面向人工上升流能量管理的深度强化学习

人工上升流（AU）作为一种将富营养底层水提升至表层、刺激海藻生长并进而增强海洋碳封存的手段，近年来受到越来越多的关注。这推动了中国首个太阳能驱动气升式人工上升流系统（AUS）的研发。然而，在复杂海洋环境中对注气系统进行高效调度仍是运行 AUS 的关键挑战，因其具有显著提升能效的潜力。为应对该挑战，我们提出一种新颖的能量管理方法，利用深度强化学习（DRL）算法制定 AUS 的高效运行策略。具体而言，我们将 AUS 能效最大化问题建模为马尔可夫决策过程，并将分布强化学习中的分位数网络（QR-DQN）与深度对决网络相融合以求解该问题。通过大量仿真，我们评估了算法性能，并证明其在减少能源浪费同时确保 AUS 稳定高效运行方面，优于传统基于规则的方法与其他 DRL 算法。我们的研究结果表明，基于 DRL 的方法为提升 AUS 能效及增强海藻养殖与海洋碳封存的可持续性提供了可行途径。