import os import time import random import numpy as np import gymnasium as gym from gymnasium import spaces from stable_baselines3 import DQN from stable_baselines3.common.monitor import Monitor from stable_baselines3.common.vec_env import DummyVecEnv from stable_baselines3.common.callbacks import BaseCallback from typing import Dict, Tuple, Optional import torch import torch.nn as nn from dataclasses import dataclass, asdict from save_uf_models import TMPIncreaseModel, TMPDecreaseModel # 导入模型类 import copy # ==== 定义膜的基础运行参数 ==== @dataclass class UFParams: # —— 膜与运行参数 —— q_UF: float = 360.0 # 过滤进水流量（m^3/h） TMP0: float = 0.03 # 初始TMP（MPa） TMP_max: float = 0.06 # TMP硬上限（MPa） # —— 膜污染动力学 —— alpha: float = 1e-6 # TMP增长系数 belta: float = 1.1 # 幂指数 # —— 反洗参数（固定） —— q_bw_m3ph: float = 1000.0 # 物理反洗流量（m^3/h） # —— CEB参数（固定） —— T_ceb_interval_h: float = 48.0 # 固定每 k 小时做一次CEB v_ceb_m3: float = 30.0 # CEB用水体积（m^3） t_ceb_s: float = 40 * 60.0 # CEB时长（s） phi_ceb: float = 1.0 # CEB去除比例（简化：完全恢复到TMP0） # —— 约束与收敛 —— dTMP: float = 0.001 # 单次产水结束时，相对TMP0最大升幅（MPa） # —— 搜索范围（秒） —— L_min_s: float = 3800.0 # 过滤时长下限（s） L_max_s: float = 4200.0 # 过滤时长上限（s） t_bw_min_s: float = 90.0 # 物洗时长下限（s） t_bw_max_s: float = 100.0 # 物洗时长上限（s） # —— 物理反洗恢复函数参数 —— phi_bw_min: float = 0.7 # 物洗去除比例最小值 phi_bw_max: float = 1.0 # 物洗去除比例最大值 L_ref_s: float = 4000.0 # 过滤时长影响时间尺度 tau_bw_s: float = 30.0 # 物洗时长影响时间尺度 gamma_t: float = 1.0 # 物洗时长作用指数 # —— 网格 —— L_step_s: float = 60.0 # 过滤时长步长（s） t_bw_step_s: float = 2.0 # 物洗时长步长（s） # 多目标加权及高TMP惩罚 w_rec: float = 0.8 # 回收率权重 w_rate: float = 0.2 # 净供水率权重 w_headroom: float = 0.3 # 贴边惩罚权重 r_headroom: float = 2.0 # 贴边惩罚幂次 headroom_hardcap: float = 0.98 # 超过此比例直接视为不可取 # ==== 定义强化学习超参数 ==== @dataclass class DQNParams: """ DQN 超参数定义类 用于统一管理模型训练参数 """ # 学习率，控制神经网络更新步长 learning_rate: float = 1e-4 # 经验回放缓冲区大小（步数） buffer_size: int = 2000 # 学习开始前需要收集的步数 learning_starts: int = 200 # 每次从经验池中采样的样本数量 batch_size: int = 16 # 折扣因子，越接近1越重视长期奖励 gamma: float = 0.95 # 每隔多少步训练一次 train_freq: int = 1 # 目标网络更新间隔 target_update_interval: int = 1000 # 初始探索率 ε exploration_initial_eps: float = 1.0 # 从初始ε衰减到最终ε所占的训练比例 exploration_fraction: float = 0.6 # 最终探索率 ε exploration_final_eps: float = 0.02 # 日志备注（用于区分不同实验） remark: str = "default" # ==== 加载模拟环境模型 ==== # 初始化模型 model_fp = TMPIncreaseModel() model_bw = TMPDecreaseModel() # 加载参数 model_fp.load_state_dict(torch.load("uf_fp.pth")) model_bw.load_state_dict(torch.load("uf_bw.pth")) # 切换到推理模式 model_fp.eval() model_bw.eval() def _delta_tmp(p, L_h: float) -> float: """ 过滤时段TMP上升量：调用 uf_fp.pth 模型 """ return model_fp(p, L_h) def phi_bw_of(p, L_s: float, t_bw_s: float) -> float: """ 物洗去除比例：调用 uf_bw.pth 模型 """ return model_bw(p, L_s, t_bw_s) def _tmp_after_ceb(p, L_s: float, t_bw_s: float) -> float: """ 计算化学清洗(CEB)后的TMP，当前为恢复初始跨膜压差 """ return p.TMP0 def _v_bw_m3(p, t_bw_s: float) -> float: """ 物理反洗水耗 """ return float(p.q_bw_m3ph * (float(t_bw_s) / 3600.0)) def simulate_one_supercycle(p: UFParams, L_s: float, t_bw_s: float): """ 返回 (是否可行, 指标字典) - 支持动态CEB次数：48h固定间隔 - 增加日均产水时间和吨水电耗 """ L_h = float(L_s) / 3600.0 # 小周期过滤时间(h) tmp = p.TMP0 max_tmp_during_filtration = tmp max_residual_increase = 0.0 # 小周期总时长(h) 小周期总时长 = 过滤时长 + 物洗时长 t_small_cycle_h = (L_s + t_bw_s) / 3600.0 # 计算超级周期内CEB次数 超级周期内CEB次数 = 48h / 小周期总时长 k_bw_per_ceb = int(np.floor(p.T_ceb_interval_h / t_small_cycle_h)) if k_bw_per_ceb < 1: k_bw_per_ceb = 1 # 至少一个小周期 # ton水电耗查表 energy_lookup = { 3600: 0.1034, 3660: 0.1031, 3720: 0.1029, 3780: 0.1026, 3840: 0.1023, 3900: 0.1021, 3960: 0.1019, 4020: 0.1017, 4080: 0.1015, 4140: 0.1012, 4200: 0.1011 } for _ in range(k_bw_per_ceb): tmp_run_start = tmp # 过滤阶段TMP增长 dtmp = _delta_tmp(p, L_h) tmp_peak = tmp_run_start + dtmp # 过滤阶段TMP峰值 = 过滤阶段TMP开始值 + 过滤阶段TMP上升量 # 约束1：峰值不得超过硬上限 if tmp_peak > p.TMP_max + 1e-12: return False, {"reason": "TMP_max violated during filtration", "TMP_peak": tmp_peak} if tmp_peak > max_tmp_during_filtration: # 如果过滤阶段TMP峰值超过当前最大值 max_tmp_during_filtration = tmp_peak # 更新最大值 # 物理反洗 phi = phi_bw_of(p, L_s, t_bw_s) # 物洗去除比例 tmp_after_bw = tmp_peak - phi * (tmp_peak - tmp_run_start) # 物理反洗后TMP = 过滤阶段TMP峰值 - 物洗去除比例 * (过滤阶段TMP峰值 - 过滤阶段TMP开始值) # 约束2：单次残余增量控制 residual_inc = tmp_after_bw - tmp_run_start # 单次残余增量 = 物理反洗后TMP - 过滤阶段TMP开始值 if residual_inc > p.dTMP + 1e-12: # 如果单次残余增量超过单次残余增量上限 return False, { "reason": "residual TMP increase after BW exceeded dTMP", # 返回不可行 "residual_increase": residual_inc, # 单次残余增量 "limit_dTMP": p.dTMP } if residual_inc > max_residual_increase: # 如果单次残余增量超过当前最大值 max_residual_increase = residual_inc # 更新最大值 tmp = tmp_after_bw # 更新TMP # CEB tmp_after_ceb = p.TMP0 # 化学反洗后TMP # 体积与回收率 V_feed_super = k_bw_per_ceb * p.q_UF * L_h # 进水体积 进水体积 = 超级周期内CEB次数 * 过滤流量 * 过滤时长 V_loss_super = k_bw_per_ceb * _v_bw_m3(p, t_bw_s) + p.v_ceb_m3 # 损失体积 损失体积 = 物洗体积 + CEB用水体积 V_net = max(0.0, V_feed_super - V_loss_super) # 净产水体积 净产水体积 = 进水体积 - 损失体积 recovery = max(0.0, V_net / max(V_feed_super, 1e-12)) # 回收率 净产水体积 / 进水体积 # 时间与净供水率 T_super_h = k_bw_per_ceb * (L_s + t_bw_s) / 3600.0 + p.t_ceb_s / 3600.0 # 超循环时间 超循环时间 = 超级周期内CEB次数 * (过滤时长 + 物洗时长) / 3600 + CEB时长 / 3600 net_delivery_rate_m3ph = V_net / max(T_super_h, 1e-12) # 净供水率 净产水体积 / 超循环时间 # 贴边比例与硬限 headroom_ratio = max_tmp_during_filtration / max(p.TMP_max, 1e-12) # 贴边比例 过滤时段TMP峰值 / 硬上限 if headroom_ratio > p.headroom_hardcap + 1e-12: # 如果贴边比例超过硬上限 return False, {"reason": "headroom hardcap exceeded", "headroom_ratio": headroom_ratio} # 返回不可行 # —— 新增指标 1：日均产水时间（h/d） —— daily_prod_time_h = k_bw_per_ceb * L_h / T_super_h * 24.0 # 日均产水时间 日均产水时间 = 超级周期内CEB次数 * 过滤时长 / 超循环时间 * 24 # —— 新增指标 2：吨水电耗（kWh/m³） —— closest_L = min(energy_lookup.keys(), key=lambda x: abs(x - L_s)) # 最接近的过滤时长 ton_water_energy = energy_lookup[closest_L] # 吨水电耗 最接近的过滤时长对应的吨水电耗 info = { "recovery": recovery, # 回收率 "V_feed_super_m3": V_feed_super, # 进水体积 "V_loss_super_m3": V_loss_super, # 损失体积 "V_net_super_m3": V_net, # 净产水体积 "supercycle_time_h": T_super_h, # 超循环时间 "net_delivery_rate_m3ph": net_delivery_rate_m3ph, # 净供水率 "max_TMP_during_filtration": max_tmp_during_filtration, # 过滤时段TMP峰值 "max_residual_increase_per_run": max_residual_increase, # 单次残余增量最大值 "phi_bw_effective": phi, # 物洗去除比例 "TMP_after_ceb": tmp_after_ceb, # 物理反洗后TMP "headroom_ratio": headroom_ratio, # 贴边比例 "daily_prod_time_h": daily_prod_time_h, # 日均产水时间 "ton_water_energy_kWh_per_m3": ton_water_energy, # 吨水电耗 "k_bw_per_ceb": k_bw_per_ceb # 超级周期内CEB次数 } return True, info def _score(p: UFParams, rec: dict) -> float: """综合评分：越大越好。不同TMP0会改变max_TMP→改变惩罚→得到不同解。""" # 无量纲化净供水率 rate_norm = rec["net_delivery_rate_m3ph"] / max(p.q_UF, 1e-12) # 无量纲化净供水率 净供水率 / 过滤流量 1000m3/h / 360m3/h = 2.7778 headroom_penalty = (rec["max_TMP_during_filtration"] / max(p.TMP_max, 1e-12)) ** p.r_headroom # 贴边惩罚 reward = (p.w_rec * rec["recovery"] + p.w_rate * rate_norm - p.w_headroom * headroom_penalty) # 奖励 return reward def set_global_seed(seed: int): """固定全局随机种子，保证训练可复现""" random.seed(seed) # 随机种子 np.random.seed(seed) # 随机种子 torch.manual_seed(seed) # 随机种子 torch.cuda.manual_seed_all(seed) # 如果使用GPU torch.backends.cudnn.deterministic = True # 确定性 torch.backends.cudnn.benchmark = False # 不使用GPU class UFSuperCycleEnv(gym.Env): """超滤系统环境（超级周期级别决策）""" metadata = {"render_modes": ["human"]} def __init__(self, base_params, max_episode_steps: int = 10): super(UFSuperCycleEnv, self).__init__() # 初始化环境 self.base_params = base_params # UFParams 实例 self.current_params = copy.deepcopy(base_params) # UFParams 实例 self.max_episode_steps = max_episode_steps # 最大步数 self.current_step = 0 # 当前步数 # 计算离散动作空间 self.L_values = np.arange( self.base_params.L_min_s, # 过滤时长下限 self.base_params.L_max_s + self.base_params.L_step_s, # 过滤时长上限 self.base_params.L_step_s # 过滤时长步长 ) self.t_bw_values = np.arange( self.base_params.t_bw_min_s, # 物洗时长下限 self.base_params.t_bw_max_s + self.base_params.t_bw_step_s, # 物洗时长上限 self.base_params.t_bw_step_s # 物洗时长步长 ) self.num_L = len(self.L_values) # 过滤时长步数 self.num_bw = len(self.t_bw_values) # 物洗时长步数 # 单一离散动作空间，spaces.Discrete(n) 定义了一个包含 n 个离散动作或观测值的空间。这个空间包含从 0 到 n-1 的整数值 self.action_space = spaces.Discrete(self.num_L * self.num_bw) # 动作空间，离散动作空间 # 状态空间：归一化的[TMP0]， 用于定义 连续的空间，通常用于表示那些具有连续值的观测空间或动作空间 self.observation_space = spaces.Box( low=np.array([0.0], dtype=np.float32), # 单一维度，只有TMP0 high=np.array([1.0], dtype=np.float32), # 单一维度，只有TMP0 dtype=np.float32, shape=(1,) # 明确指定形状为1维 ) # 初始化状态 self.reset(seed=None) # 重置环境 def _get_obs(self): # 原始状态 TMP0 = self.current_params.TMP0 # 状态归一化 TMP0_norm = (TMP0 - 0.01) / (0.05 - 0.01) return np.array([TMP0_norm], dtype=np.float32) # 状态 def _get_action_values(self, action): """解析离散动作""" L_idx = action // self.num_bw # 过滤时长索引 t_bw_idx = action % self.num_bw # 物洗时长索引 return self.L_values[L_idx], self.t_bw_values[t_bw_idx] # 动作 def reset(self, seed=None, options=None): """重置环境""" super().reset(seed=seed) # 随机初始化 TMP0 self.current_params.TMP0 = np.random.uniform(0.01, 0.05) # 初始化步数 self.current_step = 0 return self._get_obs(), {} # Gymnasium要求返回(obs, info) def step(self, action): """执行一个超级周期""" self.current_step += 1 # 解析动作 对应过滤时长和物洗时长 L_s, t_bw_s = self._get_action_values(action) # 确保过滤时长和物洗时长在范围内 np.clip：限制在范围内 L_s = np.clip(L_s, self.base_params.L_min_s, self.base_params.L_max_s) t_bw_s = np.clip(t_bw_s, self.base_params.t_bw_min_s, self.base_params.t_bw_max_s) # 记录当前状态 归一化状态 current_obs = self._get_obs() # 模拟超级周期 feasible, info = simulate_one_supercycle(self.current_params, L_s, t_bw_s) # 计算奖励 if feasible: reward = _score(self.current_params, info) self.current_params.TMP0 = info["TMP_after_ceb"] terminated = False else: reward = -20 terminated = True # 检查是否达到最大步数 truncated = self.current_step >= self.max_episode_steps # 获取新状态 next_obs = self._get_obs() info["feasible"] = feasible info["step"] = self.current_step return next_obs, reward, terminated, truncated, info class UFEpisodeRecorder: """记录episode中的决策和结果""" def __init__(self): self.episode_data = [] # 记录episode中的决策和结果 self.current_episode = [] def record_step(self, obs, action, reward, done, info): """记录一步""" step_data = { "obs": obs.copy(), # 新状态 "action": action.copy(), # 动作 "reward": reward, # 奖励 "done": done, # 是否终止 "info": info.copy() if info else {} # 信息 } self.current_episode.append(step_data) # 记录episode中的决策和结果 if done: self.episode_data.append(self.current_episode) # 记录episode中的决策和结果 self.current_episode = [] def get_episode_stats(self, episode_idx=-1): """获取episode统计信息""" if not self.episode_data: return {} episode = self.episode_data[episode_idx] # 记录episode中的决策和结果 total_reward = sum(step["reward"] for step in episode) # 总奖励 avg_recovery = np.mean([step["info"].get("recovery", 0) for step in episode if "recovery" in step["info"]]) # 平均回收率 feasible_steps = sum(1 for step in episode if step["info"].get("feasible", False)) # 可行的步数 return { "total_reward": total_reward, # 总奖励 "avg_recovery": avg_recovery, # 平均回收率 "feasible_steps": feasible_steps, # 可行的步数 "total_steps": len(episode) # 总步数 } class UFTrainingCallback(BaseCallback): """ PPO 训练回调，用于记录每一步的数据到 recorder。 相比原来的 RecordingCallback，更加合理和健壮： 1. 不依赖环境内部 last_* 属性 2. 使用 PPO 提供的 obs、actions、rewards、dones、infos 3. 自动处理 episode 结束时的统计 """ def __init__(self, recorder, verbose=0): super(UFTrainingCallback, self).__init__(verbose) self.recorder = recorder def _on_step(self) -> bool: try: new_obs = self.locals.get("new_obs") # 新状态 actions = self.locals.get("actions") # 动作 rewards = self.locals.get("rewards") # 奖励 dones = self.locals.get("dones") # 是否终止 infos = self.locals.get("infos") # 信息 if len(new_obs) > 0: step_obs = new_obs[0] # 新状态 step_action = actions[0] if actions is not None else None # 动作 step_reward = rewards[0] if rewards is not None else 0.0 # 奖励 step_done = dones[0] if dones is not None else False # 是否终止 step_info = infos[0] if infos is not None else {} # 信息 # 打印当前 step 的信息 if self.verbose: print(f"[Step {self.num_timesteps}] 动作={step_action}, 奖励={step_reward:.3f}, Done={step_done}") # 记录数据 self.recorder.record_step( obs=step_obs, # 新状态 action=step_action, # 动作 reward=step_reward, # 奖励 done=step_done, # 是否终止 info=step_info, # 信息 ) except Exception as e: if self.verbose: print(f"[Callback Error] {e}") return True class DQNTrainer: def __init__(self, env, params, callback=None): """ 初始化 DQN 训练器 :param env: 强化学习环境 :param params: DQNParams 实例 :param callback: 可选，训练回调器 """ self.env = env # 环境 self.params = params # DQNParams 实例 self.callback = callback # 训练回调器 self.log_dir = self._create_log_dir() # 日志文件夹 self.model = self._create_model() # 模型 def _create_log_dir(self): """ 自动生成日志文件夹名：包含核心超参数 + 时间戳 """ timestamp = time.strftime("%Y%m%d-%H%M%S") # 时间戳 log_name = ( f"DQN_lr{self.params.learning_rate}_buf{self.params.buffer_size}_bs{self.params.batch_size}" # 日志文件夹名 f"_gamma{self.params.gamma}_exp{self.params.exploration_fraction}" # 日志文件夹名 f"_{self.params.remark}_{timestamp}" # 日志文件夹名 ) log_dir = os.path.join("./uf_dqn_tensorboard", log_name) # 日志文件夹 os.makedirs(log_dir, exist_ok=True) # 创建日志文件夹 return log_dir def _create_model(self): """ 根据参数创建 DQN 模型 """ return DQN( policy="MlpPolicy", # 策略网络 env=self.env, # 环境 learning_rate=self.params.learning_rate, # 学习率 buffer_size=self.params.buffer_size, # 经验回放缓冲区大小 learning_starts=self.params.learning_starts, # 学习开始前需要收集的步数 batch_size=self.params.batch_size, # 每次从经验池中采样的样本数量 gamma=self.params.gamma, # 折扣因子，越接近1越重视长期奖励 train_freq=self.params.train_freq, # 每隔多少步训练一次 target_update_interval=self.params.target_update_interval, # 目标网络更新间隔 exploration_initial_eps=self.params.exploration_initial_eps, # 初始探索率 ε exploration_fraction=self.params.exploration_fraction, # 从初始ε衰减到最终ε所占的训练比例 exploration_final_eps=self.params.exploration_final_eps, # 最终探索率 ε verbose=1, tensorboard_log=self.log_dir ) def train(self, total_timesteps: int): """ 训练 DQN 模型，支持自定义回调器 """ if self.callback: self.model.learn(total_timesteps=total_timesteps, callback=self.callback) # 支持自定义回调器 else: self.model.learn(total_timesteps=total_timesteps) # 不支持自定义回调器 print(f"模型训练完成，日志保存在：{self.log_dir}") def save(self, path=None): """ 保存模型到指定路径 """ if path is None: path = os.path.join(self.log_dir, "dqn_model.zip") # 模型文件名 self.model.save(path) print(f"模型已保存到：{path}") def load(self, path): """ 从指定路径加载模型 """ self.model = DQN.load(path, env=self.env) # 加载模型 print(f"模型已从 {path} 加载") def train_uf_rl_agent(params: UFParams, total_timesteps: int = 10000, seed: int = 2025): """训练超滤系统RL代理（固定随机种子）""" # === 1. 固定全局随机种子 === set_global_seed(seed) # === 2. 创建回调器 === recorder = UFEpisodeRecorder() # 记录每一步的数据 callback = UFTrainingCallback(recorder, verbose=1) # 训练回调器 # === 3. 创建环境并固定种子 === def make_env(): env = UFSuperCycleEnv(params) # 创建环境 env = Monitor(env) # 监控环境 return env env = DummyVecEnv([make_env]) # 创建环境 多进程 # === 4. 定义DQN参数 === dqn_params = DQNParams() # === 5. 创建训练器 === trainer = DQNTrainer(env, dqn_params, callback=callback) # === 6. 训练模型 === trainer.train(total_timesteps) # === 7. 保存模型 === trainer.save() # === 8. 输出训练统计信息 === stats = callback.recorder.get_episode_stats() print(f"训练完成 - 总奖励: {stats.get('total_reward', 0):.2f}, 平均回收率: {stats.get('avg_recovery', 0):.3f}") return trainer.model # 训练和测试示例 if __name__ == "__main__": # 初始化参数 params = UFParams() # 训练RL代理 print("开始训练RL代理...") train_uf_rl_agent(params, total_timesteps=8000)