自适应的、受量子启发的深度强化学习方法，用于多目标低碳热电联产（CCHP）优化

《Scientific Reports》：Adaptive quantum inspired deep reinforcement learning for multi objective low carbon CCHP optimization

　　

摘要

本文提出了一种基于深度强化学习（DRL）的多目标优化框架，用于低碳型热电联产（CCHP）系统。该框架将自适应量子启发进化算法（QIEA）与数字孪生技术相结合。所提出的自适应量子强化学习多目标优化（AQ-DRLMO）模型通过整合碳排放流量监测、阶梯式碳交易和需求响应调度等功能，解决了CCHP系统中存在的复杂调度问题。分层数字孪生结构借助物理信息神经网络（PINNs）实现预测性优化，确保了热力学相互作用的准确建模。文中引入了三种改进的控制策略：电热等效跟踪（ETEF）、电等效跟踪（EEF）和热等效跟踪（TEF），并采用基于注意力机制的变换器网络进行时间模式识别。一种新型的碳意识最优功率流（C-OPF）模型用于追踪多阶段能量转换路径中的碳流动。在夏季和冬季运行条件下进行的广泛仿真表明，与传统独立发电系统相比，所提出的AQ-DRLMO框架可实现40.08%的温室气体减排、34.04%的一次能源节约以及24.44%的成本降低。与传统遗传算法相比，该量子启发优化方法的收敛速度提高了67.3%，在相同测试条件下，标准遗传算法需要137次迭代才能收敛，而AQ-DRLMO仅需45次迭代。由于本研究依赖于合成负载剖面和仿真生成的验证数据，其结果更适合作为基于仿真的日前调度潜力展示，而非经过验证的实时控制方案。经现场验证后，该框架有望成为低碳分布式能源系统中智能电网能源管理的有效解决方案。