基于代理模型赋能的 Sim2Real 迁移深度强化学习用于 ORC 过热度控制
系统与控制
2023-08-08 v1 人工智能
系统与控制
摘要
有机朗肯循环（ORC）因其结构简单、维护方便而广泛应用于工业余热回收。然而，在流程工业智能制造背景下，传统基于模型的优化控制方法无法适应 ORC 系统多变工况或运行模式的突变。深度强化学习（DRL）在不确定性场景中具显著优势，其通过与环境交互直接达成控制目标，无需被控对象的显式模型。然而，将 DRL 直接应用于物理 ORC 系统存在不可接受的安全风险，且其在模型-对象失配下的泛化性能不足以支撑 ORC 控制需求。因此，本文提出一种基于 Sim2Real 迁移学习的 DRL 控制方法用于 ORC 过热度控制，旨在为能源系统优化控制提供一种新颖、简便、可行且友好的解决方案。实验结果表明，所提方法大幅提升了 DRL 在 ORC 控制问题中的训练速度，并通过 Sim2Real 迁移解决了智能体在多工况下的泛化性能问题。
引用
@article{arxiv.2308.02765,
title = {Surrogate Empowered Sim2Real Transfer of Deep Reinforcement Learning for ORC Superheat Control},
author = {Runze Lin and Yangyang Luo and Xialai Wu and Junghui Chen and Biao Huang and Lei Xie and Hongye Su},
journal= {arXiv preprint arXiv:2308.02765},
year = {2023}
}