WFCRL：风电场控制的多智能体强化学习基准
机器学习
2025-01-24 v1 多智能体系统
系统与控制
系统与控制
摘要
风电场控制问题具有挑战性，因为传统的基于模型的控制策略需要可精确的风机与复杂气动相互作用模型，且在风机数量增加时面临维度灾难。最近，基于模型无关的方法和多智能体强化学习方法被用于解决这一挑战。本文介绍了 WFCRL（Wind Farm Control with Reinforcement Learning），即第一个为风电场控制问题提供的开放式多智能体强化学习环境套件。WFCRL 将其构建为合作型多智能体强化学习问题：每个风机都是一个智能体，可以学习调整其偏航、曲轴或扭矩，以最大化共同目标（如风电场总功率）。WFCRL 还提供了风机负载观测，允许在限制风机结构损伤的同时优化风电场性能。WFCRL 实现了与两套先进风电场模拟器的接口：静态模拟器（FLORIS）和动态模拟器（FAST.Farm）。对于每个模拟器，提供了10种风场布局，包括5个真实风场。实现了两种先进的在线多智能体强化学习算法，以说明其规模挑战。由于在 FAST.Farm 上在线学习耗时较长，WFCRL 提供了从 FLORIS 迁移到 FAST.Farm 的迁移学习策略设计可能性。
引用
@article{arxiv.2501.13592,
title = {WFCRL: A Multi-Agent Reinforcement Learning Benchmark for Wind Farm Control},
author = {Claire Bizon Monroc and Ana Bušić and Donatien Dubuc and Jiamin Zhu},
journal= {arXiv preprint arXiv:2501.13592},
year = {2025}
}