编辑推荐：
循环水养殖系统（RAS）虽为可持续鱼类生产带来希望，但高能耗制约其发展。研究人员开展了利用混合长短期记忆（LSTM）- 深度确定性策略梯度（DDPG）方法优化 RAS 能源的研究。结果显示可降低 15 - 20% 日能耗，减少 17% 每千克鱼生产的能源成本。该研究为水产养殖可持续发展提供解决方案。
在水产养殖领域，循环水养殖系统（Recirculating Aquaculture Systems，RAS）的出现本是一大福音。它就像一个 “魔法盒子”，能循环利用 90 - 99% 的水，极大地节约用水，还能减少对环境的影响，让鱼类养殖不再受气候条件的束缚，一年到头都能稳定生产，同时还降低了疾病风险。然而，这个 “魔法盒子” 却有个大麻烦 —— 能耗极高。能源成本在 RAS 的运营费用中占比高达 20 - 40%，这就像一个沉重的 “枷锁”，严重限制了 RAS 的广泛应用。传统的控制方法在应对这个问题时显得力不从心，它们无法适应 RAS 复杂多变的运行条件，难以平衡能源消耗和水质控制之间的关系，导致能源利用效率低下。在这样的背景下，开展降低 RAS 能耗的研究迫在眉睫。
来自国外的研究人员针对这一难题展开了深入研究。他们提出了一种全新的混合深度学习方法，将长短期记忆（Long Short-Term Memory，LSTM）网络和深度确定性策略梯度（Deep Deterministic Policy Gradient，DDPG）相结合，旨在优化 RAS 的能源使用效率。研究成果发表在《Aquacultural Engineering》上，为水产养殖行业带来了新的希望。
研究人员采用了一系列关键技术方法。首先，在数据处理方面，他们在一个大规模商业 RAS 设施中构建了全面的传感器网络，收集环境、生物和操作等多方面参数，涵盖温度、溶解氧、pH 值、鱼生物量等，获取了 8760 个每小时的观测数据。然后对这些数据进行归一化等预处理操作。其次，搭建了 LSTM - DDPG 混合模型，LSTM 用于捕捉能源消耗的时间模式，DDPG 负责对循环泵、曝气、温度调节等组件的能源使用进行连续控制优化。最后，通过与基于规则的控制系统对比，评估模型性能。
在模型性能和预测准确性方面，研究发现，LSTM - DDPG 混合模型表现出色。训练过程中，LSTM 网络在最初 5 个 epoch 内快速收敛，50 个 epoch 后训练和验证损失稳定在 0.011 左右，平均绝对误差（MAE）也逐渐收敛。对关键组件的预测显示，主循环泵（R2 = 0.997）和总能耗（R2 = 0.918）预测准确性高，但臭氧系统和砂滤器存在不足，后续通过单独的基于规则的控制模块进行了改进。
优化结果和系统性能方面，DDPG 组件实现了显著的能源效率提升。在 100 个训练 episode 中，虽然奖励和节能存在波动，但累计节能持续上升，最终达到 41147.32 kWh，总 episode 奖励为 471.60。系统运行中，总日能耗降低了 15 - 20%，每千克鱼生产的能源成本减少了 17%，且水质参数始终保持在最佳范围内。
在模型性能的进一步评估中，LSTM 编码器在 20 个训练 epoch 内快速收敛，验证损失比训练损失低 5 - 10%，表明模型具有良好的泛化能力。混合系统在 100 个优化 episode 中稳定学习，探索噪声退火策略有效平衡了探索和利用。
能源优化结果表明，与现有基于规则的控制策略相比，混合系统使日能源使用减少了 15 - 20%，全年净减少 41147 kWh。各组件节能明显，如热泵节能 51.2%，循环泵节能 15.4%，臭氧发生器节能 12.8%，且在 97% 的生产周期内关键水质参数保持稳定。
系统在不同条件下的性能测试发现，该模型具有良好的通用性。在多种 RAS 设计和不同物种测试中，跨物种适应效果良好，最终都能达到最优性能的 95% 以上。同时，系统在不同季节温度和生物量密度变化下，节能效果稳定。
与传统控制方法对比，混合 LSTM - DDPG 方法优势明显，节能达 20%，能更好地控制关键参数，且能适应生物量变化，展现出强大的性能。
从实际应用角度看，该研究成果为 RAS 管理带来了显著效益。通过优化，可降低 15 - 20% 的年能源成本，同时具备预测性维护能力，减少系统故障。不过，也存在一些挑战，如传感器集成、人员培训和初始投资等问题。
经济和环境影响方面，能源节省转化为经济收益，每千克收获生物量的电力成本降低 17%，5 年净现值（NPV）达到 28800 美元，内部收益率（IRR）为 37%，投资回收期为 1.5 年。同时，设施的碳足迹减少了 17%，若结合之前的喂养优化策略，温室气体（GHG）影响可能降低超过 25%。
研究虽然取得了显著成果，但也存在一定局限性。实验主要在特定设施、以罗非鱼为主要物种进行，需要更多不同环境的验证。此外，数据不确定性、大量数据需求和计算要求等问题也有待解决。未来研究可从优化控制机制、深入分析时间相关性、扩展物种研究、评估大规模设施的可扩展性等多方面展开。
总的来说，这项研究成功开发了一种混合 LSTM - DDPG 方法，实现了商业规模 RAS 的能源优化，在维持水质和鱼类生长的同时，显著降低了能源消耗和成本，为可持续水产养殖做出了重要贡献。它不仅证明了深度强化学习在复杂生物 - 机械系统中的有效性，还建立了能源优化与环境、经济成果之间的定量关系，为未来智能、自主控制系统的研究奠定了坚实基础，有望推动 RAS 成为满足全球水产养殖需求、实现可持续发展的重要解决方案。
