学习增强的在线控制用于脱碳化水基础设施

水基础设施是供应饮用水、灌溉、消防及其他关键应用的必需品。然而，水泵系统作为将水输送到使用点的关键环节，消耗的能源巨大，并年排放数百万吨温室气体。随着数字水表和传感器在这些基础设施中广泛部署，机器学习（ML）有望优化水供给控制，减少温室气体排放。然而，基于ML的方法在最坏情况下的鲁棒性差，引发了在关键水基础设施部署时的安全顾虑。为解决这一挑战，我们提出一种名为LAOC的学习增强在线控制算法，用于动态调度水泵的激活和/或速度。为确保安全，我们引入了一种 novel 的在线控制问题的安全动作集合设计。通过利用这些安全动作集合，LAOC能够在保证安全约束的前提下，利用ML预测来降低能源和环境成本。我们的分析揭示了安全要求与平均能源/环境成本性能之间的权衡。此外，我们对建筑物水供给系统进行了实验研究，以展示LAOC的实证性能。结果表明，LAOC能够在保证安全约束的前提下，有效降低环境和能源成本。