面向供水系统泵站实时优化的深度强化学习
人工智能
2020-10-14 v1 机器学习
流体动力学
物理与社会
摘要
在供水系统（WDSs）中，泵的实时控制可能是一项难以实现的任务，因为寻找最优泵速的计算是资源密集型的。即便借助智能水网的能力，在使用传统优化技术时，计算需求也无法降低。本文提出将深度强化学习（DRL）作为两个供水系统中泵的控制器。一个基于对决深度Q网络（dueling deep q-network）的智能体被训练以根据瞬时节点压力数据维持泵速。通用优化技术（如Nelder-Mead方法、差分进化）作为基线。与表现最佳的基线相比，DRL智能体所达到的总效率高于0.98，而加速比约为其2倍。所提方法的主要贡献在于，该智能体仅依赖测量数据即可实时运行泵站。若将供水系统替换为水力仿真，该智能体在搜索速度上仍优于传统技术。
引用
@article{arxiv.2010.06460,
title = {Deep Reinforcement Learning for Real-Time Optimization of Pumps in Water Distribution Systems},
author = {Gergely Hajgató and György Paál and Bálint Gyires-Tóth},
journal= {arXiv preprint arXiv:2010.06460},
year = {2020}
}