风力轮机的基于模糊的集体调度控制通过深度强化学习学习

科学领域:

• 可再生能源系统可再生能源系统
• 控制工程 控制工程 控制工程
• 在工程领域的人工智能.

背景情况:

• 风力轮机表现出复杂的非线性动态和不确定性,特别是在第3区域,挑战有效的控制设计.
• 空气动力学复杂性,机械因素和风的波动需要强大的控制策略来实现最佳性能.
• 现有的控制方法往往难以适应WTs固有的不确定性和非线性.

研究的目的:

• 开发一种新的无模型强化学习 (RL) 集体转角控制器,用于在第3区域高效运行WTs.
• 为了提高发电机转速稳定性,最大限度地提高功率输出,并最大限度地减少在不同风力条件和系统不确定性下波动.
• 确保控制器在各种操作条件和WT动态中具有稳定性和通用性.

主要方法:

• 采用深度决定性政策梯度 (DDPG) 算法,在中等保真性WT环境中训练多个RL代理.
• 模仿学习被用于初始有效的样本采集,以加快培训的融合.
• 一个模糊系统整合了多训练DDPG代理的输出,以创建一个光滑的,适应模糊DDPG (F-DDPG) 控制器.

主要成果:

• 与GSPI,LQR和单个DDPG控制器相比,拟的F-DDPG控制器在稳定发电机转速和最大化功率输出方面表现出卓越的性能.
• 在高保真陆上和海上5MWWT环境 (OpenFAST/MATLAB) 中进行的模拟证实了控制器的稳定性和通用化能力.
• 该F-DDPG控制器有效地管理了系统的不确定性,非线性和距离极限,确保在不同平均风速之间进行最佳操作.

结论:

• F-DDPG控制器为3区的风力轮机俯仰控制提供了强大而适应性的解决方案,其性能优于传统和单剂RL方法.
• 无模型的RL方法与模糊逻辑相结合,在处理风力轮机的复杂动态和不确定性方面提供了显著的优势.
• 这项研究通过先进的AI驱动的控制策略,为更高效,更可靠的风能发电铺平了道路.