How to craft a deep reinforcement learning policy for wind farm flow control

要約

風力発電所内では、タービン間のウェイク効果は、全体的なエネルギー生産を大幅に減らすことができます。
風力発電の流れ制御には、調整されたタービン制御を介してこれらの効果を軽減するために設計された方法が含まれます。
たとえば、ウェイクステアリングは、気流を最適化して出力を増加させるために、特定のタービンを風と意図的に誤解させることです。
ただし、堅牢なウェイクステアリングコントローラーの設計は依然として困難であり、既存の機械学習アプローチは準静的風力条件または小さな風力発電所に限定されています。
この作業は、これらの制限を克服するウェイクステアリングポリシーを開発するための新しい深い強化学習方法を提示します。
私たちのアプローチでは、新しい報酬機能とトレーニング戦略とともに、グラフ注意ネットワークとマルチヘッドの自己触たちブロックを組み合わせた新しいアーキテクチャを紹介します。
結果として得られるモデルは、各タービンのヨー角を計算し、時変風条件でエネルギー生産を最適化します。
定常状態の低忠実度シミュレーションで実施された実証研究は、モデルが完全に接続されたニューラルネットワークの約10倍のトレーニングステップを必要とし、強力な最適化ベースラインと比較してより堅牢なパフォーマンスを達成し、エネルギー生産を最大14％増加させることを示しています。
私たちの知る限り、これは、低忠実で定常状態の数値シミュレーション設定で、時代に変化する風の状態で効果的に一般化する最初の深い強化学習ベースのウェイクステアリングコントローラーです。

要約(オリジナル)

Within wind farms, wake effects between turbines can significantly reduce overall energy production. Wind farm flow control encompasses methods designed to mitigate these effects through coordinated turbine control. Wake steering, for example, consists in intentionally misaligning certain turbines with the wind to optimize airflow and increase power output. However, designing a robust wake steering controller remains challenging, and existing machine learning approaches are limited to quasi-static wind conditions or small wind farms. This work presents a new deep reinforcement learning methodology to develop a wake steering policy that overcomes these limitations. Our approach introduces a novel architecture that combines graph attention networks and multi-head self-attention blocks, alongside a novel reward function and training strategy. The resulting model computes the yaw angles of each turbine, optimizing energy production in time-varying wind conditions. An empirical study conducted on steady-state, low-fidelity simulation, shows that our model requires approximately 10 times fewer training steps than a fully connected neural network and achieves more robust performance compared to a strong optimization baseline, increasing energy production by up to 14 %. To the best of our knowledge, this is the first deep reinforcement learning-based wake steering controller to generalize effectively across any time-varying wind conditions in a low-fidelity, steady-state numerical simulation setting.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google