論文の概要: Deep Reinforcement Learning for Multi-Objective Optimization: Enhancing Wind Turbine Energy Generation while Mitigating Noise Emissions

• arxiv url: http://arxiv.org/abs/2407.13320v1
• Date: Thu, 18 Jul 2024 09:21:51 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-19 16:00:23.973943
• Title: Deep Reinforcement Learning for Multi-Objective Optimization: Enhancing Wind Turbine Energy Generation while Mitigating Noise Emissions
• Title（参考訳）: 多目的最適化のための深部強化学習:騒音発生の軽減と風力発電の強化
• Authors: Martín de Frutos, Oscar A. Marino, David Huergo, Esteban Ferrer,
• Abstract要約: 風力タービンの深部強化学習を用いたトルクピッチ制御フレームワークを開発した。 我々は、風力タービンパラメータの正確な制御を可能にするために、ブレード要素運動量解決器と組み合わされた二重深度Q-ラーニングを用いる。
• 参考スコア（独自算出の注目度）: 0.4218593777811082
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We develop a torque-pitch control framework using deep reinforcement learning for wind turbines to optimize the generation of wind turbine energy while minimizing operational noise. We employ a double deep Q-learning, coupled to a blade element momentum solver, to enable precise control over wind turbine parameters. In addition to the blade element momentum, we use the wind turbine acoustic model of Brooks Pope and Marcolini. Through training with simple winds, the agent learns optimal control policies that allow efficient control for complex turbulent winds. Our experiments demonstrate that the reinforcement learning is able to find optima at the Pareto front, when maximizing energy while minimizing noise. In addition, the adaptability of the reinforcement learning agent to changing turbulent wind conditions, underscores its efficacy for real-world applications. We validate the methodology using a SWT2.3-93 wind turbine with a rated power of 2.3 MW. We compare the reinforcement learning control to classic controls to show that they are comparable when not taking into account noise emissions. When including a maximum limit of 45 dB to the noise produced (100 meters downwind of the turbine), the extracted yearly energy decreases by 22%. The methodology is flexible and allows for easy tuning of the objectives and constraints through the reward definitions, resulting in a flexible multi-objective optimization framework for wind turbine control. Overall, our findings highlight the potential of RL-based control strategies to improve wind turbine efficiency while mitigating noise pollution, thus advancing sustainable energy generation technologies
• Abstract（参考訳）: 我々は,風力タービンの深部強化学習を用いたトルクピッチ制御フレームワークを開発し,運転騒音を最小限に抑えながら風力タービンエネルギーの発生を最適化する。 我々は、風力タービンパラメータの正確な制御を可能にするために、ブレード要素運動量解決器と組み合わされた二重深度Q-ラーニングを用いる。 ブレード要素の運動量に加えて,ブルックス・ポープとマルコーニの風力タービン音響モデルを用いる。 単純な風で訓練することで、複雑な乱流風の効率的な制御を可能にする最適な制御ポリシーを学習する。 実験により, 雑音を最小化しながらエネルギーを最大化する場合に, 強化学習がパレート前線で最適となることを示した。 さらに, 強風条件の変化に対する強化学習剤の適応性は, 実世界の応用に有効であることを示す。 定格出力2.3MWのSWT2.3-93風車を用いた手法の検証を行った。 我々は,騒音発生を考慮した強化学習制御と古典的制御との比較を行い,ノイズ発生を考慮した場合と同等であることを示す。 発生した騒音(タービンの100メートル風下)に最大45dBの限界を加えると、抽出された年間エネルギーは22%減少する。 この手法は柔軟であり、報酬の定義を通じて目的と制約の調整が容易であり、風力タービン制御のための柔軟な多目的最適化フレームワークをもたらす。 総じて、騒音汚染を緩和しつつ風力タービン効率を向上させるためのRLベースの制御戦略の可能性を強調し、持続可能なエネルギー生成技術の進歩を図った。

関連論文リスト

• Wind turbine condition monitoring based on intra- and inter-farm federated learning [0.0]
  風力エネルギーにおける多くのAI応用は、個々の風力タービンだけでなく、複数のタービンや複数の風力発電所の運用データを使用することで恩恵を受けることができる。 フェデレーテッド・ラーニングは、この文脈で、プライバシを保存する分散機械学習のアプローチとして登場した。 我々は、異なる風力発電所とタービンモデル間の協調や、同じ風力発電所とタービンモデルに制限された協力など、様々な連合学習戦略について検討する。
  論文  参考訳（メタデータ） (2024-09-05T16:25:30Z)
• Function Approximation for Reinforcement Learning Controller for Energy from Spread Waves [69.9104427437916]
  マルチジェネレータ・ウェーブ・エナジー・コンバータ(WEC)は、スプレッド・ウェーブと呼ばれる異なる方向から来る複数の同時波を処理しなければならない。 これらの複雑な装置は、エネルギー捕獲効率、維持を制限する構造的ストレスの低減、高波に対する積極的な保護という複数の目的を持つコントローラを必要とする。 本稿では,システム力学のシーケンシャルな性質をモデル化する上で,ポリシーと批判ネットワークの異なる機能近似について検討する。
  論文  参考訳（メタデータ） (2024-04-17T02:04:10Z)
• Reinforcement learning to maximise wind turbine energy generation [0.8437187555622164]
  本研究では,ロータ速度,ロータヨー角,ブレードピッチ角を積極的に変化させることで,風力タービンのエネルギー発生を制御するための強化学習戦略を提案する。 優先体験再生剤を用いた二重深度Q-ラーニングとブレード要素運動量モデルとを結合し、風の変化を制御できるように訓練する。 エージェントは、単純な定常風に対して最適な制御(速度、ヨー、ピッチ)を決定するように訓練され、その後、実際の動的乱流風に挑戦され、良好な性能を示す。
  論文  参考訳（メタデータ） (2024-02-17T21:35:13Z)
• Fast Recognition of birds in offshore wind farms based on an improved deep learning model [0.19336815376402716]
  鳥類検出作業におけるこのモデルの精度は87.40%に達し、21.25%の増加となる。 このモデルでは、風力タービン付近の鳥をリアルタイムで検出でき、夜間、雨季、不安定な条件で強い安定性を示す。
  論文  参考訳（メタデータ） (2023-06-28T08:47:04Z)
• An Improved Yaw Control Algorithm for Wind Turbines via Reinforcement Learning [1.5076964620370268]
  ヨーのミスアライメントは、出力、タービンの安全性、寿命、そして風上公園全体に影響を与える。 我々は、強化学習を用いてヨー調整を最小化し、ヨー資源を最適に再配置するヨー制御剤を開発する。
  論文  参考訳（メタデータ） (2023-05-02T10:01:39Z)
• Movement Penalized Bayesian Optimization with Application to Wind Energy Systems [84.7485307269572]
  文脈ベイズ最適化(CBO)は、与えられた側情報を逐次決定する強力なフレームワークである。 この設定では、学習者は各ラウンドでコンテキスト(天気条件など)を受け取り、アクション(タービンパラメータなど)を選択する必要がある。 標準的なアルゴリズムは、すべてのラウンドで意思決定を切り替えるコストを前提としませんが、多くの実用的なアプリケーションでは、このような変更に関連するコストが最小化されるべきです。
  論文  参考訳（メタデータ） (2022-10-14T20:19:32Z)
• Low Emission Building Control with Zero-Shot Reinforcement Learning [70.70479436076238]
  強化学習(RL)による制御は、建築エネルギー効率を著しく向上させることが示されている。 我々は、ゼロショットビルディング制御と呼ばれるパラダイムを優先せずに、排出削減ポリシーを得られることを示す。
  論文  参考訳（メタデータ） (2022-08-12T17:13:25Z)
• Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds [96.74836678572582]
  本稿では,ディープラーニングを通じて事前学習した表現を組み込むことで,オンラインでの迅速な適応を可能にする学習ベースのアプローチを提案する。 Neural-Flyは、最先端の非線形かつ適応的なコントローラよりもかなり少ないトラッキングエラーで正確な飛行制御を実現する。
  論文  参考訳（メタデータ） (2022-05-13T21:55:28Z)
• Measuring Wind Turbine Health Using Drifting Concepts [55.87342698167776]
  風力タービンの健全性解析のための2つの新しい手法を提案する。 第1の方法は、比較的高低電力生産の減少または増加を評価することを目的とする。 第2の方法は抽出された概念の全体的ドリフトを評価する。
  論文  参考訳（メタデータ） (2021-12-09T14:04:55Z)
• Enforcing Policy Feasibility Constraints through Differentiable Projection for Energy Optimization [57.88118988775461]
  本稿では,ニューラルポリシー内での凸操作制約を強制するために,PROF(Projected Feasibility)を提案する。 エネルギー効率の高い建築操作とインバータ制御の2つの応用についてPROFを実証する。
  論文  参考訳（メタデータ） (2021-05-19T01:58:10Z)
• Scalable Optimization for Wind Farm Control using Coordination Graphs [5.56699571220921]
  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。
  論文  参考訳（メタデータ） (2021-01-19T20:12:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。