A New Multi-Objective Optimization of Regenerative Clausius Rankine Cycle with Two Feedwater Heaters
Dit artikel stelt een nieuw deep reinforcement learning-framework voor met een soft actor-critic algoritme om autonoom een regeneratieve Rankine-cyclus met twee voederaanwarmers te optimaliseren, waarbij een hoge thermische en exergische efficiëntie wordt bereikt terwijl een robuuste prestatie behouden blijft onder diverse omgevings- en operationele condities.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Elektriciteitscentrales die brandstof verbranden om elektriciteit op te wekken, staan voor een constante, stille strijd: hoe de meeste energie uit elke druppel warmte te persen terwijl er zo min mogelijk wordt verspild. In het hart van deze strijd ligt een fundamentele machine die bekend staat als de Rankine-cyclus, een systeem dat heet water in stoom verandert, een turbine doet draaien om elektriciteit op te wekken, en de stoom vervolgens weer afkoelt tot water om opnieuw te beginnen. Ingenieurs proberen dit proces al lang te verbeteren door "voedingswaterverwarmers" toe te voegen, die fungeren als voorverwarmers. In plaats van koud water rechtstreeks naar de ketel te sturen, gebruiken deze verwarmers stoom die uit de turbine is afgetapt om het water eerst op te warmen. Dit slimme trucje vermindert de schok voor het systeem en bespaart brandstof. Het vinden van de perfecte instellingen voor deze verwarmers is echter uiterst moeilijk. Het systeem omvat veel bewegende delen en veranderende omstandigheden, zoals de buitentemperatuur of de kwaliteit van de brandstof, waardoor het lastig is om precies te weten hoe de druk in de pompen moet worden aangepast om de beste resultaten te krijgen.
Een team onderzoekers aan de Hamedan University of Technology heeft dit probleem aangepakt door een computer te leren om zelf de beste instellingen te vinden, in plaats van te vertrouwen op traditionele, trage berekeningen. Ze richtten zich op een specifieke versie van de elektriciteitscentrale-cyclus die twee van deze voorverwarmers gebruikt. Om het complexe puzzelstukje van het aansturen van dit systeem op te lossen, gebruikten ze een type kunstmatige intelligentie genaamd deep reinforcement learning. Stel je voor dat een student leert fietsen; ze oefenen met evenwicht, vallen, passen zich aan en proberen het opnieuw totdat ze het perfecte ritme vinden. Dit computerprogramma werkt op een vergelijkbare manier. Het fungeert als een agent die voortdurend verschillende drukinstellingen voor de pompen test, de resultaten observeert en een score ontvangt op basis van hoe goed de centrale presteerde. Na verloop van tijd leert de computer beslissingen te nemen die de hoeveelheid geproduceerde elektriciteit en de efficiëntie van het warmtegebruik maximaliseren, zonder dat er een mens nodig is om het hem bij elke stap precies te vertellen.
De onderzoekers bouwden een gedetailleerd digitaal model van de elektriciteitscentrale en verbonden dit met hun leeralgoritme. Ze stelden het doel van de computer in om tegelijkertijd drie specifieke zaken te verbeteren: de totale arbeid die de centrale kan verrichten, de thermische efficiëntie (hoe goed het warmte in elektriciteit omzet) en de exergie-efficiëntie (hoe goed het de beschikbare energie gebruikt zonder het te verspillen). De computer kreeg de ruimte om duizenden simulaties uit te voeren, waarbij verschillende combinaties van pompdrukken werden getest terwijl de buitentemperatuur en brandstofcondities willekeurig varieerden. Het algoritme gebruikte een methode die bekend staat als soft actor-critic, die bijzonder goed is in het afhandelen van continue veranderingen en het vinden van het beste pad door een complex landschap van mogelijkheden. Het leerde snel aan te passen, zodat de centrale zelfs als de omgeving veranderde, nog steeds dicht bij zijn piekprestaties bleef draaien.
Na voltooiing van de training toonden de resultaten aan dat de computer een zeer effectieve manier heeft gevonden om het systeem te laten draaien. In de beste scenario's bereikte de geoptimaliseerde centrale een thermische efficiëntie van 38,99 procent en een exergie-efficiëntie van 82,35 procent. Het produceerde ook een specifieke arbeid van 888,2 kilojoule per kilogram water die door het systeem stroomt. Deze cijfers vertegenwoordigen een significante verbetering ten opzichte van de standaardwerking, wat aantoont dat het intelligente systeem de ideale balans voor de pompdrukken kon vinden die menselijke ingenieurs wellicht zouden missen. Het systeem bleek opmerkelijk stabiel; zelfs toen de onderzoekers de omstandigheden veranderden, fluctueerde de prestatie met minder dan 0,58 procent. Deze consistentie suggereert dat de methode betrouwbaar zou kunnen werken in echte elektriciteitscentrales in verschillende seizoenen en locaties, en niet alleen in een computersimulatie.
De studie onthulde ook hoe verschillende factoren de prestaties van de centrale beïnvloeden. Zo ontdekten de onderzoekers dat naarmate de temperatuur van de buitenlucht toenam, de optimale drukinstellingen voor de pompen lichtjes aangepast moesten worden om de efficiëntie te behouden. Evenzo speelde de efficiëntie van de turbines en pompen zelf een grote rol; wanneer de turbines efficiënter waren, kon het systeem aanzienlijk meer vermogen produceren. De computer leerde deze relaties automatisch te navigeren door de druk in de eerste, tweede en derde pomp aan te passen aan de huidige omstandigheden. Door deze intelligente aanpak te gebruiken, lieten de onderzoekers zien dat elektriciteitscentrales met een niveau van precisie en aanpassingsvermogen kunnen werken dat voorheen moeilijk te bereiken was, wat een veelbelovend pad biedt naar een efficiëntere en duurzamere energieproductie.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.