30681

كنترل محفظه احتراق يك نيروگاه سيكل تركيبي با هدف مديريت گازهاي گلخانه‌اي و آلاينده به كمك هوش مصنوعي

كارشناسي ارشد

مهندسي سيستم هاي انرژي - محيط زيست

1399

1402/12/26

دكتر ميثم فرج الهي

دكتر عليرضا زاهدي

فناوري هاي نوين

نيروگاه سيكل تركيبي از دو يا چندين فرآيند توليد انرژي مختلف مانند گاز و بخار به طور همزمان استفاده مي‌كند تا برق توليد كند. اين نوع نيروگاه از سيكل گازي و بخار بهره مي‌برد كه باعث افزايش راندمان نسبت به نيروگاه‌هاي سنتي مي‌شود. در نيروگاه‌هاي با سوخت فسيلي، كنترل احتراق بسيار حياتي است زيرا مستقيما بر بهره‌وري انرژي، كاهش انتشارات گازهاي گلخانه‌اي و آلاينده تاثير دارد و همچنين مي‌تواند هزينه‌هاي كلي نيروگاه را كاهش دهد. در نيروگاه‌هاي سيكل تركيبي و گازي، محفظه احتراق به عنوان حساس‌ترين جزء نيروگاه در اين خصوص محسوب مي‌شود. كنترل دقيقي بر روي ورودي‌ها و خروجي‌هاي محفظه احتراق لازم است تا احتراق بهينه‌اي را فراهم كرده و عملكرد نيروگاه بهبود يابد. سامانه‌هاي كنترل توزيع‌شده (DCS) پركاربردترين سيستم كنترلي در نيروگاه‌ها مي‌باشند كه مي‌توان از كنترلر‌هاي مختلفي در آن استفاده ‌كرد. مهم‌ترين آن‌ها شامل كنترلر تناسبي-انتگرالي-مشتقي (PID)، كنترل پيش‌بين مدل (MPC) و كنترل تطبيقي است. در دو نوع اول، با افزايش تقاضا انرژي و اندازه مسئله، قدرت و كارايي آن‌ها بشدت كاهش مي‌يابد. سيستم‌هاي كنترل مرسوم PID با پارامترهاي ثابت نمي‌توانند الزامات كنترل روزافزون را در توليد برآورده كنند. ازآنجايي‌كه سيستم‌هاي احتراق بايد استانداردهاي آلودگي هوا را برآورده كنند، طراحي و عملكرد آن‌ها پيچيده‌تر مي‌شود. در اين مطالعه يك سيكل گازي نيروگاه سيكل تركيبي با استفاده از يادگيري تقويتي و الگوريتم DQN به‌منظور بهينه‌سازي و كنترل متغيرهاي عملكردي شامل راندمان حرارتي، هزينه كل سيكل و ميزان انتشار آلايندگي در هنگام بهره‌برداري و پيدا كردن تريد-افي (مصالحه) مناسب بين آن‌ها بدون داشتن مدل رياضي با كنترل و تغيير متغيرهاي كنترلي شامل دبي جرمي سوخت، دبي جرمي هوا و نسبت فشار كمپرسور موردبررسي قرار گرفت. اين كار براي اولين بار انجام شده است و مطالعه‌اي در زمينه كنترل سيكل گازي با استفاده از يادگيري تقويتي وجود ندارد. نتايج اين مطالعه و روند فرايند يادگيري عامل هوش مصنوعي در محيط تعريف‌شده نشان‌دهنده عملكرد خوب اين روش پيشنهادشده مي‌باشد. مقدار بهينه براي 3 متغير عملكردي شامل راندمان حرارتي سيكل، هزينه كل سيكل و ميزان انتشار آلايندگي سيكل در طول بهره‌برداري به‌ترتيب 32/18 درصد، 0/95 دلار بر ثانيه و 6/32 كيلوگرم بر ثانيه مي‌باشد كه مقاديري معقول را براي يك سيكل گازي نشان مي‌دهد. با استناد به نتايج به‌دست‌آمده مي‌توان اذعان داشت كه كنترل‌كننده مبتني بر روش‌هاي يادگيري تقويتي مي‌توانند پتانسيل بالايي در كسب دانش و عملكردي اتوماتيك در كنترل و بهينه‌سازي پروسه احتراق در نيروگاه‌هاي احتراقي داشته باشند. همچنين كنترل و مديريت سيستم با استفاده از الگوريتم‌هاي يادگيري تقويتي مي‌تواند بر مهم‌ترين معايب روش‌هاي معمول كنترل فايق آيند.

1403/01/25

Combustion chamber control of a combined cycle power plant with the aim of managing greenhouse gases and pollutants with the help of artificial intelligence

3/16/2025 12:00:00 AM

A combined cycle power plant uses two or more different energy production processes, such as gas and steam, simultaneously to produce electricity. This type of power plant uses gas and steam cycle, which increases efficiency compared to traditional power plants. In combustion power plants, combustion control is very critical because it directly affects energy efficiency, reduction of greenhouse gas and pollutant emissions, and can also reduce the overall costs of the power plant. In combined cycle and gas power plants, the combustion chamber is considered as the most sensitive part of the power plant in this regard. Accurate control on the inlets and outlets of the combustion chamber is necessary to provide optimal combustion and improve the performance of the power plant. Distributed control systems (DCS) are the most widely used control systems in power plants, where different controllers can be used. The most important of them include proportional-integral-derivative (PID) controller, model predictive control (MPC) and adaptive control. In the first two types, with the increase in energy demand and problem size, their power and efficiency decrease greatly. Conventional PID control systems with fixed parameters cannot meet the increasing control requirements in production. As combustion systems must meet air pollution standards, their design and operation become more complex. In this study, a gas cycle of a combined cycle power plant using reinforcement learning and DQN algorithm in order to optimize and control performance variables including thermal efficiency, total cycle cost, and the amount of emissions during operation and finding a suitable trade-off between them without having a mathematical model It was investigated by controlling and changing control variables including fuel mass flow rate, air mass flow rate and compressor pressure ratio. This work has been done for the first time and there is no study in the field of gas cycle control using reinforcement learning. The results of this study and the learning process of the artificial intelligence agent in the defined environment show the good performance of this proposed method. The optimal value for 3 performance variables, including the thermal efficiency of the cycle, the total cost of the cycle, and the emission rate of the cycle during operation are 32.18%, 0.95 $/s, and 6.32 kg/s, respectively, which are reasonable values for a gas cycle. Based on the obtained results, it can be acknowledged that the controller based on reinforcement learning methods can have a high potential in acquiring knowledge and automatic performance in controlling and optimizing the combustion process in combustion power plants. Also, system control and management using reinforcement learning algorithms can overcome the most important disadvantages of conventional control methods.

يادگيري تقويتي , كنترل سيكل گازي , بهينه‌سازي احتراق , هوش‌مصنوعي , كاهش آلايندگي

Reinforcement learning , gas cycle control , combustion optimization , Artificial intelligence , Reducing emissions

iman larki

meisam farajollahi