.png){kind=icon}
返回
Deep reinforcement learning-driven wind farm flow control considering dynamic wind
.png){kind=icon}
PRE
AI
DOI：10.1016/j.enconman.2025.119888.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
缓解尾流效应对风电机组造成的功率损失对于提高运行中风电场的效率至关重要。风电场流场控制是实现这一目标的关键方法。然而，动态风速条件，包括风速和风向的变化，以及环境不确定性，给有效的流场控制带来了显著挑战。为应对这些挑战，本文提出了一种基于深度强化学习且考虑动态风速的风电场流场控制方法。首先，从激光雷达测量数据中提取动态风速波动特性，从而提供全面的数据集。随后，开发了一种流场控制方法，以动态风速作为输入，通过偏航角调整来最大化风电场发电功率。最后，引入双延迟深度确定性策略梯度（TD3）算法，用于驱动控制模型进行实时优化和在线学习。该模型能够通过经验回放和探索机制应对不确定性。仿真结果表明，仅考虑平均风速的优化仅在风向标准差低于4时有效，而考虑动态风速的优化在所有风速条件下均有效。与仅考虑平均风速的优化相比，考虑动态风速可提高3.3%的发电量。
Keyword:
Wind farm flow control
Dynamic wind
Deep reinforcement learning
Uncertainty
期刊
IF:
10.9
论文数:
2.0W
被引数:
11.3W
机构
暂无机构信息
引用论文
A study on sequential minimal optimization methods for standard quadratic problems关于标准二次问题序列极小优化方法的研究.png)
4OR
4ORIF0
PREAI
分享收藏分享收藏A data-driven analytical model for wind turbine wakes using machine learning method基于机器学习方法的风力机尾流数据驱动分析模型
PREAI
分享收藏Intelligent wind farm control via deep reinforcement learning and high-fidelity simulations基于深度强化学习和高保真仿真的智能风电场控制APPLIED ENERGY
OAAI
APPLIED ENERGYIF11
OAAI分享收藏Enhancing Wind Farm Performance through Axial Induction and Tilt Control: Insights from Wind Tunnel Experiments通过轴向感应和倾角控制提升风力发电场性能：风洞实验的见解Energies
OAAI
EnergiesIF0
OAAI分享收藏
查看更多内容