基于强化学习与MPC的区域供冷能源站最优控制
系统与控制
2023-10-09 v1 系统与控制
摘要
我们考虑由多台冷机、冷却塔和蓄冷装置（TES）组成的区域供冷能源站（DCEPs）在时变电价下的最优控制问题。直接应用模型预测控制（MPC）需要求解一个具有挑战性的混合整数非线性规划（MINLP），因为冷机的启停以及DCEP模型的复杂性。强化学习（RL）是一个有吸引力的替代方案，因为其实时控制计算简单得多。但设计RL控制器具有挑战性，因为众多的设计选择和计算密集的训练。在本文中，我们提出一种RL控制器和一种MPC控制器用于最小化DCEP的电费，并通过仿真进行比较。两个控制器在目标和信息需求方面设计为可比较。RL控制器使用一种基于最小二乘策略迭代的新型Q-learning算法。我们描述了RL控制器的设计选择，包括被发现有效的状态空间和基函数的选择。所提出的MPC控制器在实现时不需要混合整数求解器，而仅需非线性规划（NLP）求解器。还提出了一种基于规则的基线控制器以辅助比较。仿真结果表明，所提出的RL和MPC控制器相对于基线控制器实现相似的节省，约为17%。
引用
@article{arxiv.2310.03814,
title = {Optimal Control of District Cooling Energy Plant with Reinforcement Learning and MPC},
author = {Zhong Guo and Aditya Chaudhari and Austin R. Coffman and Prabir Barooah},
journal= {arXiv preprint arXiv:2310.03814},
year = {2023}
}
备注
18 pages, 12 figures. arXiv admin note: text overlap with arXiv:2203.07500