通过基于数字式雷达（DRL）的协同俯仰控制技术提升串联式风力发电机组的发电量

《Energy》：Enhancing wind farm power output via DRL-based collaborative pitch control of tandem turbines

并排式风力涡轮机协作偏航控制研究。提出基于深度强化学习的动态控制框架，通过马尔可夫决策过程优化集体偏航策略，有效抑制尾流相互作用。实验表明该框架在复杂风场中总发电量提升11%，适应时间缩短30%，且在90%以上运行时间保持最优性能。相比传统贪心控制与模型预测控制，该方案无需精确尾流模型，具备快速环境适应与强鲁棒性。

　　

王龙岩|徐月恒|董强|张博文|罗昭辉

中国江苏省镇江市江苏大学流体机械工程技术研究中心，212013

摘要

尾流引起的能量损失和增加的结构载荷仍然是串联风力涡轮机效率的主要障碍。传统的控制方法，如贪婪控制和模型预测控制（MPC），存在固有的缺点：贪婪控制忽略了尾流相互作用，而MPC需要高度精确的空气动力学模型，这在变化的风条件下难以维持。为了解决这些问题，本研究引入了一种基于深度强化学习（DRL）的协作俯仰控制框架，以提高风电场的发电量，而无需依赖显式的尾流模型。俯仰控制任务被构建为一个马尔可夫决策过程，并在一种高保真模拟环境中训练DRL代理，该环境整合了经过验证的涡轮机动力学、分析高斯尾流模型以及涵盖稳定来流、变化风速和风向以及来自现场数据的组合变化的实际风场景。对比实验表明，所提出的DRL框架在稳定条件下实现了接近最优的效率，并减少了俯仰动作；而在复杂的真实世界场景中，它将总功率输出提高了多达11%，并在超过90%的运行时间内保持了性能优势。此外，DRL代理能够快速适应瞬态尾流相互作用，并对环境不确定性具有很强的鲁棒性。这些发现强调了数据驱动控制在提高风电场生产力和可靠性方面的潜力，为智能和适应性可再生能源系统提供了一条可扩展的路径。

引言

全球向可持续能源转型的迫切需求使风力发电成为脱碳电网的关键技术[[1], [2], [3]]。在风电场集群布局中，虽然密集排列涡轮机可以降低基础设施和维护成本，但不可避免地会导致空气动力学干扰，通常称为尾流效应[4]。当上游涡轮机从风中提取能量时，它们会在转子下游产生一个湍流尾流区，其特征是速度显著下降和湍流动能增加[[5], [6], [7]]。为了提高能量捕获率并改善风电场的经济可行性，优化单个涡轮机的功率输出并减轻整个风电场的尾流效应至关重要[8]。串联风力涡轮机配置，即涡轮机沿主导风向依次排列，为高效利用陆地或海洋空间提供了有希望的潜力[9,10]。然而，这种排列方式使下游涡轮机暴露在上游单元能量耗尽且高度湍流的尾流中，导致功率输出大幅减少和结构载荷增加[11,12]。

在各种尾流控制技术中，尽管偏航控制可以显著改变尾流的侧向方向以减少尾流效应，但在高频尾流调节方面，俯仰控制比偏航控制具有显著优势[13,14]。它可以在毫秒级时间内快速调整，这是本质上较慢且惯性较大的偏航机制无法实现的。此外，俯仰控制避免了倾斜控制中由非轴向流动引起的能量损失，并显著减少了由于偏航不对准造成的结构载荷，这对风力涡轮机的长期运行至关重要[[15], [16], [17]]。总的来说，这些能力使俯仰控制成为高频尾流调节的首选方法[18,19]，这对于在变化的风条件下最大化能量产出至关重要。虽然已经开发了诸如贪婪的单独俯仰控制和基于优化的方法（如模型预测控制）等经典策略，但它们存在显著的限制[19]。贪婪控制往往由于忽略了尾流相互作用而无法实现最佳的风电场级功率[20]。传统的模型预测控制（MPC）严重依赖于底层空气动力学和尾流模型的准确性[21]。这些模型难以捕捉现实世界风场的复杂性，特别是在风速和风向高度变化的情况下，导致性能不佳或不稳定[22]。

深度强化学习（DRL）的最新进展为解决复杂的动态控制问题提供了有希望的范式，在这些问题中，准确的系统模型难以获得或实时控制计算成本过高[23]。DRL代理可以通过与模拟或真实环境的交互直接学习最优控制策略，无需显式的、高保真模型即可适应不确定性和复杂动态[24,25]。这种能力使得DRL特别适用于风电场控制，因为在风电场中，尾流动力学和风的变化性呈现出高度随机和非线性的环境[26,27]。

基于这些发展，本文提出并评估了一种基于深度强化学习的新协作俯仰控制框架，专门为在全风速和/或风向范围内运行的串联风力涡轮机设计。这种方法能够实时适应涡轮机动力学、尾流效应和不可预测的风变化之间的复杂相互作用。本研究的主要贡献如下：1.

仿真平台开发：一个综合平台，集成了经过验证的涡轮机动力学、先进的尾流模型和真实的风场景，支持DRL训练和评估。

2.

基于DRL的控制框架：将串联涡轮机的俯仰控制问题构建为马尔可夫决策过程，并实现最先进的DRL算法来学习最优的协作控制策略。

3.

性能评估：在多种风条件下证明所提出框架优于传统的贪婪控制、基于优化的方法和MPC方法，突出其鲁棒性和适应性。

本文的其余部分组织如下。第2节详细介绍了仿真环境模型，包括涡轮机、尾流和风的表示。第3节描述了方法论，涵盖了基线控制策略以及基于DRL的方法的设计和实现。第4节展示了结果，并比较了不同控制器在各种风条件下的性能。最后，第5节总结了本文并概述了未来研究的潜在方向。

章节片段

风力涡轮机模型

风力涡轮机通过一系列机械转换捕获风的动能并将其转化为电能。它们由关键部件组成，包括转子、机舱、偏航机构、俯仰机构和塔架[28]。本研究使用国家可再生能源实验室（NREL）的5 MW基准模型[29]，考察了三台陆上风力涡轮机的俯仰控制机制。这三台涡轮机呈线性排列，间距为七个转子直径（7D）

方法论

控制串联风力涡轮机的传统方法主要采用贪婪或基于优化的策略来解决由尾流效应引起的功率损失。贪婪控制优先考虑最大化单个涡轮机的输出，同时忽略尾流的传播。相比之下，基于优化的方法利用空气动力学模型进行有限时间域的预测和优化。这两种方法在变化的风条件下都存在显著的限制。

控制过程评估

在训练完DRL算法后，在固定风条件下实施主动的尾流控制策略。具体来说，将恒定的风速和风向设置为输入条件，并通过实时获取关键参数（如涡轮机的输出功率和俯仰角调整）来定量评估控制策略的响应特性和稳态性能。选择了三种风速和风向组合作为案例,

结论

为了通过动态调整涡轮机俯仰角来减轻风电场中的尾流引起的损失，本研究开发了一种深度强化学习（DRL）框架，用于串联连接的涡轮机集群的协作俯仰控制。通过在不同风条件下对比测试多种控制策略来评估该框架。主要的研究贡献如下：

1. 可变俯仰控制：通过调整轴向感应因子，可变俯仰控制优化了

CRediT作者贡献声明

王龙岩：撰写 – 审稿与编辑、可视化、验证、监督、软件、资源、项目管理、方法论、调查、资金获取、形式分析、数据管理、概念化。徐月恒：撰写 – 审稿与编辑、撰写 – 原始草稿、可视化、验证、监督、软件、资源、项目管理、方法论、调查、资金获取、形式分析、数据管理、概念化。董强：撰写 –

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

本研究得到了国家自然科学基金（12002137）、江苏省博士后科学基金（2021K110B）和江苏省研究生研究与实践创新计划（SJCX25_2480）的资助。