Optimización multiobjetivo mejorada por aprendizaje de refuerzo para la mezcla sostenible de carbón en centrales...

Área de la Ciencia:

• * Algoritmos de optimización multiobjetivo
• * Inteligencia computacional en los sistemas energéticos
• * Ingeniería de la combustión y ciencias del medio ambiente

Sus antecedentes:

• * La mezcla de carbón en las centrales térmicas presenta desafíos económicos, operativos y ambientales complejos.
• * Los métodos existentes a menudo tienen dificultades para equilibrar objetivos concurrentes como la reducción de costes y el control de emisiones.
• * El ajuste dinámico de los parámetros de mezcla es crucial para la optimización del rendimiento en tiempo real.

Objetivo del estudio:

• * Desarrollar y validar un nuevo algoritmo, Q-learning-enhanced NSGA-II (QLNSGA-II), para la mezcla de carbón multiobjetivo.
• * Integrar la optimización de políticas adaptativas de Q-learning con la selección elitista de NSGA-II para el ajuste dinámico de parámetros.
• * Establecer una función objetiva basada en la física teniendo en cuenta la termodinámica de la fusión de cenizas y la cinética de las emisiones de contaminantes.

Principales métodos:

• * Desarrollo del algoritmo QLNSGA-II, que combina el aprendizaje Q para el ajuste adaptativo de la velocidad y el NSGA-II para la optimización multiobjetivo.
• * Implementación de una función objetiva basada en la física que incorpore la eficiencia de combustión y los límites de emisión de NOx.
• * Validación mediante pruebas de referencia (WFG, UF suites) y ensayos industriales en una central eléctrica.

Principales resultados:

• * QLNSGA-II demostró un rendimiento superior en las suites de referencia, mejorando la distancia generacional invertida (IGD) en un 12,7% y el hipervolumen (HV) en un 9,3%.
• * La validación industrial mostró una reducción del 14,7% en el coste del combustible y una disminución del 41% en la incidencia de escoria.
• Los beneficios ambientales significativos incluyen un contenido de azufre reducido (24,8%), una mayor tasa de calor neto (6,9%) y un ahorro anual sustancial en costes y emisiones.

Conclusiones:

• * QLNSGA-II ofrece una solución escalable y robusta para problemas complejos de mezcla de carbón con múltiples objetivos.
• * El algoritmo equilibra efectivamente los factores económicos, operativos y ambientales en la generación de energía a base de carbón.
• * Este enfoque representa un avance significativo en la mejora de la eficiencia y la sostenibilidad del sector energético.