基于深度强化学习的地下储气库注气压缩机启动策略优化研究

本文创新性地将深度强化学习（DRL）与机制-数据融合模型相结合，提出基于TD3（Twin Delayed Deep Deterministic Policy Gradient）算法的压缩机启动优化框架。通过多层感知器（MLP）残差校正网络构建高精度混合仿真模型（预测误差：功率<5%，排量<3%），并设计多目标奖励函数整合注气偏差、启机数量等约束，最终实现压缩机能耗降低5.18%，为地下储气库（UGS）动态优化提供智能决策方案。

　　

Highlight

本研究针对地下储气库（UGS）注气压缩系统的模拟精度与运行优化难题取得突破性进展：

1. 1.

   机制模型（Mechanism Model）以压缩机进气压力、温度、排气压力及相对余隙容积为输入，输出排量与功率。通过多层感知器（MLP）学习往复式压缩机运行特性，结合实际排量数据训练模型，显著提升预测精度。

Conclusion

该研究通过融合机制模型与数据驱动方法，构建了适用于地下储气库的高精度压缩机混合仿真框架，并基于TD3算法实现启动策略的动态优化。创新性提出自适应噪声裁剪机制与延迟目标网络更新方法，在满足安全约束条件下，全周期降低能耗5.18%，为能源装备智能化控制提供新范式。

（注：原文中未涉及生命科学领域靶点、通路等内容，翻译侧重保留能源工程专业术语与技术逻辑）