DeepThermal：基于离线强化学习的热电机组燃烧优化
机器学习
2022-04-06 v3 人工智能
系统与控制
系统与控制
摘要
优化热电机组（TPGU）的燃烧效率是能源工业中一项极具挑战性且至关重要的任务。我们开发了一种新的数据驱动 AI 系统，即 DeepThermal，用于优化 TPGU 的燃烧控制策略。其核心是一种新的基于模型的离线强化学习（RL）框架，称为 MORE，它利用 TPGU 的历史运行数据，通过纯离线训练来求解高度复杂的约束马尔可夫决策过程问题。在 DeepThermal 中，我们首先从离线数据集中学习一个数据驱动的燃烧过程模拟器。然后，MORE 的 RL 智能体通过结合真实历史数据以及经过仔细过滤和处理的模拟数据，借助一种新颖的限制性探索方案进行训练。DeepThermal 已成功部署于中国四座大型燃煤热电厂。真实世界实验表明，DeepThermal 有效提升了 TPGU 的燃烧效率。我们还通过在标准离线 RL 基准上与最先进算法进行比较，报告了 MORE 的优越性能。
引用
@article{arxiv.2102.11492,
title = {DeepThermal: Combustion Optimization for Thermal Power Generating Units Using Offline Reinforcement Learning},
author = {Xianyuan Zhan and Haoran Xu and Yue Zhang and Xiangyu Zhu and Honglei Yin and Yu Zheng},
journal= {arXiv preprint arXiv:2102.11492},
year = {2022}
}