شماره ركورد
33530
پديد آورنده
اميرحسين عبدالملكي
عنوان
طراحي يك سيستم ردياب نور خورشيد مبتني بر هوش مصنوعي براي بكارگيري در نيروگاه هاي متمركز خورشيدي
مقطع تحصيلي
كارشناسي ارشد
رشته تحصيلي
مهندسي سيستم هاي انرژي
سال تحصيل
1400
تاريخ دفاع
12/8/1403
استاد راهنما
دكتر ميثم فرج الهي
استاد مشاور
.
دانشكده
فناوري هاي نوين
چكيده
فناوري نيروگاههاي متمركز خورشيدي از طريق جمعآوري و بازتابش نور طبيعي خورشيد بر يك گيرنده خطي يا نقطهاي متمركز از زمان طلوع تا غروب آفتاب، ميتوانند انرژي تابش خورشيد را به الكتريسيته تبديل كنند. بر اين اساس يك سيال عامل از طريق انرژي حرارتي ايجادشده توسط تابش خورشيدي در گيرنده، به دماي بسيار بالايي ميرسد كه در ادامه در يك فرآيند تبديل انرژي مانند چرخه رانكين شركت ميكند و از اين طريق تبديل انرژي خورشيدي به الكتريسيته صورت ميگيرد [1].
اضافه كردن يك يا چند برج گيرنده به نيروگاههاي متمركز خورشيدي بر افزايش بازدهي كلي نيروگاه تاثير بسزايي دارد. هرچند افزودن برجهاي خورشيدي ميتواند بازدهي نيروگاه را بهبود بخشد، اما به دليل پيچيدگيهاي ايجادشده در كنترل موقعيت زاويهاي هليوستاتها، چالشهاي فني متعددي پديد ميآيد. در ميدان هاي چند برجي، برجهاي خورشيدي اضافي بهعنوان اهداف جايگزين براي هليوستاتهايي با بازدهي كمتر عمل كرده و با كاهش برخي از تلفات نوري ناشي از سايهها و فاصلههاي زياد، توليد انرژي كلي نيروگاه را بهبود ميبخشند. بااينحال، كنترل كارآمد موقعيت زاويهاي هليوستاتها و انتخاب برج مناسب براي بازتاب نور خورشيد در اين نيروگاه ها همواره چالش برانگيز بوده و روش هاي رايج مورد استفاده در ميدان هاي تك برج عملكرد مطلوب را در اين نوع نيروگاه ها ندارند. لذا كنترل كارآمد موقعيت زاويه اي هليوستات در ميدان هاي جند برجي به دليل وجود عدم قطعيت هايي از قبيل شرايط سايه اندازي و انسداد بازتابش، نيازمند بهرهگيري از روشهاي مبتني بر هوش مصنوعي است.
در اين مطالعه، يك روش نوين مبتني بر يادگيري تقويتي براي رديابي موقعيت خورشيد و كنترل زاويهي هليوستاتها در يك ميدان دو برج خورشيدي در زمان واقعي پيشنهاد شده است. الگوريتم پيشنهادي با استفاده از روش DQN، هدفگيري هليوستاتها را در بازههاي زماني بيست دقيقهاي بهروزرساني ميكند. اين بهروزرساني با در نظر گرفتن نرخ توليد انرژي، مصرف انرژي در تغيير موقعيت زاويهاي و تلفات نوري صورت ميگيرد. دادههاي تابشي سالانه مربوط به شهر يزد بهعنوان ورودي مدل مورداستفاده قرار گرفته و عملكرد الگوريتم با بهترين سناريوي مبتني بر مدل رياضي مقايسه شده است.
نتايج تحليلهاي ماهانه و سالانه نشاندهنده بازدهي 81/84 درصدي مدل يادگيري تقويتي بوده كه بيانگر اثربخشي اين روش در دستيابي به اهداف عملكردي مطلوب است. علاوه بر اين، مدل پيشنهادي توانايي ارائه تصميمگيريهاي بهينه و سازگار با شرايط متغير محيطي را دارا ميباشد، كه كارآمدي و قابليت انعطافپذيري آن را تأييد ميكند. به طوري كه مدل پيشنهادي توانسته است با كسب ميانگين بازده سالانه سايه اندازي و انسداد 84/92 درصد در اقدامات خود مبني بر تنظيم موقعيت زاويهاي هليوستات، تلفات ناشي از عدم قطعيت هاي محيطي را بدون متحمل شدن بار محاسباتي اضافي به حداقل برساند.
تاريخ ورود اطلاعات
1404/04/21
عنوان به انگليسي
Designing an AI Based Solar Tracking System For Use In Concentrated Solar Power Plants
تاريخ بهره برداري
11/3/2025 12:00:00 AM
دانشجوي وارد كننده اطلاعات
اميرحسين عبدالملكي
چكيده به لاتين
Integrating a receiver tower into a concentrated solar power (CSP) plant can enhance overall efficiency but introduces complexities in managing heliostat angular positions. A solar tower offers an alternative target for weaker heliostats, potentially reducing light losses caused by shadows from clouds, other heliostats, or the tower itself. While additional towers can mitigate some losses and increase energy output, effective control of heliostat positioning and target selection under varying conditions necessitates advanced methods beyond conventional approaches. This study proposes a reinforcement learning-based method to optimize real-time heliostat angular adjustments and target selection. The method employs the Deep Q-Network (DQN) algorithm to train heliostat positioning decisions using solar radiation data from Yazd over a full light year. The model operates with 20-minute updates, accounting for energy production, consumption due to repositioning, and losses from shadowing and angular misalignments. Comparative analysis with a mathematical optimization baseline demonstrates the proposed methodʹs superior performance, achieving an annual efficiency of 84.8%. The results highlight the modelʹs adaptability to dynamic conditions, underscoring its potential for enhancing CSP plant operations. This approach offers a robust framework for improving heliostat control and energy yield in multi-tower solar power systems.
كليدواژه هاي فارسي
نيروگاه متمركز خورشيدي , رديابي نور خورشيد , هوش مصنوعي , يادگيري تقويتي , كنترل زاويه اي هليوستات
كليدواژه هاي لاتين
concentrated solar power plant , solar tracking , artificial intelligence , reinforcement learning , heliostat angular position control
Author
Amirhossein Abdolmaleki
SuperVisor
Dr.Meisam Farajollahi