An Improved Yaw Control Algorithm for Wind Turbines via Reinforcement Learning

要約

タイトル – 強化学習による風力タービンの強化されたヨー制御アルゴリズム

要約 – 風力タービンのナセル位置と風向きの差であるヨーの調整に失敗すると、発電量、安全性、タービンおよび風力発電所全体の寿命に影響を与えます。我々は強化学習を用いて、高速セグメントを優先し、ヨー使用量を低く保ちながら、ヨーの不整合を最小化し、最適にヨー資源を再割り当てするヨー制御エージェントを開発しました。これを実現するために、ヨーの使用量とヨーの調整（発電量に比例する）のトレードオフを考慮した報酬指標を厳密に作成し、REpower MM82 2MWタービンから得られた現実の風記録に基づいた新しいシミュレータ（環境）を作成しました。結果として、2つのシミュレーション（それぞれ2.7時間）で、伝統的なアクティブヨー制御アルゴリズムに比べてヨー不整合が5.5％と11.2％減少しました。また、従来のヨー制御アルゴリズムに比べて、平均ネットエネルギー収益はそれぞれ0.31％と0.33％でした。2MWタービン単体でのこれは、年間1,500-2,500ユーロの利益に相当し、全体の風力発電所で非常に重要な利益になります。

要約(オリジナル)

Yaw misalignment, measured as the difference between the wind direction and the nacelle position of a wind turbine, has consequences on the power output, the safety and the lifetime of the turbine and its wind park as a whole. We use reinforcement learning to develop a yaw control agent to minimise yaw misalignment and optimally reallocate yaw resources, prioritising high-speed segments, while keeping yaw usage low. To achieve this, we carefully crafted and tested the reward metric to trade-off yaw usage versus yaw alignment (as proportional to power production), and created a novel simulator (environment) based on real-world wind logs obtained from a REpower MM82 2MW turbine. The resulting algorithm decreased the yaw misalignment by 5.5% and 11.2% on two simulations of 2.7 hours each, compared to the conventional active yaw control algorithm. The average net energy gain obtained was 0.31% and 0.33% respectively, compared to the traditional yaw control algorithm. On a single 2MW turbine, this amounts to a 1.5k-2.5k euros annual gain, which sums up to very significant profits over an entire wind park.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI