在废水处理活性污泥系统中,统一控制各种行动,使用强化学习来实现多目标优化

科学领域:

• 环境工程 环境工程
• 人工智能的人工智能
• 过程控制 过程控制

背景情况:

• 现代废水处理设施面临着具有冲突目标的复杂控制挑战.
• 活性污泥系统需要先进的优化策略,数据驱动的方法,如强化学习 (RL) 显示承诺.
• 现有的RL应用程序在这个领域的范围是有限的,通常控制不到三个行动.

研究的目的:

• 调查用于废水处理的多动作,多目标RL剂的实施情况.
• 为了确定一个单一的RL代理可以有效控制的行动的最大数量.
• 评估减少环境数据对RL代理人培训和绩效的影响.

主要方法:

• 使用强化学习 (RL) 代理来控制模拟废水处理环境中的多个操作 (基准模拟模型编号). 1 - BSM1).1) 这是一个很好的例子.
• 评估了RL代理的性能,对控制行动的数量和不同级别的输入数据进行了不同的评估.
• 将RL剂的性能与BSM1.1.的基线控制方法进行比较.

主要成果:

• 随着单个RL代理控制的动作数量的增加,观察到更好的控制优化.
• 即使在环境观测范围降低的情况下,RL剂也保持了高性能水平,直到一定值.
• 控制七个动作的RL代理将BSM1的平均性能指标提高了8.3%,估计每年节省40,200美元的成本.

结论:

• 在废水处理中扩大RL控制的范围提高了优化潜力,并减少了手动调节的需要.
• 废物活性污泥控制仍然是当前RL实施的挑战.
• 在废水处理设施中,RL为先进的工艺控制提供了可行且具有成本效益的解决方案.