A New Multi-Objective Optimization of Regenerative Clausius Rankine Cycle with Two Feedwater Heaters
Dieses Paper schlägt ein neuartiges Deep-Reinforcement-Learning-Framework unter Verwendung eines Soft-Actor-Critic-Algorithmus vor, um einen regenerativen Rankine-Kreisprozess mit zwei Speisewasservorwärmern autonom zu optimieren, wobei hohe thermische und exergetische Wirkungsgrade bei gleichzeitiger Aufrechterhaltung einer robusten Leistung unter vielfältigen Umwelt- und Betriebsbedingungen erreicht werden.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Kraftwerke, die Brennstoffe zur Stromerzeugung verbrennen, stehen in einem ständigen, leisen Kampf: wie man die meiste Energie aus jedem Tropfen Hitze herausholt und dabei so wenig wie möglich verschwendet. Im Zentrum dieses Kampfes steht eine grundlegende Maschine, der sogenannte Rankine-Zyklus – ein System, das heißes Wasser in Dampf verwandelt, eine Turbine antreibt, um Elektrizität zu erzeugen, und den Dampf dann wieder zu Wasser abkühlt, um von vorn zu beginnen. Ingenieure haben lange versucht, diesen Prozess durch das Hinzufügen von „Speisewasservorwärmern“ zu verbessern, die wie Vorwärmer fungieren. Anstatt kaltes Wasser direkt in den Kessel zu leiten, nutzen diese Heizer vom Dampf, der aus der Turbine abgezapft wurde, um das Wasser vorzuwärmen. Dieser einfache Trick reduziert den Schock für das System und spart Brennstoff. Es ist jedoch unglaublich schwierig, die perfekten Einstellungen für diese Heizer zu finden. Das System umfasst viele bewegliche Teile und wechselnde Bedingungen, wie etwa die Außentemperatur oder die Qualität des Brennstoffs, was es schwierig macht, genau zu wissen, wie man den Druck in den Pumpen anpasst, um die besten Ergebnisse zu erzielen.
Ein Forschungsteam der Hamedan University of Technology hat dieses Problem angegangen, indem es einem Computer beigebracht hat, die besten Einstellungen selbstständig zu erlernen, anstatt sich auf traditionelle, langsame Berechnungen zu verlassen. Sie konzentrierten sich auf eine spezifische Version des Kraftwerksprozesses, die zwei dieser Vorwärmer verwendet. Um das komplexe Rätsel der Steuerung dieses Systems zu lösen, setzten sie eine Art künstliche Intelligenz namens Deep Reinforcement Learning ein. Stellen Sie sich einen Schüler vor, der lernt, Fahrrad zu fahren: Er probiert das Gleichgewicht, fällt, passt sich an und versucht es erneut, bis er den perfekten Rhythmus findet. Dieses Computerprogramm arbeitet auf ähnliche Weise. Es agiert als ein Agent, der ständig verschiedene Druckeinstellungen für die Pumpen testet, die Ergebnisse beobachtet und eine Punktzahl erhält, basierend darauf, wie gut das Kraftwerk abgeschnitten hat. Mit der Zeit lernt der Computer, Entscheidungen zu treffen, die die Menge der erzeugten Elektrizität und die Effizienz der Wärmenutzung maximieren, ohne dass ein Mensch ihm bei jedem Schritt genau sagen muss, was zu tun ist.
Die Forscher bauten ein detailliertes digitales Modell des Kraftwerks und koppelten es an ihren Lernalgorithmus. Sie setzten das Ziel des Computers darauf, drei spezifische Dinge gleichzeitig zu verbessern: die gesamte Arbeit, die das Kraftwerk leisten kann, den thermischen Wirkungsgrad (wie gut es Wärme in Elektrizität umwandelt) und den Exergiewirkungsgrad (wie gut es die verfügbare Energie nutzt, ohne sie zu verschwenden). Dem Computer war es erlaubt, tausende von Simulationen durchzuführen, wobei er verschiedene Kombinationen von Pumpendrücken testete, während die Außentemperatur und die Brennstoffbedingungen zufällig variierten. Der Algorithmus nutzte eine Methode, die als „Soft Actor-Critic“ bekannt ist, welche besonders gut darin ist, kontinuierliche Veränderungen zu handhaben und den besten Weg durch eine komplexe Landschaft von Möglichkeiten zu finden. Er lernte, sich schnell anzupassen, wodurch sichergestellt wurde, dass das Kraftwerk selbst dann nahe seiner Spitzenleistung arbeitet, wenn sich die Umgebung verändert.
Nach Abschluss des Trainings zeigten die Ergebnisse, dass der Computer einen hocheffektiven Weg gefunden hatte, das System zu betreiben. In den besten Szenarien erreichte das optimierte Kraftwerk einen thermischen Wirkungsgrad von 3 8,99 Prozent und einen Exergiewirkungsgrad von 82,35 Prozent. Es erzeugte zudem eine spezifische Arbeitsleistung von 888,2 Kilojoule pro Kilogramm Wasser, das durch das System fließt. Diese Zahlen stellen eine signifikante Verbesserung gegenüber dem Standardbetrieb dar und demonstrieren, dass das intelligente System den idealen Punkt für die Pumpendrücke finden konnte, den menschliche Ingenieure vielleicht übersehen hätten. Das System erwies sich als bemerkenswert stabil; selbst als die Forscher die Bedingungen änderten, schwankte die Leistung um weniger als 0,58 Prozent. Diese Beständigkeit deutet darauf hin, dass die Methode in realen Kraftwerken über verschiedene Jahreszeiten und Standorte hinweg zuverlässig funktionieren könnte, nicht nur in einer Computersimulation.
Die Studie enthüllte auch, wie verschiedene Faktoren die Leistung des Kraftwerks beeinflussen. Beispielsweise fanden die Forscher heraus, dass mit steigender Außentemperatur die optimalen Druckeinstellungen für die Pumpen leicht angepasst werden mussten, um die Effizienz aufrechtzuerhalten. Ebenso spielten die Effizienz der Turbinen und Pumpen selbst eine große Rolle; wenn die Turbinen effizienter waren, konnte das System deutlich mehr Leistung erzeugen. Der Computer lernte, diese Zusammenhänge automatisch zu navigieren, indem er den Druck in der ersten, zweiten und dritten Pumpe an die aktuellen Bedingungen anpasste. Durch die Verwendung dieses intelligenten Ansatzes zeigten die Forscher, dass Kraftwerke mit einer Präzision und Anpassungsfähigkeit betrieben werden können, die zuvor schwer zu erreichen war, was einen vielversprechenden Weg zu einer effizienteren und nachhaltigeren Energieproduktion eröffnet.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.