混合强化学习优化真实水分布管网泵站可持续性
人工智能
2023-10-17 v1 机器学习
摘要
本文解决泵调度优化问题,以增强真实世界水分布管网(WDNs)的实时控制。我们的主要目标是在遵守物理运行约束的同时降低能耗与运行成本。传统优化技术,如基于进化的算法与遗传算法,常因缺乏收敛性保证而表现不足。相反,强化学习(RL)因对不确定性的适应性与更低的推理时间而脱颖而出,可实现实时响应。然而,RL 的有效实施取决于为 WDNs 建立准确的仿真模型,且先前的应用受限于仿真训练数据中的误差。这些误差可能使 RL 智能体学到误导性模式与动作,并推荐次优运行策略。为克服这些挑战,我们提出一种改进的“混合 RL”方法。该方法融合 RL 的优势,同时以历史数据为基础,作为逐步引入最优控制建议的基线。通过以运行数据作为智能体动作的基础,我们增强了智能体动作的可解释性,促成更稳健的建议并最小化误差。我们的结果表明,混合 RL 智能体可显著提升真实 WDNs 中的可持续性、运行效率,并动态适应新现场景。
引用
@article{arxiv.2310.09412,
title = {Hybrid Reinforcement Learning for Optimizing Pump Sustainability in Real-World Water Distribution Networks},
author = {Harsh Patel and Yuan Zhou and Alexander P Lamb and Shu Wang and Jieliang Luo},
journal= {arXiv preprint arXiv:2310.09412},
year = {2023}
}