基于协调图的风电场控制可扩展优化

风电场是迈向生态与可再生能源发电的关键驱动力。由于容量迅速增长，现代风电场需严格遵守功率输出约束以保障电网稳定。具体而言，风电场控制器需使风场的功率产出与电网运营商下达的功率需求相匹配。这是一个非平凡的优化问题，因为风力机之间存在复杂依赖关系。最先进的风电场控制通常依赖基于物理的启发式方法，未能捕捉定义机组健康状态的完整载荷谱。若不考虑这一点，风场机组的长期可用性将受威胁。鉴于决定机组寿命的复杂依赖关系，学习灵活且最优的控制策略需要数据驱动方法。然而，由于风电场是大规模多智能体系统，在完整联合动作空间上优化控制策略不可行。我们提出一种新的风电场控制学习方法，利用稀疏风场结构对优化问题进行因式分解。基于多智能体Thompson采样，采用贝叶斯方法，我们在分解的联合动作空间中探索匹配需求且兼顾机组寿命的配置。我们将方法应用于网格状风电场布局，并使用最先进的风流模拟器评估配置。我们的结果在需求误差方面与基于物理的启发式方法相当，且不同于该启发式方法，我们的方法延长了高风险机组的寿命。