Fugu-MT 論文翻訳(概要): Scalable Optimization for Wind Farm Control using Coordination Graphs

論文の概要: Scalable Optimization for Wind Farm Control using Coordination Graphs

arxiv url: http://arxiv.org/abs/2101.07844v1
Date: Tue, 19 Jan 2021 20:12:30 GMT
ステータス: 処理完了
システム内更新日: 2021-03-22 11:27:48.673264
Title: Scalable Optimization for Wind Farm Control using Coordination Graphs
Title（参考訳）: 座標グラフを用いた風力発電制御のスケーラブル最適化
Authors: Timothy Verstraeten, Pieter-Jan Daems, Eugenio Bargiacchi, Diederik M. Roijers, Pieter J.K. Libin, Jan Helsen
Abstract要約: 風力発電の制御装置は、グリッドオペレータによって課される電力需要と農場の電力生産を一致させるために必要である。風力タービン間の複雑な依存関係が存在するため、これは非自明な最適化問題である。本研究では,スパースな風力場構造を利用して最適化問題を推定する風力場制御の新しい学習方法を提案する。
参考スコア（独自算出の注目度）: 5.56699571220921
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Wind farms are a crucial driver toward the generation of ecological and renewable energy. Due to their rapid increase in capacity, contemporary wind farms need to adhere to strict constraints on power output to ensure stability of the electricity grid. Specifically, a wind farm controller is required to match the farm's power production with a power demand imposed by the grid operator. This is a non-trivial optimization problem, as complex dependencies exist between the wind turbines. State-of-the-art wind farm control typically relies on physics-based heuristics that fail to capture the full load spectrum that defines a turbine's health status. When this is not taken into account, the long-term viability of the farm's turbines is put at risk. Given the complex dependencies that determine a turbine's lifetime, learning a flexible and optimal control strategy requires a data-driven approach. However, as wind farms are large-scale multi-agent systems, optimizing control strategies over the full joint action space is intractable. We propose a new learning method for wind farm control that leverages the sparse wind farm structure to factorize the optimization problem. Using a Bayesian approach, based on multi-agent Thompson sampling, we explore the factored joint action space for configurations that match the demand, while considering the lifetime of turbines. We apply our method to a grid-like wind farm layout, and evaluate configurations using a state-of-the-art wind flow simulator. Our results are competitive with a physics-based heuristic approach in terms of demand error, while, contrary to the heuristic, our method prolongs the lifetime of high-risk turbines.
Abstract（参考訳）: 風力発電所は、生態系と再生可能エネルギーの創出に不可欠である。容量が急速に増加したため、現代の風力発電所は電力グリッドの安定性を確保するために出力に厳しい制約を課す必要がある。具体的には、風力発電所の電力生産をグリッドオペレータが課す電力需要に合わせるために風力発電所制御装置が必要となる。風力タービン間の複雑な依存関係が存在するため、これは非自明な最適化問題である。最先端の風力発電制御は典型的には、タービンの健康状態を定義する全負荷スペクトルを捕捉できない物理ベースのヒューリスティックに依存している。これが考慮されていない場合、農場のタービンの長期生存性は危険にさらされる。タービンの寿命を決定する複雑な依存関係を考えると、柔軟で最適な制御戦略を学ぶにはデータ駆動のアプローチが必要だ。しかし、風力発電は大規模マルチエージェントシステムであるため、全関節動作空間における制御戦略の最適化は困難である。そこで本稿では, 疎風力発電構造を利用した風力発電制御の新しい学習手法を提案し, 最適化問題を分解する。マルチエージェントのトンプソンサンプリングに基づくベイズ手法を用いて,タービンの寿命を考慮しつつ,需要に合致する構成のための因子付きジョイント動作空間を探索する。本手法をグリッド型風力発電機レイアウトに適用し,最先端の風流シミュレータを用いて構成評価を行う。提案手法は,要求誤差の観点から物理に基づくヒューリスティック手法と競合する一方で,ヒューリスティックとは対照的に,高リスクタービンの寿命を延ばす。