强化学习增强的模型预测控制技术用于提升水泵站的能源效率

《IEEE Transactions on Industry Applications》：Reinforcement Learning-Enhanced Model Predictive Control to Improve Energy Efficiency of Water Pumping Stations

水泵站能耗优化与分层控制架构研究。通过强化学习（RL）与物理信息模型预测控制（PI-MPC）的层级结合，实现跨季节电价波动下的长期规划与实时优化，在澳大利亚实际应用中降低单位成本至13.9/ML，较手动和基准MPC分别节省37.8和29.4/ML，能源效率提升38%。

　　

摘要：

水泵站（WPS）是供水系统中能耗最高的组成部分之一，其运营成本对电价波动极为敏感。传统的控制方法，如手动调度和标准模型预测控制（MPC），通常依赖于较短的预测时间范围。这一限制使得它们无法利用电价的季节性变化，从而限制了长期运营优化。本研究提出了一种分层控制架构，将强化学习（RL）的长期规划能力与MPC的短期优化相结合。在高层，分布式RL代理从历史运营和环境数据中学习跨季节的成本最小化策略；在底层，基于物理信息的MPC（PI-MPC）将这些策略转化为安全、高效且符合物理系统约束的实时泵站操作指令。该框架使用澳大利亚某水泵站一年的运营数据进行了评估。结果显示，该方法将单位泵送成本从手动操作的13.9澳分/兆升降低到了基于MPC的29.4澳分/兆升，节约了37.8%。成本节约得益于与电价趋势相匹配的季节性负荷调整以及通过变频驱动器（VFD）控制提高的泵站效率，从而实现了38%的能源性能提升。