Donma Riskini Gözeten Optimizasyon, özgün adıyla Freeze-Risk-Aware Optimization (FRAO), büyük ölçekli çok sektörlü dolaylı hava soğutma sistemlerinin kış işletmesinde kullanılabilir düşük dış ortam sıcaklığından daha fazla soğutma yararı elde etmeyi, bunu yaparken yerel donma riskini ve tahmin belirsizliğini doğrudan kontrol kısıtlarına dahil etmeyi amaçlayan veri güdümlü bir model öngörülü kontrol yaklaşımıdır. Çalışma, kuzey Çin'deki 2 × 1000 MW kömür yakıtlı bir santralden alınmış gerçek DCS işletme verileriyle LSTM tabanlı sektör ve sistem düzeyi tahmin modelleri kurmuş; bu modelleri sektör bazlı model öngörülü kontrol ile birleştirmiştir. Temsili düşük sıcaklık koşullarında ana dönüş suyu sıcaklığının 5,14–5,37 °C ve tahmini ünite geri basıncının 0,67–0,70 kPa azaltılabildiği raporlanmıştır. Bununla birlikte saha doğrulaması henüz açık döngü karar desteği düzeyindedir; optimize edilen komutların DCS üzerinden tam kapalı döngü izleme performansı gösterilmemiştir.

Kışın düşük dış sıcaklık, hava soğutmalı bir termik santral açısından iki karşıt etki yaratır. Bir yandan ısıyı atmosfere atmak kolaylaşır ve türbin-kondenser sisteminin geri basıncı düşürülebilir. Diğer yandan ısı değiştirici yüzeylerinde suyun donması, boru hasarı ve sızıntı riski artar. Operatörler bu nedenle güvenlik payını büyüterek sistemi gerekenden daha sıcak çalıştırabilir. FRAO'nun temel araştırma sorusu, bu güvenlik payının sabit ve aşırı muhafazakâr olmak yerine yerel sıcaklık, gelecek işletme koşulları ve model tahmin hatasına göre dinamik biçimde ayarlanıp ayarlanamayacağıdır.

Çalışma yalnız ekonomik optimizasyon yapmamaktadır. Yerel duvar sıcaklığı, sektör dönüş suyu sıcaklığı, sıcaklığın ne kadar hızlı düşebileceği ve hava giriş panjurlarının ne kadar hızlı hareket edebileceği aynı optimizasyon problemi içinde güvenlik ve uygulanabilirlik koşullarına dönüştürülmektedir. Böylece amaç yalnız dönüş suyunu mümkün olduğunca soğutmak değil, donma güvenlik sınırlarının altında kalmadan ulaşılabilecek en düşük güvenli termal işletme durumunu aramaktır.

Dolaylı hava soğutma sisteminde temel problem

Termik santralde türbinden çıkan buhar kondenserde yoğuşturulur. Kondenserin performansı, dolaşım suyunun ne kadar soğuk geri döndüğüyle yakından ilişkilidir. Daha düşük dönüş suyu sıcaklığı kondenser basıncını ve dolayısıyla türbin geri basıncını azaltabilir; bu da aynı elektrik üretimi için daha düşük yakıt tüketimine katkıda bulunabilir.

İncelenen sistem doğrudan su-hava teması yerine dolaşım suyunun ısı değiştiriciler üzerinden atmosferle ısı alışverişi yaptığı dolaylı hava soğutma düzenidir. Kışın dış hava çok soğuk olduğunda bu sistemin soğutma kapasitesi yükselir. Fakat yerel tüp veya soğutma-delta duvarlarının sıcaklığı kritik seviyelere düşerse donma başlayabilir. Ortalama dönüş suyu sıcaklığı güvenli görünürken kulenin belirli bir sektöründe yerel bir yüzey yine de tehlikeli derecede soğuk olabilir.

Bu nedenle çalışma, yalnız bütün kuleyi temsil eden tek bir ortalama değişkeni optimize etmek yerine kulenin farklı sektörlerinin termal davranışını ayrı ayrı öngörmektedir.

FRAO Nedir ve Ne Yapar?

Freeze-Risk-Aware Optimization (FRAO), gelecekteki hava giriş panjuru açıklıklarını sektör bazında optimize eden; yerel duvar sıcaklığı, dönüş suyu sıcaklığı, model tahmin hatası, sıcaklık değişim hızı ve aktüatör hareket sınırlarını aynı model öngörülü kontrol problemine dahil eden bir kış işletmesi optimizasyon çerçevesidir.

İncelenen santral ve soğutma kulesi

Dolaşım suyu iki kola ayrılarak sektör gruplarına gönderilmektedir. Her soğutma deltasının dışındaki hava giriş panjurları, ısı değiştiriciye giren hava miktarını ve dolayısıyla suyun ne kadar soğutulacağını düzenlemektedir. Sektörlerden çıkan soğutulmuş su ortak dönüş hattında birleşir ve kondenserde türbin egzoz buharının yoğuşturulmasında kullanılır.

Veri seti

Çalışmada iki kış işletme dönemi birleştirilmiştir: 1 Ocak–28 Şubat 2025 ve 10 Kasım 2025–10 Ocak 2026. Toplam 121 günlük kayıt içinde 1 dakikalık örnekleme aralığıyla 174.075 geçerli örnek ve 220 işletme değişkeni elde edilmiştir.

Kaynakta 5 °C'nin altındaki dış ortam koşulları kış örneklerinin %61,1'ini oluşturmaktadır. Sistem ayrıca 2020 yılında ciddi bir kış donma hasarı yaşamış ve kaynak bu olayın doğrudan ekonomik kaybını yaklaşık 10 milyon RMB olarak bildirmiştir. Bu olay, yalnız ekonomik optimizasyonun değil yerel donma güvenliğinin neden merkezi tasarım kriteri olduğunu gösteren saha bağlamıdır.

Neden tek bir sistem ortalaması yeterli değildir?

Kule çevresindeki hava akışı, su dağılımı ve ısı transferi bütün sektörlerde aynı değildir. Aynı anda bir sektörün duvar sıcaklığı güvenli kalırken başka bir sektörde daha düşük sıcaklık oluşabilir. FRAO bu nedenle iki ölçeği birlikte kullanır:

• Sektör düzeyi: yerel dönüş suyu ve duvar sıcaklıkları, donma güvenliğini temsil eder.
• Sistem düzeyi: ana dönüş suyu sıcaklığı ve ünite geri basıncı, genel soğuk-uç performansını temsil eder.

Duvar Sıcaklığı Neden Donma Riski İçin Kritik Bir Değişkendir?

Donma ısı değiştirici yüzeyinde yerel olarak başlayabildiği için sektör ortalama dönüş suyu sıcaklığı tek başına yeterli bir güvenlik göstergesi değildir; çalışma içindeki ablasyon deneyi de duvar sıcaklığı güvenlik terimi kaldırıldığında donma riskine karşı panjur kapatma tepkisinin yaklaşık 10 dakika gecikebildiğini göstermektedir.

FRAO'nun işlevsel mimarisi

Kaynak metin katman sayısını bir yerde “beş” olarak ifade etmesine rağmen yöntem açıklaması ve Şekil 3 aşağıdaki altı işlevsel bileşeni göstermektedir:

1. Veri katmanı: geçmiş DCS ölçümlerinden durum penceresi oluşturur ve gelecekteki kontrol dışı değişkenlerin eğilimini çıkarır.
2. Tahmin katmanı: LSTM tabanlı modellerle sektör ve sistem sıcaklıklarını ve geri basıncı tahmin eder.
3. Güvenlik marjı güncellemesi: tehlikeli yöndeki tahmin hatalarını izleyerek sıcaklık kısıtlarını sıkılaştırır.
4. Kısıt ve ceza üretimi: donma sınırları, sıcaklık düşme hızı ve panjur hareket sınırlarını maliyet terimlerine dönüştürür.
5. MPC optimizasyonu: gelecekteki panjur açıklığı yörüngeleri arasında en düşük güvenli maliyeti arar.
6. Üst seviye set değeri üretimi: optimize edilmiş termal yörüngeyi mevcut DCS'nin uygulayabileceği dönüş suyu sıcaklığı set değerine dönüştürür.

Geçmiş durum penceresi ve gelecek işletme eğilimi

Her optimizasyon çevriminin başlangıcında sistem son \(H_h\) zaman adımını tarihsel durum penceresi olarak toplar:

Denklem (1):

\[ X^{hist}_{i,t_0}= [X_{i,t_0-H_h+1},\ldots,X_{i,t_0}] \]

Burada \(X_{i,t}\), sektör \(i\) için ilgili işletme değişkenlerini; \(H_h\) ise geçmiş pencerenin uzunluğunu temsil eder.

Gelecek dış ortam sıcaklığı ve ünite yükü gibi kontrol dışı değişkenler tam olarak bilinmediğinden, yakın geçmişteki ortalama değişim eğilimi hesaplanır:

Denklem (2):

\[ \Delta\bar{x}(t_0)= \frac{1}{H_h-1} \sum_{\tau=t_0-H_h+1}^{t_0-1} [x(\tau+1)-x(\tau)] \]

\[ \Delta\tilde{x}(t_0)= \operatorname{clip} [\Delta\bar{x}(t_0),\Delta x_{min},\Delta x_{max}] \]

\[ \tilde{x}(t_0+k)= \operatorname{clip} [x(t_0)+k\Delta\tilde{x}(t_0),x_{min},x_{max}] \]

\[ X^{fut}_{i,t_0}= [\tilde{x}(t_0),\tilde{x}(t_0+1),\ldots,\tilde{x}(t_0+H_f)] \]

clip işlemi, eğilimin hem izin verilen değişim hızını hem de fiziksel değişken sınırlarını aşmasını engeller. Bu yapı geleceği “kesin biliyormuş” gibi davranmaz; yalnız yakın dönem eğilimini fiziksel sınırlar içinde MPC tahmin ufkuna taşır.

LSTM tahmin modelleri

Sürekli dolaşım yapan suyun termal ataleti ve taşınım gecikmeleri nedeniyle geçmiş durumun gelecek sıcaklıklara etkisi vardır. Çalışma bu zaman bağımlılığını uzun-kısa süreli bellek ağları, yani Long Short-Term Memory (LSTM) ile modellemektedir.

Denklem (3):

\[ [\hat{T}_{ret,i,t},\hat{T}_{wall,i,t}] = f_{sector,i}(X_{i,t},U_{i,t},Z_{i,t}) \]

\(\hat{T}_{ret,i,t}\) sektör dönüş suyu sıcaklığı tahminini, \(\hat{T}_{wall,i,t}\) yerel duvar sıcaklığı tahminini, \(U_{i,t}\) panjur kontrol değişkenlerini ve \(Z_{i,t}\) dolaşım suyu pompası durumlarını gösterir.

Sektör tahminleri daha sonra sistem düzeyi modele aktarılır:

Denklem (4):

\[ \hat{T}_{main,ret,t} = f_{main} (\hat{T}_{ret,1,t},\hat{T}_{ret,2,t},\ldots,\hat{T}_{ret,12,t},Z_t) \]

\[ [\hat{P}_t,\hat{T}_{main,int,t}] = f_{bp}(\hat{T}_{main,ret,t},N_t) \]

Bu zincir, sektörlerdeki yerel termal kararları ana dönüş suyu sıcaklığına; ardından kondenser ve ünite geri basıncı davranışına bağlamaktadır.

Tahmin Hatası Güvenlik Kısıtlarını Nasıl Değiştiriyor?

FRAO yalnız tahmin değerini kullanmaz; model sıcaklığı gerçekte olduğundan yüksek tahmin ettiğinde ortaya çıkan tehlikeli yönlü hatayı izler ve yakın dönem hata dağılımına göre güvenlik marjını büyüterek izin verilen sıcaklık sınırlarını otomatik olarak daha muhafazakâr hale getirir.

Tehlikeli yönlü tahmin hatası

Donma açısından kritik hata, modelin sıcaklığı gerçekte olduğundan daha yüksek tahmin etmesidir. Böyle bir hata optimizere sistemin güvenli olduğuna dair yanlış güven verebilir. Çalışma bu nedenle yalnız mutlak hata yerine tehlikeli yöndeki pozitif aşırı tahmini kullanır.

Denklem (5):

\[ e_{wall}(t_0)= \max[0,\hat{T}_{wall}(t_0)-T_{wall}(t_0)] \]

\[ \varepsilon_{wall}(t_0)= \{e_{wall}(t_0-N+1),\ldots,e_{wall}(t_0)\} \]

\[ M_{wall}(t_0)= \min\left[ M^{max}_{wall}, \max\left( M^{base}_{wall}, \mu(\varepsilon_{wall})+ k_{\sigma}\sigma(\varepsilon_{wall}) \right) \right] \]

Burada \(M_{wall}\) dinamik duvar sıcaklığı güvenlik marjıdır. Ortalama hata \(\mu\) ile hata dağılımının standart sapması \(\sigma\) birlikte kullanılır. Kaynakta \(k_{\sigma}=2\) seçilmiştir.

Dönüş suyu sıcaklığı için aynı mantık uygulanır:

Denklem (6):

\[ M_{ret}(t_0)= \min\left[ M^{max}_{ret}, \max\left( M^{base}_{ret}, \mu(\varepsilon_{ret})+ k_{\sigma}\sigma(\varepsilon_{ret}) \right) \right] \]

Bu tasarımın sonucu şudur: model yakın zamanda tehlikeli yönde daha çok hata yapıyorsa optimizasyon problemi otomatik olarak daha sıkı güvenlik bölgesine çekilir.

Kademeli donma koruma seviyeleri

Risk seviyesi yükseldikçe sıcaklık tabanları yükselmekte ve sıcaklığın tek optimizasyon periyodunda ne kadar hızlı düşmesine izin verildiği azaltılmaktadır.

Güvenlik ceza terimleri

Denklem (7):

\[ L_i^{ret} = \gamma_{ret} \sum_{t=1}^{H_f} w_t \left[ \max (0,T_{ret,safe}+M_{ret}-\hat{T}_{ret,i}(t)) \right]^2 \]

\[ L_i^{wall} = \gamma_{wall} \sum_{t=1}^{H_f} w_t \left[ \max (0,T_{wall,safe}+M_{wall}-\hat{T}_{wall,i}(t)) \right]^2 \]

Tahmin edilen sıcaklık güvenli tabanın üzerinde kaldığı sürece bu ihlal cezası sıfırdır. Güvenli tabanın altına inildiğinde ise farkın karesi maliyeti hızla büyütür. Böylece optimizasyon daha soğuk çalışmayı isterken donma sınırının altına geçmeye karşı güçlü bir matematiksel direnç oluşur.

Termal atalet için sıcaklık değişim cezası

Bir durumun nihai sıcaklık bakımından güvenli görünmesi, sıcaklığın o noktaya ne kadar hızlı indiğinin önemsiz olduğu anlamına gelmez. Büyük dolaşım sisteminde termal atalet ve taşınım gecikmesi vardır.

Denklem (8):

\[ L_{tem} = \beta_{ret} \sum_{t=1}^{H_f} w_t \left[ \max (0,|T_{ret}(t-1)-T_{ret}(t)|-\Delta T_{ret}) \right]^2 + \beta_{wall} \sum_{t=1}^{H_f} w_t \left[ \max (0,|T_{wall}(t-1)-T_{wall}(t)|-\Delta T_{wall}) \right]^2 \]

Bu terim, öngörülen sıcaklık azalması izin verilen tek-adım sınırından büyük olduğunda cezayı artırır.

Zamana bağlı ağırlık

Denklem (9):

\[ w_t= \frac{\exp[-\lambda(t-1)]} {\sum_{j=1}^{H_f}\exp[-\lambda(j-1)]} \]

Yakın gelecekteki tahminler güncel kontrol kararını daha doğrudan etkilediği için daha yüksek ağırlık alır; tahmin ufku uzadıkça ağırlık üstel olarak azalır.

Panjur aktüatörünün fiziksel uygulanabilirliği

Panjurlar teorik olarak her çevrimde rastgele ve ani hareket ettirilemez. Aktüatör ölü bölgesi, hareket büyüklüğü ve hareket sıklığı hesaba katılır.

Denklem (10):

\[ L_{du} = r_{du} \sum_{t=1}^{H_f-1} \left[ \max (0,|u(t+1)-u(t)|-\Delta U_{max}) \right]^2 \]

\[ L_{d2u} = r_{d2u} \sum_{t=1}^{H_f-1} \left[ \max (0,|\Delta u(t+1)-\Delta u(t)|-\Delta^2U_{max}) \right]^2 \]

İlk terim tek-adım hareketin aşırı büyümesini; ikinci terim ise kontrol yörüngesindeki ani yön/hız değişimlerini bastırır. Böylece matematiksel olarak düşük maliyetli fakat gerçek aktüatör için titreşimli veya uygulanamaz bir çözümün seçilmesi önlenir.

Optimizasyon hedefi

Sektör \(i\) için temel ekonomik/termal hedef, tahmin ufkundaki dönüş suyu sıcaklığını düşürmektir:

Denklem (11):

\[ J_i= \alpha \sum_{t=1}^{H_f} w_t\hat{T}_{ret}(t) \]

Fakat \(J_i\) tek başına optimize edilmez. Güvenlik ve uygulanabilirlik cezaları toplam maliyete eklenir:

Denklem (12):

\[ C_i= J_i+ L_i^{ret}+ L_i^{wall}+ L_{tem}+ L_{du}+ L_{d2u} \]

Gradyan tabanlı MPC araması

Her çevrimde gelecekteki kontrol dizisi mevcut panjur açıklığı ile başlatılır:

Denklem (13):

\[ U^{0}_{i,t} = [u^{0}_{i,t},u^{0}_{i,t},\ldots,u^{0}_{i,t}] \]

Ardından kontrol yörüngesi gradyan tabanlı olarak güncellenir:

Denklem (14):

\[ U^{k+1}_{i,t} = \Pi_{\Omega} \left( U^{k}_{i,t} - \eta_{lr}g^{k}_{i,t} \right) \]

\(\Pi_{\Omega}\), panjur açıklığını fiziksel olarak mümkün olan %0–100 aralığına projekte eder. \(\eta_{lr}\) optimizasyon adım büyüklüğüdür.

Aday kontrol dizisi altında gelecekteki sıcaklık yörüngeleri tekrar hesaplanır:

Denklem (15):

\[ [\hat{\mathbf{T}}_{ret,i}, \hat{\mathbf{T}}_{wall,i}] = f_{sector,i} (X^{fut}_{i,t},U_{i,t},Z_{i,t}) \]

Denklem (16):

\[ C_i= C_i (X^{fut}_{i,t}, U_{i,t}, Z_{i,t}, \hat{\mathbf{T}}_{ret,i}, \hat{\mathbf{T}}_{wall,i}) \]

Toplam maliyeti en düşük uygulanabilir kontrol yörüngesi seçilir:

Denklem (17):

\[ U^{*}_{i,t} = \arg\min_{U^{k}_{i,t}} C_i(U^{k}_{i,t}), \qquad k=0,1,\ldots,K \]

Neden optimize edilmiş panjur komutu doğrudan DCS'ye gönderilmiyor?

FRAO mevcut santral güvenlik mimarisini devralmak yerine onun üzerinde bir üst seviye optimizasyon katmanı olarak tasarlanmıştır. Optimize edilen panjur yörüngesi termal olarak ulaşılabilir durumu bulmak için kullanılır; gerçek DCS'ye ise dönüş suyu sıcaklığı set değeri gönderilir. Böylece mevcut alt seviye kontrol ve koruma mantığı güvenlik otoritesini korur.

Kararlı bir set değeri üretmek için optimize edilmiş sıcaklık yörüngesine soft-min operatörü uygulanır:

Denklem (18):

\[ T_{BT,i,k} = -s \ln \left[ \frac{1}{H_f} \sum_{t=1}^{H_f} \exp \left( -\frac{\hat{T}^{*}_{ret,i,k+t}}{s} \right) \right] \]

Kaynakta \(s=1\) seçilmiştir. Amaç tek bir tahmin noktasındaki aşırı düşük değerin set değerini gereksiz biçimde sıçratmasını önlerken optimizasyonun soğutma yönündeki kontrol etkisini korumaktır.

Çalışmanın Yöntemi ve Bulguları

Tahmin modellerinin performansı

Yerel duvar sıcaklığı modelinin diğer üç modele göre daha düşük \(R^2\) göstermesi önemlidir. Çünkü donma güvenliği açısından kritik değişken aynı zamanda çevresel bozuculara, yerel hava akışına, su dağılımına ve ölçüm gürültüsüne daha hassastır. FRAO'nun adaptif hata marjı tam olarak bu nedenle yöntemin güvenlik mimarisinin merkezindedir.

Aşırı düşük sıcaklık koşulu: 7 Şubat 2025

00:00–12:00 arasındaki örnek olayda sistem önce P2 koruma seviyesinde çalışmaktadır. Dış ortam sıcaklığı -20 °C'ye yaklaşınca dolaşım suyu pompa düzeni iki yüksek hızlı pompadan iki yüksek hızlı + bir düşük hızlı pompaya geçirilerek su debisi artırılmaktadır.

Dış sıcaklık -20 °C'nin altına düştüğünde sistem P3 seviyesine geçer ve FRAO güvenlik amacıyla dönüş suyu sıcaklığı hedefini yükseltir. Dış sıcaklık yeniden arttığında sistem P2'ye döner.

Bu test sürecinde FRAO için raporlanan ortalama değişimler:

P1 düşük sıcaklık koşulu: 24 Aralık 2025

Geleneksel işletme dış sıcaklık yaklaşık -5 °C'den hızla düşerken güvenlik amacıyla sektör dönüş suyu set değerlerini yaklaşık 30 °C'den 35 °C'ye yükseltmektedir. FRAO ise sıcaklık eğilimini ve daha sonraki toparlanmayı tahmin ederek dönüş suyu sıcaklığını gereğinden fazla yükseltmemekte; optimize edilen yörüngeyi yaklaşık 26–28 °C aralığında tutmaktadır.

Daha sıcak kış koşulu

18 Aralık 2025 10:00–22:00 döneminde dış sıcaklık yaklaşık 0 °C'den 8 °C'ye yükselirken donma riski giderek azalır. İlk aşamada FRAO ana dönüş suyu sıcaklığını ortalama 1,83 °C daha düşürebilmektedir. Ancak sıcaklık daha da yükseldiğinde hava giriş panjurları zaten tam açık konuma gelir ve fiziksel olarak ilave soğutma alanı kalmaz. Bu durumda FRAO ile tarihsel işletme yörüngeleri birbirine yaklaşmaktadır.

Bu sonuç önemli bir sınırı gösterir: FRAO her koşulda yapay bir “iyileşme” üretmez. Aktüatör zaten sınır konumundaysa optimizasyonun kullanılabileceği fiziksel serbestlik kalmaz.

Ablasyon çalışması: hangi güvenlik bileşeni gerçekten gerekli?

Yazarlar 7 Şubat 2025'in 00:00–02:00 arasındaki hızlı soğuma bölümünde ceza terimlerini ayrı ayrı çıkararak sistem davranışını incelemiştir.

FRAO'nun Saha Doğrulaması Kapalı Döngü Müydü?

Hayır. 15–19 Ocak 2026 saha uygulamasında FRAO bir karar destek sistemi olarak çalıştırılmış ve optimize edilmiş dönüş suyu set değerleri operatörlere öneri olarak verilmiştir; gerçek panjur hareketleri mevcut DCS ve operatör kontrolünde kaldığı için kapalı döngü FRAO izleme performansı henüz doğrulanmamıştır.

Saha uygulamasının gerçek zamanlı hesaplama performansı

Çevrimler Intel Xeon Gold 6338 işlemcili tek sunucuda çalıştırılmıştır. Optimizasyon çevrimi 1 dakika, veri aktarımı ve hesaplamanın birlikte tamamlanması ise yaklaşık 20 saniye sürmüştür. Böylece yöntem yüksek performanslı hızlandırıcı donanım olmadan çevrim süresinin içinde hesaplanabilmiştir.

Açık döngü saha döneminde önerilen dönüş suyu sıcaklığı set değerleri, ölçülen gerçek değerlerden ortalama 1,54 °C daha düşük çıkmıştır.

Daha sıcak dönemlerde sistemin zaten ilave optimizasyon alanı bulunmadığından FRAO'nun daha düşük bir hedef önermediği aralıklar da raporlanmıştır. Sektör 7'nin kış boyunca kapalı olması ve ünitenin 19 Ocak sonrasında bakıma alınması saha veri kapsamını sınırlandırmıştır.

Ekonomik ve emisyon hesabı

Model değerlendirmesine göre yaklaşık 5 °C daha düşük ana dönüş suyu sıcaklığı yaklaşık 0,7 kPa geri basınç azalmasına karşılık gelmektedir. Kaynak, incelenen ünitenin türbin termodinamik karakteristikleri ile kazan ve borulama verimlerini kullanarak bu geri basınç azalmasının standart kömür tüketim oranını yaklaşık 1,26 g/(kW·h) azaltabileceğini hesaplamaktadır.

Denklem (19):

\[ \Delta M_{ce} = \Delta b\, P_{avg}\, t_{opt} \]

\(\Delta b=1,26\;g/(kW\cdot h)\), \(P_{avg}=500\;MW\) ve \(t_{opt}=1760\;h\) varsayımlarıyla tek ünite için:

Potansiyel standart kömür tasarrufu: 1108,8 tce/yıl.

CO₂ hesabı:

Denklem (20):

\[ \Delta M_{CO_2} = \Delta M_{ce} EF_{CO_2} \]

\[ EF_{CO_2}=2,66\;tCO_2/tce \]

sonucunda tek ünite için 2949,4 ton/yıl potansiyel CO₂ azalımı hesaplanmaktadır.

Bu ekonomik değerler gerçek bir yıllık kontrollü saha deneyinde doğrudan ölçülmüş tasarruf değildir. Geri basınç azalımı, santralin termodinamik karakteristikleri, ortalama yük ve etkin optimizasyon süresinden türetilmiş tahmindir. Kaynak, şirket gizliliği nedeniyle ayrıntılı türbin termodinamik karakteristik eğrilerini yayımlamamaktadır.

Çalışmanın desteklediği sonuçlar

• Yerel duvar sıcaklığının donma güvenliği bakımından sistem ortalamasıyla değiştirilemeyecek kadar önemli olduğu desteklenmektedir.
• Tahmin hatasının güvenlik marjına dahil edilmesiyle kısıtların dinamik biçimde sıkılaştırılabileceği gösterilmektedir.
• Temsili tarihsel kış koşullarında FRAO'nun geleneksel muhafazakâr işletmeye göre daha düşük dönüş suyu sıcaklığı ve tahmini geri basınç sağlayabildiği gösterilmektedir.
• Açık döngü saha uygulaması algoritmanın gerçek zamanlı hesaplanabildiğini ve operatöre daha düşük set değerleri önerebildiğini göstermektedir.
• Ablasyon sonuçları, duvar güvenliği, sıcaklık değişim sınırı ve aktüatör hareket cezalarının farklı ve tamamlayıcı görevleri olduğunu göstermektedir.

Çalışmanın desteklemediği sonuçlar

• FRAO'nun DCS üzerinde tam kapalı döngüde uzun dönem güvenli ve ekonomik performansı henüz gösterilmemiştir.
• 1108,8 tce/yıl ve 2949,4 ton CO₂/yıl değerleri ölçülmüş yıllık saha tasarrufu değildir.
• Sonuçlar başka santral tipleri, başka iklimler veya başka soğutma kulesi geometrileri için doğrudan garanti oluşturmaz.
• Kaynak, LSTM modellerinin bütün eğitim mimarisi, eğitim/doğrulama/test ayrım oranları, epoch, batch size ve benzeri yeniden üretilebilirlik ayrıntılarını eksiksiz raporlamamaktadır.
• Sektör 7 için kış işletmesi optimizasyon verisi bulunmadığından bütün on iki sektör eşit veri kapsamına sahip değildir.
• Şirket gizliliği nedeniyle ekonomik hesaplamada kullanılan ayrıntılı türbin termodinamik karakteristik eğrileri bağımsız olarak yeniden incelenememektedir.

Bilimsel anlamı

Çalışmanın en önemli katkısı, kış soğutma optimizasyonunu yalnız “geri basıncı ne kadar düşürebiliriz?” sorusu olarak kurmamasıdır. FRAO'da ekonomik hedef, yerel fiziksel risk ve model belirsizliğiyle aynı matematiksel karar yapısında birleştirilmektedir. Özellikle tahmin hatasının yalnız model değerlendirme metriği olarak bırakılmayıp bir sonraki kontrol çevriminin güvenlik sınırını değiştirmesi, veri güdümlü kontrol ile operasyonel emniyet arasındaki bağlantıyı güçlendiren temel tasarım unsurudur.

Ayrıca yöntem, mevcut DCS'yi ortadan kaldırmaya çalışmamaktadır. FRAO üst seviyede daha iyi bir termal hedef hesaplar; alt seviyedeki gerçek aktüatör kontrolü ve koruma mantığı mevcut endüstriyel sistemde kalır. Bu mimari, tamamen yeni bir kontrol altyapısı kurmak yerine mevcut santral otomasyonuna karar destek veya ileride doğrulanması halinde üst seviye optimizasyon katmanı ekleme yaklaşımını temsil etmektedir.

Kaynak ve Yöntem Notu

Özgün çalışma: Frost-risk-aware data-driven model predictive control for winter operation optimization of large-scale multi-sector cooling systems

Yazarlar: He Xiao, Houzhang Tan, Fuxin Yang

Sorumlu yazarlar: Houzhang Tan ve Fuxin Yang

Kurum: MOE Key Laboratory of Thermo-Fluid Science and Engineering, School of Energy and Power Engineering, Xi'an Jiaotong University, Xi'an, Shaanxi, China.

Kaynak türü: Preprint araştırma makalesi.

Platform: SSRN.

SSRN Abstract ID: 7382903.

DOI: 10.2139/ssrn.7382903.

SSRN kayıt tarihi: 31 Ağustos 2026.

Hakemlik durumu: Kaynak PDF açık biçimde çalışmanın henüz hakem değerlendirmesinden geçmediğini belirtmektedir.

Dergi / cilt / sayı: Kaynakta hakemli bir dergi yayını, cilt veya sayı bilgisi bulunmamaktadır.

Lisans / telif durumu: SSRN kaydı yeniden kullanım izni veren açık bir Creative Commons lisansı bildirmemekte; hakların saklı olduğunu ve izin olmadan yeniden kullanıma izin verilmediğini belirtmektedir. Bu Verianla makalesinde özgün kaynak şekilleri, sayfa görüntüleri ve korunan tablo tasarımları kullanılmamıştır.

Veri kaynağı: İncelenen 2 × 1000 MW santralin dolaylı hava soğutma sistemi DCS kayıtları; iki kış döneminde 121 gün, 174.075 geçerli örnek, 220 değişken ve 1 dakikalık örnekleme.

Yöntem: Sektör ve sistem düzeyi LSTM tahmin modelleri; tahmin hatasına bağlı adaptif güvenlik marjı; kademeli donma koruma sınırları; sıcaklık değişimi ve panjur hareket cezaları; sektör bazlı sonlu ufuklu MPC; soft-min tabanlı DCS uyumlu üst seviye set değeri üretimi.

Saha doğrulaması: Açık döngü karar desteği. Optimize edilmiş set değerleri henüz DCS üzerinden doğrudan kapalı döngü FRAO kontrolü olarak uygulanmamıştır.

Finansman: Kaynak PDF'de ayrı bir finansman beyanı raporlanmamaktadır.

Çıkar çatışması: Kaynak PDF'de ayrı bir çıkar çatışması beyanı raporlanmamaktadır.

Veri erişilebilirliği: Kaynak, kullanılan DCS veri seti için açık bir kamu veri deposu veya indirme bağlantısı bildirmemektedir.

Yazar katkıları / CRediT: Kaynak PDF'de ayrıntılı CRediT katkı tablosu bulunmamaktadır.

Başlıca yeniden üretilebilirlik sınırları: Ayrıntılı LSTM eğitim mimarisi ve eğitim prosedürünün tüm hiperparametreleri açık değildir; türbin termodinamik karakteristik eğrileri şirket gizliliği nedeniyle yayımlanmamıştır; saha uygulaması açık döngüyle sınırlıdır; Sektör 7 kış döneminde kapalıdır.

Kaynak-içi tutarsızlık notu: Metin FRAO mimarisini bir noktada “beş katman” olarak adlandırmasına rağmen aynı açıklamada ve yöntemin görsel yapısında altı işlevsel bileşen sayılmaktadır. Verianla metni bu ayrımı sessizce düzeltmek yerine açıkça belirtmiştir.

Görsel kullanım notu: Kaynağın Şekil 1–9 görüntüleri hak durumu nedeniyle doğrudan yeniden yayımlanmamalıdır. Gerektiğinde yalnız kaynakta açıkça belirtilen sistem ilişkileri ve sayısal olgular kullanılarak görsel benzerliği korunmayan, özgün Verianla teknik şemaları hazırlanmalıdır.