Aug, 2023

基于代理辅助的深度强化学习对ORC过热控制的模拟转化

HTML
PDF
TL;DR本文提出了基于Sim2Real迁移学习的深度强化学习控制方法，用于有机朗肯循环（ORC）的过热控制，在智能制造中提供了简单、可行和用户友好的解决方案，用于能源系统的优化控制。实验结果表明，所提出的方法显著提高了ORC控制问题中深度强化学习的训练速度，并通过Sim2Real迁移在多种运行条件下解决了智能体的泛化性能问题。
发现论文，激发创造
  • DeepThermal: 使用离线强化学习进行热电厂燃烧优化

    本研究通过开发一个名为DeepThermal的数据驱动人工智能系统来优化燃煤发电厂的燃烧效率，此系统采用了基于模型的离线强化学习（RL）框架，并在中国的四个大型燃煤发电厂中进行了成功部署。

    Feb, 2021

  • 使用深度强化学习进行零缺陷智能锻造

    本文提出了一种基于数字化孪生技术的深度强化学习框架来优化模拟锻造生产线上的加热过程，为钢铁锻造等低数字化程度的产业带来了自动化与优化的解决方案。

    Jan, 2022

  • 使用数据生成接近最优控制区域温度的深度强化学习策略

    通过在基于物理一致的神经网络(PCNNs)上评估DRL代理，我们证明了DRL代理比基于规则的控制器表现更好，并且实现了接近最优的表现，从而提高了建筑行业的能效

    Mar, 2022

  • 基于模型的深度强化学习电压控制策略高效学习

    提出了一种基于模型的深度强化学习方法，用于设计短期电压稳定性问题的紧急控制策略，并使用基于深度神经网络 的动态代理模型进行训练，最终在 IEEE 300 总线测试系统上实现了 97.5% 的样本效率和 87.7% 的训练效率。

    Dec, 2022

  • 二维Rayleigh-Bénard 对流的有效控制：只需不变的多智能体强化学习

    本研究利用深度强化学习和多智能体强化学习方法对瑞利-贝纳德对流传热现象进行控制，该方法在控制分布均匀的标准瑞利-贝纳德对流系统中表现出良好的控制效果，使得传热得到减少，有潜力用于工业流程优化。

    Apr, 2023

  • 深度强化学习下的优化经济燃气轮机调度

    对于加拿大阿尔伯塔省的案例研究中，通过将西门子公司提供的热力学软件纳入环境模型，并通过模拟不确定性，如电力价格、负载和环境条件的变化，我们实施了三种常见的深度强化学习算法来处理经济型燃气轮机调度问题。在所测试的算法和基准方法中，深度Q网络（DQN）获得了最高的奖励，而近端策略优化（PPO）是最高效的方法。我们进一步提出并实施了一种动态分配燃气轮机运行和维护成本的方法，基于运行时间和循环数，与现有方法相比，我们的方法更好地近似了现代燃气轮机调度的真实成本，因此导致了更现实的策略。

    Aug, 2023

  • 脉冲冲击射流传热控制的深度强化学习

    这项研究旨在探讨强化学习在基于计算流体力学的热控制中的适用性。结果表明，基于深度Q网络的DRL方法在热控制中具有较高的效率和可行性，其中软化双重DQN方法在各种变体中表现最佳，可以在控制周期的98％以上将温度保持在期望的阈值范围内，这些发现证明了DRL在有效解决热控制系统方面的潜力。

    Sep, 2023

  • 深度强化学习算法在 HVAC 控制中的实验评估

    本研究基于Sinergym框架对多种先进DRL算法在HVAC控制中进行了关于舒适度和能源消耗方面的可重复评估，结果表明SAC和TD3等DRL算法在复杂场景下具有潜力，并揭示了与泛化和增量学习有关的若干挑战。

    Jan, 2024

  • 通过迁移学习促进过程控制的强化学习: 观点

    这篇论文从迁移学习的角度提供了关于深度强化学习（DRL）在过程控制中的见解。我们分析了在过程工业领域应用DRL的挑战和引入迁移学习的必要性。此外，还提供了关于如何将迁移学习与DRL整合以增强过程控制的未来研究方向的建议和展望。

    Mar, 2024

  • 受限强化学习在安全热泵控制中的应用

    本研究针对建筑供热系统中提升能效与居民热舒适度之间的优化难题，提出了一种新颖的方法。通过应用I4B仿真器和无模型受限强化学习算法CSAC-LB，显著提升了数据探索、约束满足与性能，展现了在安全控制中的实用潜力。

    Sep, 2024