基于囊的联合增强学习适应式滑动模式用于异常检测和控制浮动风力轮机

科学领域:

• 可再生能源工程可再生能源工程
• 海洋系统中的人工智能
• 控制系统理论 控制系统理论

背景情况:

• 浮式风力轮机 (FWT) 对可再生能源至关重要,但容易受到波浪和风等环境干扰的影响.
• 需要有效的控制机制,以在不可预测的条件下保持FWT的性能和稳定性.
• 现有的控制方法在动态和不确定的海洋环境中可能缺乏稳定性.

研究的目的:

• 开发一种创新的联合深度学习方法,用于训练囊网络以检测FWT中的干扰.
• 为在环境不确定性下运行的FWT提供适应性和强大的控制策略.
• 在变化和不稳定的海洋条件下提高FWT的可靠性和效率.

主要方法:

• 联合深度学习用于训练囊网络以检测干扰.
• 滑动模式控制和深度强化学习 (DRL) 的集成用于特征提取和空间关系建模.
• 在多个FWT中对囊网络模型进行分布式训练.

主要成果:

• 拟议的联合学习方法提高了FWT中干扰检测的准确性和有效性.
• 模拟结果表明,在不利的环境条件下,FWT的性能和稳定性得到了改善.
• 全球Lyapunov稳定性分析证实了受控FWTs的闭环稳定性.
• DRL方法的性能优于传统的辐射基功能神经网络 (RBFNN) 估计.

结论:

• 开发的联合深度学习和基于DRL的控制系统显著提升了FWT管理.
• 该方法确保了FWT在多样化和具有挑战性的海洋环境中的可靠性和效率.
• 这项研究通过智能系统管理,为风能和可再生能源部门的可持续发展做出了贡献.