33363

طراحي و ارتقا سيستم كنترل هوشمند احتراق با افزايش قابليت سازگاري متدهاي هوش مصنوعي

كارشناسي ارشد

مهندسي سيستم هاي انرژي

1400

1403/11/14

دكتر ميثم فرج الهي

-

فناوري هاي نوين

در دهه‌هاي اخير، با وجود پيشرفت‌هاي قابل‌توجه در حوزه انرژي‌هاي تجديدپذير، نيروگاه‌هاي حرارتي همچنان به‌عنوان يكي از اصلي‌ترين تأمين‌كنندگان انرژي در مقياس كلان محسوب مي‌شوند. اتكا به سوخت‌هاي فسيلي، هرچند تداوم نسبي توليد برق را ممكن مي‌سازد، اما با پيامدهاي زيست‌محيطي همراه است. بر همين اساس، ضرورت كاهش آلاينده‌ها و ارتقاي راندمان واحدهاي حرارتي به‌عنوان دو هدف كليدي در بهينه‌سازي سيستم‌هاي انرژي، به طور فزاينده‌اي مورد توجه قرار گرفته است. در اين بين، راهبردهاي كنترلي پيشرفته، به‌عنوان ابزاري كليدي، نقشي محوري در اين زمينه ايفا مي‌كنند. پژوهش حاضر با هدف ارائه روشي جامع براي كنترل و بهينه‌سازي هم‌زمان عملكرد و كاهش آلايندگي در نيروگاه‌هاي حرارتي، به‌ويژه نيروگاه‌هاي گازي، تدوين شده است. در اين راستا، با بهره‌گيري از تكنيك‌هاي پيشرفته هوش مصنوعي و الگوريتم‌هاي يادگيري تقويتي، سيستمي طراحي شده است كه قابليت واكنش پويا به نوسانات بار مصرفي و تغييرات شرايط محيطي را دارد. روش پيشنهادي با استفاده از الگوريتم SAC، به‌عنوان يكي از رويكردهاي پيشرفته در كنترل هوشمند، به دنبال دستيابي به تعادلي پايدار ميان افزايش بازده انرژي و كاهش آلايندگي است. بررسي نتايج حاكي از آن است كه رويكرد كنترلي پيشنهادي، افزون بر سرعت محاسباتي مطلوب، توانسته است در حين كاهش اكسيدهاي نيتروژن، به عنوان يكي از اصلي‌ترين آلاينده‌هاي توليدشده در نيروگاه‌هاي حرارتي، بازده توليدي را نيز ارتقا دهد. در اين راستا، متوسط افزايش راندمان سيستم معادل 1.17 درصد برآورد شد كه در مقياس صنعتي، كاهش معنادار هزينه‌هاي سوخت را به دنبال دارد. افزون بر اين، كاهش ميانگين 21 درصدي در انتشار اكسيدهاي نيتروژن سبب شد سطح كلي آلايندگي، در كمتر از حدود استاندارد باقي بماند. ارزيابي پايداري بلندمدت سامانه نيز نشان داد كه الگوريتم پيشنهادي در مواجهه با تغييرات تدريجي شرايط بهره‌برداري، عملكردي باثبات و قابل قبول ارائه مي‌دهد. در مجموع، يافته‌هاي اين پژوهش نشان مي‌دهد سامانه كنترل مبتني بر هوش مصنوعي معرفي‌شده، قادر است ضمن ايجاد تعامل بهينه در اهداف افزايش راندمان و كاهش انتشار آلاينده‌ها، تعادلي مطلوب ميان ملاحظات فني و محيط‌زيستي در واحدهاي حرارتي برقرار سازد.

1404/02/21

Design and enhancement of an intelligent combustion control system by increasing adaptability of artificial intelligence methods

2/2/2026 12:00:00 AM

Over the past few decades, despite significant progress in renewable energy technologies, thermal power plants have remained a principal source of large-scale energy generation. Although reliance on fossil fuels sustains relatively continuous electricity production, it also poses environmental challenges. Consequently, the dual objectives of reducing emissions and enhancing the efficiency of thermal units have garnered increasing attention in energy system optimization. In this context, advanced control strategies serve as pivotal tools in achieving these goals. This study proposes a comprehensive approach for the simultaneous control and optimization of performance and emissions reduction in thermal power plants, with particular emphasis on gas-fired units. By leveraging state-of-the-art artificial intelligence techniques and reinforcement learning algorithms, the designed system dynamically adapts to load fluctuations and varying environmental conditions. The proposed method employs the Soft Actor-Critic (SAC) algorithm—one of the leading approaches in intelligent control—to strike a stable balance between improving energy efficiency and curbing pollutant emissions. The results demonstrate that the proposed control strategy not only offers favorable computational speed but also reduces nitrogen oxide emissions—one of the primary pollutants in thermal power plants—while simultaneously improving generation efficiency. In this regard, an average efficiency improvement of 1.17% was achieved, which translates into considerable fuel cost savings at an industrial scale. Moreover, a 21% average reduction in nitrogen oxide emissions ensured that overall pollution levels remained well below standard limits. Long-term stability assessments further revealed that the proposed algorithm maintains robust and acceptable performance when faced with gradual variations in operating conditions. In summary, the findings indicate that this AI-based control system can effectively harmonize the twin objectives of efficiency enhancement and pollution reduction, thereby establishing a desirable balance between technical and environmental considerations in thermal power plant operations.

نيروگاه حرارتي , بهينه سازي , كنترل , هوش مصنوعي , يادگيري تقويت شده

Combustion optimization , Thermal power plant , Advanced control , Artificial intelligence , Reinforcement learning

Fatemeh Ghobbeh

Dr.Meisam Farajollahi