ارزیابی مکان بهینه نیروگاه خورشیدی در استان فارس با استفاده از روش های تصمیم گیری چندمعیاره و یک رویکرد یادگیری ماشین (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
مقدمه انرژی نقشی حیاتی در توسعه پایدار و بهبود کیفیت زندگی انسان ایفا می کند. با افزایش تقاضای جهانی برای انرژی، به ویژه در کشورهای در حال توسعه، نیاز به گذار به سمت منابع انرژی تجدیدپذیر بیش از پیش احساس می شود. در میان این منابع، انرژی خورشیدی و به ویژه فناوری فتوولتائیک (PV) به دلیل پایداری زیست محیطی، نبود کربن و ظرفیت قابل توجه در کاهش تغییرات اقلیمی جایگاه ویژه ای دارد. ایران، به دلیل قرار گرفتن در منطقه ای با پتانسیل بالای تابش خورشیدی، موقعیت مناسبی برای بهره برداری از انرژی خورشیدی دارد. این کشور با میانگین سالانه 1800 کیلووات ساعت بر مترمربع تابش خورشیدی و بیش از 280 تا 300 روز آفتابی در سال، فرصت ایده آلی برای توسعه نیروگاه های خورشیدی فراهم آورده است. با این حال، علی رغم این ظرفیت چشمگیر، ایران هنوز به طور کامل از انرژی خورشیدی بهره برداری نکرده است که یکی از دلایل اصلی آن، چالش های مربوط به انتخاب مکان های بهینه برای احداث نیروگاه هاست. اثربخشی پروژه های نیروگاه خورشیدی به شدت به انتخاب مناسب ترین مکان ها برای احداث نیروگاه وابسته است. انتخاب بهینه مکان نه تنها بازدهی تولید انرژی را به حداکثر می رساند، بلکه اثرات زیست محیطی و هزینه های اقتصادی را نیز کاهش می دهد. در مقابل، انتخاب نامناسب مکان می تواند به کاهش راندمان، اتلاف منابع مالی و تشدید تخریب محیط زیست منجر شود. بنابراین، نخستین گام در توسعه نیروگاه های خورشیدی، شناسایی مناطقی با پتانسیل بالای تابش خورشیدی و سایر عوامل کلیدی مانند دسترسی به شبکه برق، منابع آب و زیرساخت هاست. روش های تصمیم گیری چندمعیاره (MCDM) ابزارهای مؤثری برای ارزیابی عوامل مختلف در مکان یابی هستند. همچنین، سیستم های اطلاعات مکانی (GIS) در تحلیل داده های مکانی ارزشمند بوده و امکان ارزیابی دقیق و تصمیم گیری آگاهانه را فراهم می کنند. در سال های اخیر، تکنیک های یادگیری ماشین نیز به عنوان رویکردی نوین برای بهینه سازی فرایند مکان یابی نیروگاه های خورشیدی مطرح شده اند. مواد و روش ها این پژوهش با ترکیب روش های تصمیم گیری چندمعیاره (MCDM)، سیستم اطلاعات مکانی (GIS) و تکنیک های یادگیری ماشین به انتخاب بهینه مکان نیروگاه های خورشیدی در استان فارس می پردازد. در گام نخست، نه معیار کلیدی شامل تابش خورشیدی، دما، شیب، بارش، ارتفاع و نزدیکی به زیرساخت ها شناسایی شد. با استفاده از GIS لایه های مکانی مربوط به این معیارها تولید شد. سپس، دو روش تصمیم گیری چندمعیاره، شامل روش بهترین بدترین (BWM) و روش SWARA، برای وزن دهی به معیارها به کار گرفته شدند و نظریه تلفیق اطلاعات دمپستر شفر برای افزایش قابلیت اعتماد وزن ها از طریق ادغام نتایج دو روش استفاده شد. نقشه تناسب اراضی برای مکان یابی نیروگاه های خورشیدی با استفاده از روش مارکوس تهیه شد. در مرحله بعد، یادگیری ماشین و به طور مشخص رگرسیون بردار پشتیبان (SVR) به کار گرفته شد تا مناسب ترین مناطق برای احداث نیروگاه های خورشیدی پیش بینی شود. فراپارامترهای مدل SVR با استفاده از الگوریتم تکاملی گرگ خاکستری (GWO) بهینه سازی شدند. مدل SVR با داده های مرجع حاصل از نقشه تناسب اراضی تولیدشده توسط روش مارکوس آموزش داده شد. این رویکرد ترکیبی امکان تهیه نقشه ای با قابلیت اعتماد بالا برای مکان یابی نیروگاه های خورشیدی را فراهم کرد و دیدگاه های ارزشمندی درباره ظرفیت توسعه انرژی های تجدیدپذیر در استان فارس ارائه داد. یافته ها نتایج نشان داد بر اساس روش مارکوس، 14 درصد از منطقه مورد مطالعه در استان فارس برای احداث نیروگاه های خورشیدی بسیار مناسب بوده است؛ در حالی که رویکرد مبتنی بر یادگیری ماشین این مقدار را 34 درصد برآورد کرده است. در مجموع، 48 درصد از مساحت استان به عنوان مناطق دارای تناسب خیلی زیاد برای تولید انرژی خورشیدی شناسایی شد. مناطق شمالی، شمال شرقی و مرکزی استان، شامل شهرستان های آباده، سرچهان، پاسارگاد و بوانات به عنوان مکان های اولویت دار برای توسعه نیروگاه های خورشیدی پیشنهاد شدند. علاوه بر این، تحلیل ها نشان داد رویکرد مبتنی بر یادگیری ماشین نسبت به روش مارکوس پیش بینی دقیق تری ارائه می دهد. مدل SVR بهینه شده با الگوریتم GWO به دقت پیش بینی بالایی دست یافت، به طوری که ضریب تعیین (R²) برای داده های آموزشی برابر با 0/9975 و برای داده های آزمون برابر با 0/9923 بود. همچنین، این مدل 48 درصد از منطقه را به عنوان بسیار مناسب برای احداث نیروگاه های خورشیدی طبقه بندی کرد، در حالی که روش مارکوس تنها 39 درصد از منطقه را در این دسته قرار داده بود. ترکیب روش های MCDM، GIS و یادگیری ماشین که در این پژوهش ارائه شد، چارچوبی قدرتمند برای مکان یابی نیروگاه های خورشیدی فراهم می آورد. ادغام MCDM با GIS رویکردی جامع برای ارزیابی عوامل متعدد ارائه می کند، در حالی که افزودن یادگیری ماشین دقت و کارایی انتخاب مکان را افزایش می دهد. نتایج نشان می دهد یادگیری ماشین می تواند به طور چشمگیری قابلیت اعتماد پیش بینی ها را به ویژه در مواجهه با داده های پیچیده مکانی و محیطی بهبود بخشد. یافته های این تحقیق با مطالعات پیشین در حوزه مکان یابی نیروگاه های خورشیدی همخوانی دارد و اهمیت در نظر گرفتن عواملی همچون تابش خورشیدی، نزدیکی به زیرساخت ها و شرایط محیطی را برجسته می سازد. همچنین، استفاده از یادگیری ماشین، نقش فزاینده هوش مصنوعی در بهینه سازی فرایندهای تصمیم گیری در پروژه های انرژی های تجدیدپذیر را تأیید می کند. نتیجه گیری با توجه به ضرورت توسعه انرژی های تجدیدپذیر، مکان یابی بهینه نیروگاه های خورشیدی از اهمیت ویژه ای برخوردار است. در این پژوهش، ۹ معیار اقلیمی، توپوگرافی و زیرساختی شامل پتانسیل فتوولتائیک، تابش نرمال مستقیم، دما، بارندگی، شیب، فاصله از راه ها، فاصله از گسل ها، ارتفاع و فاصله از مراکز شهری بر اساس مطالعات پیشین انتخاب و با استفاده از رویکرد تصمیم گیری چندمعیاره و روش های وزن دهی BWM و SWARA مورد تحلیل قرار گرفت. نتایج نشان داد پتانسیل فتوولتائیک و تابش نرمال مستقیم مهم ترین معیارها در فرایند مکان یابی هستند. برای افزایش دقت، وزن ها با تئوری دمپستر شفر ترکیب شدند و نقشه تناسب اراضی با روش مارکوس تهیه شد. سپس، با استفاده از الگوریتم بهینه سازی گرگ خاکستری، مدل SVR تنظیم و نقشه تناسب پیش بینی شد که نشان داد حدود 48 درصد از استان فارس از تناسب زیاد و خیلی زیاد برای احداث نیروگاه برخوردار است. در نهایت، شهرستان های آباده، سرچهان، پاسارگاد، بوانات و خرم بید به عنوان اولویت های اصلی شناسایی شدند. نتایج این تحقیق می تواند راهنمای ارزشمندی برای سیاست گذاران و سرمایه گذاران در توسعه پایدار انرژی خورشیدی باشد. این پژوهش اثربخشی ترکیب روش های تصمیم گیری چندمعیاره، سیستم اطلاعات مکانی و یادگیری ماشین را در بهینه سازی فرایند مکان یابی نیروگاه های خورشیدی نشان داد. به کارگیری یک چارچوب تصمیم گیری ترکیبی به توسعه انرژی خورشیدی در ایران و مناطق مشابه با پتانسیل بالای تابش خورشیدی کمک می کند. نتایج این مطالعه دیدگاه های ارزشمندی برای برنامه ریزان انرژی، سیاست گذاران و سرمایه گذاران در انتخاب مکان های مناسب برای زیرساخت های خورشیدی فراهم می آورد. این رویکرد علاوه بر بهینه سازی تولید انرژی، به پایداری محیط زیستی کمک کرده و گذار جهانی به سمت منابع انرژی تجدیدپذیر را تسهیل می کند.Evaluation Of the Optimal Location for A Solar Power Plant in Fars Province Using Multi-Criteria Decision-Making Methods and A Machine Learning Approach
Introduction Energy plays a critical role in sustainable development and improving human quality of life. As global energy demand rises, especially in developing countries, there is a significant need to shift towards renewable energy sources. Among these, solar energy, particularly photovoltaic (PV) technology, stands out for its environmental sustainability, minimal carbon footprint, and considerable potential to mitigate climate change. Iran, located in a region with high solar radiation potential, is well-positioned to harness solar energy. With an annual average of 1800 kWh/m² of solar radiation and over 280 to 300 sunny days per year, Iran presents an ideal opportunity to develop solar power plants. However, despite this significant potential, the country has not fully capitalized on solar energy due to challenges in selecting optimal locations for these plants. The effectiveness of solar power projects depends heavily on selecting the most suitable sites for power plants. Optimal site selection maximizes energy production efficiency and minimizes environmental impact and economic costs. Poor site selection can lead to reduced plant efficiency, wasted financial resources, and increased environmental degradation. Therefore, the first step in solar power development is identifying regions with high solar radiation potential and other critical factors such as access to the electricity grid, water resources, and infrastructure. Multi-Criteria Decision-Making (MCDM) methods have proven to be practical tools for evaluating various factors involved in site selection. Furthermore, Geographic Information Systems (GIS) have become invaluable in spatial data analysis, allowing for accurate site assessments and decision-making. More recently, machine learning techniques have emerged as a promising approach to optimizing solar power plant site selection. Materials and Methods The study applies a combination of MCDM, GIS, and machine learning techniques for optimal solar power plant site selection in Fars Province, Iran. Initially, nine key criteria were identified, including solar radiation, temperature, slope, and proximity to infrastructure. GIS was employed to generate spatial data layers for these criteria. Two MCDM methods, the Best-Worst Method (BWM) and SWARA, were used to assign weights to the criteria. At the same time, the Dempster-Shafer Information Fusion Theory was utilized to enhance the reliability of the weights by combining the results of both methods. The land suitability map for solar power plant placement was generated using the Marcos method. Subsequently, machine learning, specifically Support Vector Regression (SVR), was applied to predict the most suitable areas for solar power plants. The SVR model’s hyperparameters were optimized using the Grey Wolf Optimizer (GWO), an evolutionary algorithm. The SVR model was trained using reference data from the Marcos method’s suitability map. This combined approach created a highly reliable land suitability map for solar power plant installation, offering valuable insights into the potential for renewable energy development in Fars Province. Findings The results demonstrated that 14% and 34% of the region in Fars Province were highly suitable for solar power plant installation according to the Marcos method and machine learning approach, respectively. In total, 48% of the area was identified as highly suitable or very suitable for solar power generation. Specific areas in the province’s northern, northeastern, and central parts, including cities such as Abadeh, Sarchahan, Pasargad, and Bavanat, were recommended as priority locations for solar power development. The analysis further revealed that the machine learning-based approach provided more accurate predictions than the Marcos method alone. The machine learning model optimized using GWO achieved high prediction accuracy, with an R² value of 0.9975 for the training data and 0.9923 for the testing data. The machine learning approach classified 48% of the region as highly suitable for solar power plants, substantially improving over the 39% identified by the Marcos method. This study’s combination of MCDM methods, GIS, and machine learning techniques offers a robust solar power plant site selection framework. The integration of MCDM with GIS provides a comprehensive approach for evaluating multiple factors, while the addition of machine learning further enhances the accuracy and efficiency of site selection. The results suggest that machine learning can significantly improve the reliability of predictions, especially when dealing with complex spatial and environmental data. The findings of this research are consistent with previous studies on solar power plant site selection, highlighting the importance of incorporating multiple factors such as solar radiation, proximity to infrastructure, and environmental conditions. Machine learning also underscores the growing potential of artificial intelligence in optimizing decision-making processes for renewable energy projects. Conclusion Considering the necessity of renewable energy expansion, optimal site selection for solar power plants plays a critical role. In this study, nine climatic, topographic, and infrastructural criteria—including photovoltaic potential, direct normal irradiance, temperature, precipitation, slope, distance from roads, distance from faults, elevation, and distance from urban centers—were selected based on previous research and analyzed using a multi-criteria decision-making approach with BWM and SWARA weighting methods. Results indicated that the most influential criteria were photovoltaic potential and direct normal irradiance. To enhance accuracy, weights were integrated using Dempster–Shafer theory, and a land suitability map was generated through the MARCOS method. Subsequently, an SVR model was optimized via the Grey Wolf Optimizer to predict suitability, showing that about 48% of Fars Province possesses high or very high suitability for solar plant development. Finally, top priorities were identified by Abadeh, Sarchehan, Pasargad, Bavanat, and Khorrambid counties. The findings provide valuable insights for policymakers and investors in promoting sustainable solar energy development. This study demonstrates the effectiveness of combining MCDM, GIS, and machine learning for optimizing the site selection process for solar power plants. By employing a hybrid decision-making framework, the research contributes to advancing solar energy development in Iran and similar regions with high solar radiation potential. The study results provide valuable insights for energy planners, policymakers, and investors in selecting the most suitable locations for solar power infrastructure. This approach optimizes energy production, promotes environmental sustainability, and contributes to the global shift towards renewable energy sources.
تبلیغات
