用于区域供冷能源站最优控制的强化学习
系统与控制
2022-03-16 v1 系统与控制
摘要
由冷水机组、冷却塔和蓄热系统(TES)组成的区域供冷能源站(DCEP)消耗大量电能。优化TES与冷水机组的调度以利用时变电价是一个具有挑战性的最优控制问题。经典方法模型预测控制(MPC)由于冷水机组的启停与TES的充放电而需要求解高维混合整数非线性规划(MINLP),在计算上十分困难。RL是MPC的一种有吸引力的替代方案:实时控制计算是一个可轻松求解的低维优化问题。然而,RL控制器的性能取决于许多设计选择。在本文中,我们针对该问题提出了一种基于Q-learning的强化学习(RL)控制器。数值仿真结果表明,所提出的RL控制器相比基于规则的基准控制器可降低约8%的能源成本,与文献中类似DCEP采用MPC所报告的节省相当。我们描述了RL控制器中的设计选择,包括基函数、奖励函数塑形以及学习算法参数。与现有DCEP的RL工作相比,所提出的控制器针对连续状态与动作空间设计。
引用
@article{arxiv.2203.07500,
title = {Reinforcement Learning for Optimal Control of a District Cooling Energy Plant},
author = {Zhong Guo and Austin R. Coffman and Prabir Barooah},
journal= {arXiv preprint arXiv:2203.07500},
year = {2022}
}
备注
10 pages, extended ACC2022 version