集成后碳与直接空气碳捕集系统的多能系统实时调度策略的自动化深度强化学习
系统与控制
2023-01-20 v1 机器学习
系统与控制
摘要
借助 CO2 脱除技术（CDRT）的碳捕集过程已被认为是深度脱碳的一种替代且重要的途径。然而，主要障碍是若管理不善，CDRT 的巨大能源需求与经济影响。为此，本研究提出一种新颖的深度强化学习智能体（DRL），其集成了自动化超参数选择特性，用于耦合 CDRT 的多能系统实时调度。后碳捕集系统（PCCS）与直接空气捕集系统（DACS）被视为 CDRT。使用亚利桑那州某地区的实时多能数据以及制造商目录与试点项目文档中的 CDRT 参数评估了多种可能配置。仿真结果验证了优化的软 actor-critic（SAC）算法因其最大熵特性优于 TD3 算法。随后我们使用优化超参数值训练了四个（4）SAC 智能体（等同于所考虑案例研究数），并部署于实时评估。结果表明所提 DRL 智能体可满足产消者的多能需求，并在不违反指定约束下经济地调度 CDRT 能源需求。并且，所提 DRL 智能体优于基于规则的调度 23.65%。然而，带有 PCCS 与固体吸附剂 DACS 的配置因废热利用与所选吸附剂高吸收容量，具有高捕集-释放 CO2 比 38.54、低 CO2 释放指标值 2.53 以及 CDR 成本降低 36.5%，被认为是最合适配置。然而，在当前碳价下采用 CDRT 并不经济可行。最后，我们表明若政策制定者提供税收激励，CDRT 在 400-450USD/吨碳价下将具吸引力。
引用
@article{arxiv.2301.07768,
title = {Automated deep reinforcement learning for real-time scheduling strategy of multi-energy system integrated with post-carbon and direct-air carbon captured system},
author = {Tobi Michael Alabi and Nathan P. Lawrence and Lin Lu and Zaiyue Yang and R. Bhushan Gopaluni},
journal= {arXiv preprint arXiv:2301.07768},
year = {2023}
}
备注
39 pages; postprint