[发明专利]基于强化学习的园区能效提升的设备优化配置方法及系统

说明书

本发明公开了一种基于强化学习的园区能效提升的设备优化配置方法及系统，涉及智能节能技术领域，包括：以园区各设备电参数及设备所用配电线路性能参数为神经网络模型的输入输出参数，构建设备运作系统模型；根据设备电参数及设备所用配电线路性能参数，搭建基于DDPG的具有双Actor网络的低碳管控智能体；对设备运作系统模型，利用各设备采集的数据进行计算，智能体推演获得园区各设备的低碳最优化配置。本发明能在学习效率高、配置需求复杂的情况下获得低碳最优的配置策略。

技术领域

本发明涉及智能节能技术领域，具体涉及一种基于强化学习的园区能效提升的设备优化配置方法及系统。

背景技术

能效管理系统是以绿色建筑、工业园区内各种能源供、配、用设施的运行状态和参数，以及运行特点为基本条件，涉及建筑智能化、工业自动化、数据采集、大数据分析、人工智能等多个技术领域，依据各类机电设备运行中所采集的信息，反映其能源传输、变换与消耗的特征，采用能效控制策略实现能效最优化，是最经济的专家管理决策系统，最终目的就是通过智能化系统集成来实现“管理节能”和“绿色用能”。

目前国内大部分园区仍然依赖用于各设备的PID调节器，来监控基于规则的节能控制方案，PID控制方法存在参数整定和调试困难的问题，在设备负荷和工况发生变化时极易产生振荡，控制效果不佳。基于规则的控制方法是指根据设备运行表对各设备采取固定模式的变频技术，该方法存在无法根据实际负荷需求实时调整控制参数的问题，从而就会消耗更多能源。所以要降低园区个设备的运行能耗，就必须在保证园区正常运作的前提下采取合理可行的节能控制方案。

已有研究表明，智能控制方法具有自适应、自学习和自协调能力，能够提升园区能效和优化园区设备配置。其中，强化学习(Reinforcement learning,RL)中的智能体通过与环境之间的直接交互来最大化奖励信号，能够实现复杂系统的全局优化控制，是充分发挥园区各设备节能潜力的有效方法之一，应用强化学习方法控制园区设备运行可以有效提升节能效果。但是，目前的强化学习方法在线训练智能体的收敛时间较长，难以满足控制实时性要求。

发明内容

因此，为了克服上述缺陷，本发明实施例提供一种基于强化学习的园区能效提升的设备优化配置方法及系统，能在学习效率高、配置需求复杂的情况下获得低碳最优的配置策略。

为此，本发明实施例的一种基于强化学习的园区能效提升的设备优化配置方法，包括以下步骤：

S1、以园区各设备电参数及设备所用配电线路性能参数为神经网络模型的输入输出参数，构建设备运作系统模型；

S2、针对设备i，根据设备电参数及设备所用配电线路性能参数，搭建基于DDPG的具有双Actor网络的低碳管控智能体，双Actor网络的部分状态变量相同；

S3、对设备运作系统模型，利用园区低碳管控智能体进行计算，求解获得园区各设备的低碳最优化配置。

优选地，所述S1的步骤包括：

S11、分别获取当前预设时段内的园区各设备电参数及设备所用配电线路性能参数，每个设备的设备电参数包括当前用电量Q_i[K]、电压不合格累计时间T_i[K]、电流不平衡率δ_i[K]、当前设备平均能效比平均电压平均负载率和平均功率因数设备所用配电线路性能参数包括当前综合线耗率γ_i[K]、三相负荷不平衡率ε_i[K]、总谐波畸变率λ_i[K]、电压合格率ζ_i[K]、平均线路长度和平均截面积达标线路长度i＝1，2，...，N，为园区内的第i个设备，N为园区内的设备总个数，K表示当前预设时段；