یک GIS (سیستم اطلاعات جغرافیایی) مبتنی بر روش داده کاوی فضایی برای برنامه ریزی مکان¬ و ظرفیت بهینه تجهیزات تولید برق زیست توده ای پراکنده: مطالعه موردی منطقه تومکور،هند

این مقاله در درجه اول در نظر دارد یک GIS (سیستم اطلاعات جغرافیایی) مبتنی بر روش داده کاوی را برای انتخاب بهینه مکان و تعیین ظرفیت تجهیزات نصب شده به منظور راه اندازی سیستم های تولید برق زیست توده پراکنده در زمینه برنامه ریزی انرژی غیرمتمرکز را برای مناطق روستایی توسعه دهد. مکان های بهینه در یک گروه از روستاها توسط تطبیق ظرفیت ثابت موردنیاز با تقاضای برق برای به حداقل رساندن هزینه های انتقال انرژی زیست توده ای از منابع پراکنده به سیستم تولید برق و هزینه های توزیع برق از سیستم تولید برق به مراکز تقاضا یا روستاها بدست می آیند. این روش که استفاده از آن مورد تایید قرار گرفته است، برای توسعه یک طرح بهینه به منظور اجرای سیستم های قدرت مبتنی بر زیست توده پراکنده برای رفع نیازهای برق روستایی منطقه تومکور در هند که متشکل از ۲۷۰۰ روستا اجرا شده است. روش الگوریتم خوشه بندی K-medoid کل ناحیه را به خوشه هایی از روستاها تقسیم می کند و سیستم های تولید برق زیست توده ای را در medoid ها قرار می دهد . مقدار بهینه k با تکرار اجرای الگوریتم در کل فضای جستجو برای مقادیر مختلف k همراه با تطبیق محدودیت های عر

This paper primarily intends to develop a GIS (geographical information system)-based data mining approach for optimally selecting the locations and determining installed capacities for setting up distributed biomass power generation systems in the context of decentralized energy planning for rural regions. The optimal locations within a cluster of villages are obtained by matching the installed capacity needed with the demand for power, minimizing the cost of transportation of biomass from dispersed sources to power generation system, and cost of distribution of electricity from the power generation system to demand centers or villages. The methodology was validated by using it for developing an optimal plan for implementing distributed biomass-based power systems for meeting the rural electricity needs of Tumkur district in India consisting of 2700 villages. The approach uses a k -medoid clustering algorithm to divide the total region into clusters of villages and locate biomass po