注册

强化学习联合控制风机偏航与功率以降低噪声

论文AI 评分 62/100arXiv cs.AI待复核
AI 聚合

本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。

这篇论文提出 Noise Steering 方法，用无模型强化学习同时调节风机偏航角与功率设定值，在满足指定区域噪声约束的前提下最大化风场发电量。训练时把低保真声学模型与稳态 FLORIS 仿真器耦合，以降低计算开销。在六台风机组成的测试风场上，该策略在整个湍流风速范围内都满足 40 dB 噪声约束，相对无约束的贪心控制平均功率损失仅 2%，高风速下最高 7.7%；而行业常用的降噪运行基线平均功率损失为 17%。换到更高保真仿真器后，该策略在稳态与湍流来流下大体保持性能。

全文梳理

AI 摘要依据下方信源原文自动整理，非原文转载

现有降噪做法的局限

风场常规的噪声缓解手段是压低风机输出功率，但这类做法没有考虑风机之间的尾流相互作用，也没有考虑噪声辐射的方向性，结果往往偏保守，本可利用的风能被浪费。论文指出，风机偏航角其实能同时改变尾流形态和噪声传播方向，这为风场级别的噪声控制提供了一个额外的调节维度，而单纯降功率没有用上这一自由度。

方法如何搭建

作者提出 Noise Steering，一种无模型强化学习策略，同时输出偏航角与功率设定值，目标是在给定区域的局部噪声约束下把风场总功率做大。为了让训练的计算开销可控，他们把低保真声学模型与稳态 FLORIS 仿真器耦合起来作为训练环境。策略学到的行为是把尾流和噪声指向性引向远离受保护区域的方向，同时在机群内部重新分配功率。

六风机测试结果

在六台风机组成的测试风场上，该策略在整个湍流风速范围内都满足 40 dB 的噪声约束，相对无阻碍的贪心控制平均功率损失只有 2%，高风速条件下最高为 7.7%。作为对照，论文采用的行业标准降噪运行基线平均功率损失达到 17%。作者还把策略放进保真度更高的仿真器中验证，尽管仿真保真度存在差异，策略在稳态和湍流来流下大体维持了原有表现。

结果意味着什么

这组对比说明，把偏航控制与功率降额交给同一个强化学习策略协调，可以改善风场运行中功率与噪声之间的取舍关系。论文的验证建立在低保真声学模型加 FLORIS 的训练环境以及六风机测试规模上，高保真仿真中的表现虽有保留，但作者将其视为该方法可迁移的初步证据。

为什么值得看

把偏航控制与功率降额放进同一个强化学习策略，用 2% 的平均功率损失替代 17% 的常规降噪损失，给出了风场噪声约束下…

强化学习论文

信源1 家

  1. [1]arXiv cs.AI一手信源Noise Steering: Exploiting Wake Steering and Acoustic Directivity for Noise-Constrained Wind Farm Control via Reinforcement Learning

关键事实

  • 方法用无模型强化学习联合控制风机偏航角与功率设定值，在满足指定区域噪声约束下最大化发电量[1]

  • 训练时把低保真声学模型与稳态 FLORIS 仿真器耦合，以降低计算成本[1]

  • 六台风机测试中，策略在全部湍流风速范围满足 40 dB 噪声约束，平均功率损失 2%，高风速下最高 7.7%[1]

  • 行业常用的降噪运行基线平均功率损失为 17%[1]

  • 迁移到更高保真仿真器后，策略在稳态与湍流来流下大体保持性能[1]

相关 · 论文

OpenAI 自 GPT-5.6 起部署激活分类器监控模型输出

11月3日 周二·AI 78

OpenAI 推出 LifeVal 基准，衡量 AI 完成日常事务的能力

11月2日 周一·AI 72

清华姚期智团队提出代数世界模型AWM，ARC-AGI-3全关卡通关

11月1日 周日·AI 78

新芯航途发布X7 Ultra芯片，700TOPS，用Momenta世界模型做评测

10月31日 周六·AI 72

本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。

去论坛讨论