基于真实矿井数据的多智能体强化学习在协调通风风扇运行调度中的应用

《IEEE Access》：Real Mine Data-Driven Multi-Agent Reinforcement Learning for Coordinated Ventilation Fan Operational Scheduling

　　

摘要：

通风风扇的运行调度是矿山运营管理中的核心问题。本文提出了一种基于多智能体强化学习（MARL）的调度框架，该框架利用历史运营数据来改进决策制定，并解决了传统进化方法的主要缺陷，包括效率低下、泛化能力有限以及运营复杂性高等问题。通过采用图神经网络架构，结合历史观测数据和风扇特性曲线的相关知识，构建了一个用于多风扇组合运行配置的性能计算模型。我们将多个风扇通风单元的调度问题表述为一组并行决策，这些决策受到气流需求和运行规则的约束。目标是在确保方法实用性和易于实施的同时，降低成本并提高效率。为了提高泛化能力，开发了一个能够明确模拟运行条件变化的MARL框架。与进化算法的对比评估表明，在所测试的强化学习方法中，训练有素的MARL方法能够可靠地适应气流供应条件的变化，并在不同场景下展现出强大的泛化能力。与现有的运营调度方案相比，所提出的方法可节省大量成本，运营成本降低了43,900元以上，能耗减少了47,000千瓦时以上。与进化算法相比，基于强化学习的方法做出的决策更能满足运营约束和逻辑要求，同时显著提高了计算效率，规划速度提升了50倍以上。