面向风电场流控的深度强化学习策略设计
机器学习
2025-08-26 v2
摘要
在风电场内部，风洞效应会显著降低整体能源产出。风电场流控涵盖旨在通过协同涡轮控制来缓解这些效应的方法。例如，风洞定向控制即通过故意偏移部分涡轮的风向来优化气流并提高发电效率。然而，设计鲁棒的风洞定向控制器仍具有挑战性，现有机器学习方法仅限于准静态风条件或小型风电场。本工作提出了一种新型深度强化学习方法，以开发能够克服上述局限性的风洞定向控制策略。我们的方法引入了一种新型架构，融合图注意力网络与多头自注意力块，同时提出了新的奖励函数和训练策略。所得模型计算风电场中每个涡轮的 yaw 角度，优化时间变化风条件下的能源产出。针对稳态低保真仿真的实证研究表明，我们的模型所需训练步数约为完全连接神经网络的十分之一，并在强优化基准之上实现更鲁棒的性能，能源产出提升最高可达14%。据我们所知，这是首个在低保真、稳态数值仿真环境下，能有效推广至任意时间变化风条件的深度强化学习风洞定向控制器。
引用
@article{arxiv.2506.06204,
title = {How to craft a deep reinforcement learning policy for wind farm flow control},
author = {Elie Kadoche and Pascal Bianchi and Florence Carton and Philippe Ciblat and Damien Ernst},
journal= {arXiv preprint arXiv:2506.06204},
year = {2025}
}
备注
Eighteenth European Workshop on Reinforcement Learning (EWRL 2025)