Control de cabeceo de turbinas eólicas basado en aprendizaje por refuerzo utilizando redes Q profundas dobles

Área de la Ciencia:

• Sistemas de Energía Renovable
• Ingeniería de Control
• Inteligencia Artificial

Sus antecedentes:

• Los controladores de cabeceo tradicionales de las turbinas eólicas enfrentan limitaciones para adaptarse a la dinámica no lineal del viento y mitigar las cargas fluctuantes.
• Los controladores Proporcional-Integral (PI) presentan desafíos para mantener un rendimiento óptimo en condiciones de viento variables.

Objetivo del estudio:

• Desarrollar y evaluar un nuevo marco basado en aprendizaje por refuerzo (RL) para el control mejorado de cabeceo de turbinas eólicas.
• Mejorar la eficiencia de la regulación de potencia y la mitigación de cargas estructurales en turbinas eólicas que operan en condiciones de viento inciertas.

Principales métodos:

• Un enfoque RL de dos etapas que implica la transferencia y el refinamiento de políticas utilizando el algoritmo de red Q profunda doble (DDQN).
• Desarrollo de una nueva función de recompensa adaptada a escenarios operativos prácticos, refinando una política inicial basada en un controlador PI.

Principales resultados:

• El controlador RL propuesto demostró un rendimiento superior en comparación con el controlador ROSCO estándar de la industria.
• Se logró una reducción del 15,87 % en las fluctuaciones de potencia.
• Se mantuvieron niveles de carga estructural comparables o ligeramente reducidos, lo que garantiza la seguridad operativa.

Conclusiones:

• El aprendizaje por refuerzo ofrece un enfoque poderoso para mejorar la regulación de potencia de las turbinas eólicas.
• El marco RL desarrollado mejora eficazmente la eficiencia del control y mantiene la integridad estructural sin comprometer la seguridad.