КВАНТОВО-ФОТОН-СПИНОВЫЙ МЕТОД ИНТЕЛЛЕКТУАЛЬНОГО УПРАВЛЕНИЯ ТЕПЛОЭНЕРГЕТИЧЕСКИМИ ОБЪЕКТАМИ

АННОТАЦИЯ

В современных условиях развития энергетики теплоэнергетические объекты остаются ключевыми элементами производства и преобразования тепловой энергии, что обуславливает повышенные требования к эффективности и надежности систем их управления. В связи с этим актуальной задачей является применение интеллектуальных методов управления, способных обеспечивать устойчивую работу таких объектов в широком диапазоне нагрузок. В данной работе рассматривается квантово-фотон-спиновый метод интеллектуального управления теплоэнергетическими объектами на примере парового перегревателя. Управляющее воздействие формируется на основе параметров фотон-спиновой поляризации, используемых для описания состояния и направленности управляющего сигнала. Для парового перегревателя разработана математическая модель и выполнено имитационное моделирование в среде MATLAB/Simulink. Результаты исследования показали улучшение динамических характеристик системы управления и снижение времени переходного процесса на 20–25% по сравнению с классическим PID-регулятором, что подтверждает практическую применимость предложенного метода.

ABSTRACT

In today's energy sector, thermal power plants remain key components of thermal energy production and conversion, placing increased demands on the efficiency and reliability of their control systems. Therefore, the application of intelligent control methods capable of ensuring the stable operation of such plants over a wide range of loads is a pressing issue. This paper examines a quantum-photon-spin method for intelligent control of thermal power plants using a steam superheater as an example. The control action is generated based on photon-spin polarization parameters used to describe the state and direction of the control signal. A mathematical model was developed for the steam superheater, and simulation was performed in MATLAB/Simulink. The study results demonstrated improved dynamic performance of the control system and a 20–25% reduction in transient response time compared to a classic PID controller, confirming the practical applicability of the proposed method.

Ключевые слова: квантово-фотон-спиновый метод, интеллектуальное управление, теплоэнергетические объекты, паровой перегреватель, фотон-спиновая поляризация, математическое моделирование, MATLAB/Simulink.

Keywords: quantum-photon-spin method, intelligent control, thermal power plants, steam superheater, photon-spin polarization, mathematical modeling, MATLAB/Simulink.

Введение. В современных условиях развития энергетики теплоэнергетические объекты играют ключевую роль в процессах производства и преобразования тепловой энергии. Надежная и эффективная работа таких объектов во многом определяется качеством систем автоматического управления, обеспечивающих поддержание технологических параметров в заданных пределах при изменяющихся режимах нагрузки и внешних воздействиях [1,2]. На практике для управления теплоэнергетическими объектами широко применяются классические методы регулирования, в частности PID-регуляторы. Однако при наличии выраженной инерционности, нелинейности и запаздывания данные методы не всегда обеспечивают требуемую точность и устойчивость регулирования, что приводит к ухудшению динамических характеристик системы.

В связи с этим возрастает интерес к применению интеллектуальных методов управления, ориентированных на повышение адаптивности и устойчивости систем автоматического управления в условиях неопределенности и изменяющихся параметров объекта. Использование новых концептуальных подходов позволяет расширить функциональные возможности существующих систем управления [3,4].

В данной работе предлагается квантово-фотон-спиновый метод интеллектуального управления теплоэнергетическими объектами, основанный на использовании параметров фотон-спиновой поляризации для формирования управляющего воздействия. В качестве объекта исследования выбран паровой перегреватель, являющийся одним из наиболее ответственных элементов теплоэнергетических установок [5,6].

Целью работы является разработка математической модели парового перегревателя и исследование эффективности квантово-фотон-спинового метода управления на основе имитационного моделирования в среде MATLAB/Simulink с последующим сравнением полученных результатов с классическим PID-регулятором.

Основные теоретические сведения. Квантово-фотон-спиновый метод управления базируется на использовании математического аппарата, применяемого для описания поляризационного и спинового состояния фотона, и его адаптации к задачам интеллектуального управления технологическими объектами [7,8]. В инженерной интерпретации фотон рассматривается как носитель управляющей информации, а его спиново-поляризационное состояние как обобщённое представление состояния системы управления.

Поляризационное состояние фотона в квантовой теории описывается суперпозицией базисных состояний [9]:

                                      (1)

где ∣H⟩ и ∣V⟩ - ортогональные состояния линейной поляризации, а α, β- комплексные амплитуды.

Для практических задач управления данное состояние удобно характеризовать параметрами Стокса, которые однозначно определяют фотон-спиновую поляризацию [10]:

,

                                                           (2)

Параметры S₁-, S₂-, S₃- формируют вектор фотон-спиновой поляризации

,                                                                   (3)

При управлении теплоэнергетическими объектами параметры фотон-спиновой поляризации используются как формализованное векторное описание состояния системы управления. В частности, для парового перегревателя вводится соответствие между технологическими переменными и компонентами вектора S:

                                            (4)

где

- ошибка регулирования температуры перегретого пара.

Таким образом, фотон-спиновая поляризация используется для одновременного учёта текущего отклонения, динамики и накопленного теплового дисбаланса парового перегревателя [11].

Управляющее воздействие формируется на основе проекции фотон-спинового вектора поляризации на ось управления:

                                        (5)

где , ,- коэффициенты квантово-фотон-спинового регулятора.

Такое формирование управляющего сигнала соответствует использованию фотон-спинового состояния как обобщённого управляющего параметра и обеспечивает более устойчивую реакцию системы управления по сравнению с классическими скалярными методами [12,13].

Динамика парового перегревателя описывается уравнениями:

,                                                       (6)

Подстановка квантово-фотон-спинового закона управления приводит к замкнутой системе [14]:

                            (7)

что позволяет учитывать инерционность и нелинейность теплообменных процессов при регулировании температуры перегретого пара [15,16].

Использование реальных квантово-фотон-спиновых формул (суперпозиция, параметры Стокса, вектор поляризации) в технологической интерпретации позволяет формально обосновать квантово-фотон-спиновый метод интеллектуального управления и адаптировать его к задачам управления паровым перегревателем теплоэнергетических установок [17].

Результаты и их обсуждение. Эффективность квантово-фотон-спинового метода управления паровым перегревателем была оценена на основе имитационного моделирования в среде MATLAB/Simulink. В качестве основного показателя рассматривалась динамика изменения температуры перегретого пара при изменяющихся режимах нагрузки. Полученные результаты сопоставлялись с характеристиками системы управления на основе классического ПИД-регулятора [18,19].

Результаты моделирования показали, что применение квантово-фотон-спинового метода позволяет сократить время переходного процесса на 20–25% по сравнению с ПИД-регулятором, а также уменьшить величину перерегулирования. Переходные процессы характеризуются более плавным характером и повышенной устойчивостью при воздействии внешних возмущений.

Рисунок 1. Графические результаты

Представленные графики подтверждают, что квантово-фотон-спиновый метод обеспечивает более быстрое достижение установившегося режима и более эффективную компенсацию отклонений температуры перегретого пара, что свидетельствует о его практической применимости для управления теплоэнергетическими объектами [20].

Выводы. В работе разработан квантово-фотон-спиновый метод интеллектуального управления паровым перегревателем, основанный на векторном представлении состояния системы управления. Сформирован математический аппарат метода и выполнено имитационное моделирование в среде MATLAB/Simulink. Результаты моделирования показали, что предложенный метод обеспечивает сокращение времени переходного процесса на 20–25% и уменьшение перерегулирования по сравнению с классическим ПИД-регулятором. Также отмечена более устойчивая работа системы управления при воздействии внешних возмущений. Полученные результаты подтверждают практическую применимость квантово-фотон-спинового метода для управления теплоэнергетическими объектами.

Список литературы:

1. Godhavn, J.-M.; Strand, S.; Skofteland, G. INCREASED OIL PRODUCTION BY ADVANCED CONTROL OF RECEIVING FACILITIES. IFAC Proceedings Volumes 2005, 38, 567–572, doi:10.3182/20050703-6-CZ-1902.01668.
2. Сидиков Исомиддин Хакимович, Усманов Комил Исроилович, Якубова Ноилахон Собиржоновна, Казахбаев Сапарбай Атабаевич НЕЧЕТКОЕ СИНЕРГЕТИЧЕСКОЕ УПРАВЛЕНИЕ НЕЛИ-НЕЙНЫХ СИСТЕМ // Journal of Advances in Engineering Technology. 2020. №2. URL: https://cyberleninka.ru/article/n/nechetkoe-sinergeticheskoe-upravlenie-neli-neynyh-sistem .
3. Usmanov, K., Eshbobaev, J., & Yakubova, N. (2023). Modeling and Optimization of the Ammonium Solution Extraction Process. Engineering Proceedings, 56(1), 198. https://doi.org/10.3390/ASEC2023-16274 .
4. Yakubova, N., Usmanov, K., Turakulov, Z., & Eshbobaev, J. (2025). Application of Quantum Computing Algorithms in the Synthesis of Control Systems for Dynamic Objects. Engineering Proceedings, 87(1), 68. https://doi.org/10.3390/engproc2025087068
5. Morles, E.C.; Canelon, M.A.R. Fuzzy Model Based Control: Application to an Oil Production Separator. In Proceedings of the 2008 Eighth International Conference on Hybrid Intelligent Systems; IEEE: Barcelona, September 2008; pp. 750–757.
6. Litvintseva, L.V.; Ulyanov, I.S.; Ulyanov, S.V.; Ulyanov, S.S. Quantum Fuzzy Inference for Knowledge Base Design in Robust Intelligent Controllers. J. Comput. Syst. Sci. Int. 2007, 46, 908–961, doi:10.1134/S1064230707060081.
7. Vogel-Heuser, B.; Diedrich, C.; Fay, A.; Jeschke, S.; Kowalewski, S.; Wollschlaeger, M.; Göhner, P. Challenges for Software Engineering in Automation. JSEA 2014, 07, 440–451, doi:10.4236/jsea.2014.75041.
8. Benndorf, J.; Jansen, J.D. Recent Developments in Closed-Loop Approaches for Real-Time Mining and Petroleum Extrac-tion. Math Geosci 2017, 49, 277–306, doi:10.1007/s11004-016-9664-8.
9. Dong, D.; Petersen, I.R. Quantum Control Theory and Applications: A Survey. IET Control Theory Appl. 2010, 4, 2651–2671, doi:10.1049/iet-cta.2009.0508.
10. Farhi, E.; Goldstone, J.; Gutmann, S. A Quantum Approximate Optimization Algorithm 2014.
11. Nielsen, M.A.; Chuang, I.L. Quantum Computation and Quantum Information: 10th Anniversary Edition; 1st ed.; Cambridge University Press, 2012; ISBN 978-1-107-00217-3.
12. Baczyński, M.; Grzegorzewski, P.; Mesiar, R.; Helbin, P.; Niemyska, W. Fuzzy Implications Based on Semicopulas. Fuzzy Sets and Systems 2017, 323, 138–151, doi:10.1016/j.fss.2016.09.009.
13. Yin, C.; Rosendahl, L.; Luo, Z. Methods to Improve Prediction Performance of ANN Models. Simulation Modelling Practice and Theory 2003, 11, 211–222, doi:10.1016/S1569-190X(03)00044-3.
14. Chouai, A.; Cabassud, M.; Le Lann, M.V.; Gourdon, C.; Casamatta, G. Multivariable Control of a Pulsed Liquid-Liquid Ex-traction Column by Neural Networks. Neural Computing & Applications 2000, 9, 181–189, doi:10.1007/s005210070011.
15. Tan, H.; Cong, L. Modeling and Control Design for Distillation Columns Based on the Equilibrium Theory. Processes 2023, 11, 607, doi:10.3390/pr11020607.
16. Ali, A.A.; Abdul-Majeed, G.H.; Al-Sarkhi, A. Review of Multiphase Flow Models in the Petroleum Engineering: Classifica-tions, Simulator Types, and Applications. Arab J Sci Eng 2025, 50, 4413–4456, doi:10.1007/s13369-024-09302-0.
17. Russell, B.P.; LeVan, M.D. Group-Contribution Theory for Adsorption of Gas Mixtures on Solid Surfaces. Chemical Engi-neering Science 1996, 51, 4025–4038, doi:10.1016/0009-2509(96)00244-8.
18. Venegas-Andraca S. E. Quantum Walks for Computer Scientists. Synthesis Lectures on Quantum Computing, Morgan Claypool, 2008, 133 p.
19. L.Lace. Enlarging gap between quantum and deterministic query complexities. Proceedings of Baltic DB&IS 2004, vol. 2, Riga, Latvia, pp. 81.-91.
20. Frank Tabakin, Bruno Juliб-Dнaz, ”QCMPI: A parallel environment for quantum computing”, Computer Physics Communications №180, p. 948. 2009.