风电场 MPC 的自编码器基和物理动机 Koopman 提升状态：比较案例研究

本文探讨了使用自编码器（AE）模型来识别用于设计风电场模型预测控制（MPC）的 Koopman 基于线性表示的方法。风电场中的涡流相互作用难以建模，此前已通过 Koopman 提升状态来解决。本研究中我们检验了两种 AE 模型的性能：第一种 AE 模型估计受风机控制输入影响的风速，这些风速被估计后用于第二步中，通过基于物理方程的简单风机模型计算功率输出。第二种 AE 模型直接估计风电场输出，即同时建模风机和涡流动力学。本研究的主要问题是 whether 任一种这两种基于 AE 的模型能超越之前确定的基于物理动机提升状态的 Koopman 模型。我们发现，第一种 AE 模型，即估计风速且包括涡流动力学但不包括风机动力学的模型，优于现有的物理动机 Koopman 模型。然而，第二种 AE 模型，即直接估计农场功率的模型，在风机底层物理假设正确时表现不佳。我们 additionally 检查了第二种纯数据驱动 AE 模型在何种情况下可以优于物理模型：值得注意的是，当建模假设（如风机功率系数）错误且在 MPC 控制器中未被发现时，数据驱动 AE 模型在最新数据反映已更改系统动力学后更新，可超过基于物理的模型。