愿望或目标输出设置为好,公平的,为贫穷。

(2)比较10000年培训周期

(一)MLP-BP。输出层的连接权值“W”如下:0.188078、0.492327、0.574531−4.225360,3.730163,1.013063,0.378569,0.476830,3.839934−4.618770,。

隐层的连接权值“V”0.062544如下:0.461304−−−0.021948,0.408009−0.453905,0.174533−0.179232,0.287021,0.142736,0.170833−−0.298220−0.044246,0.152835,0.293921−0.354115−0.034447−0.288021−0.311719−0.378712,0.116438,0.469377,0.026979−−0.178748−0.101630−0.066713−0.137334−0.300564,0.498599,0.079203−0.234070−0.427677,0.244691−0.051125,0.310323,0.306384,0.207389−0.480142,0.180512,0.163735,0.411557,0.336028−−0.148515,0.238227,0.050782,0.486782−0.155961,0.496837,0.432305,0.457947,0.352271−0.300943,0.044913,0.116874−0.237545,0.478014,0.235534,0.327268−−0.080950−0.466530−0.470620,0.065543,0.079142,0.330717−−0.265523,0.334417,0.155434,0.171933−−0.444706,0.366013,0.318618−−0.258024,0.215928,0.377712,0.279822,0.306119−−0.227227−0.369113,0.299920,0.278122,0.371013。

(b) MLP-GA。输出层的连接权值“W”如下:1.679993−−6.200562,4.992676,0.397034−0.607910−4.313660,7.661743,4.687500,7.633972−1.875000,。

隐层的连接权值“V”如下:4.173584−7.783203,8.825989,3.720093,5.450439−−3.009949−7.048645−2.969971−8.653870,0.428162,6.829529−6.887207−8.811035,5.026855,8.310547−4.942932−0.180969,2.826538,5.613403,8.455811,8.414612,7.419434,6.508484−−1.716309,6.739502,4.996948−−5.166321,0.060425−2.833557,1.747437,1.610718−−1.657410,1.234436,5.168152,7.507935−−7.496033−6.580505,8.094482,3.653870,4.292603−8.523560,8.390808,5.028381,3.546448−−2.420959,9.117432,9.519043−−0.023499−2.316895,0.456848,6.387634,0.820923,5.253906−−2.333679,9.919434,9.270020,0.936279,7.049866,5.543518,5.120239−8.855896−2.654419−6.263733−6.665039−8.846130−2.744446,1.533508,3.603210,9.176941−0.364990,1.494751,8.595886,4.587402,4.457092,0.513000−6.563721−6.754456−2.308350−3.476868−4.787598。

以下注意事项进行了模拟的目的。

输入的大小= 19日隐藏神经元的数量= 5,输出神经元的数量= 2。的愿望或目标输出设置为好,公平的,为贫穷。

的比较表4和5表明,该延时训练与GA中长期规划执行比传统BP算法训练。也观察到MLP-GA准确分类和等级电厂安装培训周期较小。图2显示了详细分析MLP-GA和MLP-BP不同的学习周期或迭代。

的设在代表学习周期或迭代设在代表分类率的百分比。百分比分类率,使网站的排名水电站安装了500年,1000年,10000年,20000年、50000年和60000年学习周期或迭代的新提议MLP神经网络训练和GA的MLP神经网络训练的BP算法。案例研究,计算评价表明,500年的学习周期,MLP-GA分类率是75%,但对于MLP-BP,百分比分类率仅为25%。在一个类似的模式,它是发现,从10000年开始学习周期,MLP-GA分类率达到100%的成功;也就是说,它可以精确给定的电厂安装网站排名。但MLP-BP 2000次迭代分类率只有50%,75%在10000年到20000年的迭代。MLP-BP分类率达到50000次迭代后达到100%。因此,提出的培训的MLP神经网络遗传算法的方法显示了更高效率的准确分类和识别潜在的站点安装的水电站。

5。结论和未来的工作

现实世界中关于选址决策的安装水电站是一个复杂的问题,需要仔细分析,因为它涉及到所有的利益相关者的参与包括一个普通人。水电站安装涉及大量的金融投资、人力、和时间约束,从而将其转化为一个几乎不可逆转的决定后安装。因此,说方法避免人类对环境的有害影响,随后是必需的。水电站的位置成为一个有争议的问题在国家里有巨大需求,以满足日益增长的能源需求。许多政策制定者可能试图利用权力不考虑的不良影响正常可能威胁到我们的生态系统和人类生存环境。因为选址的问题涉及到定量以及定性属性必须以语言Tinformation有时被描述,基于ANN的形式主义似乎更适合解决这一问题。MLP-GA提议表明,它能准确地优先考虑潜在的网站水电站安装。我们的结果是公正的性质和不同的重要标准,这两个定量和定性信息水电站坐落,被认为是。

属性相关的过程选择一个企业喜欢使用容量因子(CP),内部回报率(IRR)和系统性的好处可能稍后讨论考虑到商业世界的要求但是在我们当前的研究我们的目标是要考虑环境的影响是非常重要的维持。神经网络与模糊逻辑相结合的协同作用对排名的网站安装水电站将形成扩展本文中讨论的工作。

相互竞争的利益

作者宣称没有利益冲突有关的出版。