A New Multi-Objective Optimization of Regenerative Clausius Rankine Cycle with Two Feedwater Heaters
本文提出了一种利用软行动者-评论家算法的新型深度强化学习框架，用于自主优化具有两个给水加热器的再生朗肯循环，在实现高热效率和有效能效率的同时，保持在多种环境和运行条件下的稳健性能。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
通过燃烧燃料来发电的发电厂面临着一场持久而无声的斗争：如何从每一滴热量中榨取最多的能量，同时尽可能减少浪费。这场斗争的核心是一个被称为朗肯循环（Rankine cycle）的基础机器，这是一个将热水转化为蒸汽、驱动涡轮机产生电力，然后将蒸汽冷却回水以重新开始的系统。工程师们长期以来一直试图通过添加“给水加热器”来改进这一过程，这些加热器起到了预热器的作用。这些加热器不再是将冷水直接送入锅炉，而是利用从涡轮机中抽出的蒸汽先将水加热。这个简单的技巧减少了对系统的冲击并节省了燃料。然而，寻找这些加热器的完美设置极其困难。该系统涉及许多活动部件和不断变化的情况，例如室外温度或燃料质量，这使得很难准确知道如何调整泵的压力以获得最佳结果。
哈梅丹科技大学的一个研究小组通过教计算机自主学习最佳设置，而不是依赖传统的缓慢计算，解决了这一问题。他们专注于一种使用两个此类预热加热器的特定版本发电厂循环。为了解决如何运行该系统的复杂谜题，他们采用了一种称为深度强化学习的人工智能技术。想象一个学生学习骑自行车的场景；他们尝试平衡、摔倒、调整，然后再次尝试，直到找到完美的节奏。这个计算机程序的工作方式与之类似。它作为一个智能体，不断测试不同的泵压力设置，观察结果，并根据电厂的表现获得评分。随着时间的推移，计算机学会了如何做出决策，以最大化发电量和热能利用效率，而无需人类在每一步都告诉它具体该怎么做。
研究人员构建了一个详细的发电厂数字模型，并将其与他们的学习算法相连。他们将计算机的目标设定为同时提高三项具体指标：电厂的总功、热效率（即热能转化为电力的效率）以及火用效率（即在不浪费的情况下利用可用能量的效率）。计算机被允许进行数千次模拟，在室外温度和燃料条件随机变化的情况下，测试不同的泵压力组合。该算法使用了一种被称为软行动者-评论家（soft actor-critic）的方法，这种方法特别擅长处理连续变化并寻找复杂可能性图谱中的最佳路径。它学会了快速适应，确保即使环境发生变化，电厂仍能保持在接近峰值的性能水平。
训练完成后，结果显示计算机已经找到了一种非常有效的运行方式。在最佳情景下，优化后的电厂实现了38.99%的热效率和82.35%的火用效率。它还产生了每公斤流经系统的水888.2千焦耳的比功输出。这些数字代表了相比标准运行的显著进步，证明了该智能系统能够找到人类工程师可能会错过的泵压力的“甜点区”。该系统表现得非常稳定；即使研究人员改变了条件，性能波动也小于0.58%。这种一致性表明，该方法可以可靠地应用于不同季节和不同地区的现实世界发电厂，而不仅仅是在计算机模拟中。
研究还揭示了不同因素如何影响电厂的性能。例如，研究人员发现，随着室外空气温度的升高，必须对泵的最佳压力设置进行微调以维持效率。同样，涡轮机和泵本身的效率也起到了重要作用；当涡轮机效率更高时，系统可以产生更多的功率。计算机学会了自动应对这些关系，调整第一、第二和第三个泵的压力以匹配当前条件。通过使用这种智能方法，研究人员表明发电厂可以实现以前难以达到的精确度和适应度，为更高效、更可持续的能源生产提供了一条充满希望的路径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。