論文の概要: Noise Steering: Exploiting Wake Steering and Acoustic Directivity for Noise-Constrained Wind Farm Control via Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2610.36888v2
• Date: Wed, 28 Oct 2026 09:37:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-30 22:39:27.522119
• Title: Noise Steering: Exploiting Wake Steering and Acoustic Directivity for Noise-Constrained Wind Farm Control via Reinforcement Learning
• Title（参考訳）: 騒音ステアリング:強化学習による騒音拘束型風力発電制御のための爆発的ウェイクステアリングと音響指向性
• Abstract要約: ノイズステアリング(Noss Steering)は、風力発電を最大化するためにタービンヨー角とパワーセットポイントを共同で制御する戦略である。 6つのタービン試験場では、40dBの騒音制約が乱流風の全範囲にわたって満たされている。 その結果, 風力発電における電力・騒音トレードオフを改善するために, RLを経由したヨー制御とパワーデレージを併用する可能性を示した。
• 参考スコア（独自算出の注目度）: 3.9230862938958335
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing noise mitigation strategies for wind farms usually consist in reducing turbines power output, without accounting for the wake interactions between them and the noise emission directivity. This leads to over-conservative policies and unexploited wind power. Yet, turbine yaw can simultaneously affect wake interactions and the direction of noise emission, offering an additional degree of freedom for farm-level noise control. We therefore propose Noise Steering, a model-free reinforcement learning (RL) strategy that jointly controls turbine yaw angles and power setpoints to maximise farm power while satisfying a local noise constraint in a defined region. To enable training at a reduced computational cost, a low-fidelity acoustic model is coupled with the steady-state FLORIS simulator. The RL agent effectively learns how to redirect wakes and noise directivity away from the protected region while redistributing power across the farm. On a six-turbine test farm, the policy satisfies the 40 dB noise constraint throughout the full range of turbulent winds, with an average power deficit of only 2% relative to greedy unimpeded control, and up to 7.7% at high wind speeds. In comparison, the industry-standard noise-reduced operation (NRO) baseline here generates an average power loss of 17%. When deployed in the higher-fidelity FASTFarm simulator, the policy largely retains its performance under steady and turbulent inflow, despite differences in simulation fidelity. These results demonstrate the potential of combining yaw control and power derating through RL to improve the power-noise trade-off in wind farm operation.
• Abstract（参考訳）: 風力発電所の既存の騒音緩和戦略は、通常、タービンの出力を減らし、それら間のウェイク相互作用と騒音放出の指向性を考慮している。 これは過保守な政策と未開の風力に繋がる。 しかし、タービンヨーはウェイク相互作用と騒音発生の方向に同時に影響を与え、ファームレベルの騒音制御にさらなる自由度を提供する。 そこで我々は, モデルフリー強化学習(RL)戦略であるノイズステアリングを提案し, 所定領域における局所雑音制約を満たすとともに, タービンヨー角と電力設定点を協調的に制御し, 農業力の最大化を図る。 計算コストの低減を図るため,低忠実度音響モデルと定常FLORISシミュレータを結合する。 RLエージェントは、農場の電力を再分配しながら、保護領域からウェイクとノイズの指向性を効果的にリダイレクトする方法を学ぶ。 6つのタービン試験場では、40dBの騒音制約が乱流風の全範囲にわたって満たされ、平均的な電力不足は、グリーディーな無人制御に比べてわずか2%、高風速では7.7%である。 対照的に、業界標準ノイズ低減運転(NRO)ベースラインでは、平均電力損失が17%である。 高忠実度FASTFarmシミュレータにデプロイすると、シミュレーションの忠実度の違いにもかかわらず、安定で乱れやすいインフロー下では、その性能が維持される。 これらの結果から, 風力発電における電力・騒音トレードオフを改善するために, RLを経由したヨー制御とパワーデレージを併用する可能性が示された。

関連論文リスト

• WAND: Learning Robust Navigation under Complex Wind Disturbances and Dense Obstacles for Quadrotors [53.304053813409666]
  本稿では、高密度障害物場における時変風乱下でのナビゲーションのための強化学習フレームワーク、WAND(Wind-Aware Navigation with disturbance Estimation)を紹介する。 風に乱れた12のシミュレーション設定において、WADは平均的なフィードフォワード補償に対する成功率を8.3ポイント改善した。 室内でのファンによる飛行試験では、WADは20の試験のうち18の試験に成功し、リアルタイムのオンボードナビゲーションの実現可能性を示した。
  論文  参考訳（メタデータ） (2026-10-08T12:17:45Z)
• Offline Reinforcement Learning for Wind Farm Control: A Wind Tunnel Study under Dynamic Wind Directions [3.45814745680214]
  MTD3-BCはオフライン強化学習アルゴリズムであり、事前コンパイルされたオフラインデータセットのみから良い振る舞いを推測することを目的としている。 風洞実験を行い,風向の異なるアルゴリズムの有効性を検証した。 その結果,MTD3-BCは覚醒効果の軽減に成功し,農場レベルの電力利得は約10%であった。
  論文  参考訳（メタデータ） (2026-09-11T14:31:08Z)
• Reinforcement Learning Increases Wind Farm Power Production by Enabling Closed-Loop Collaborative Control [0.0]
  従来の風力発電制御は、個々の出力を最大化するために、それぞれのタービンを独立して運用する。 風力発電のエネルギー生産を 大幅に増加させます 高忠実度大渦シミュレーションと直接統合された第1強化学習制御装置 その結果、風力発電最適化への変換アプローチとして、動的フローレスポンシブ制御が確立された。
  論文  参考訳（メタデータ） (2025-06-25T15:53:12Z)
• How to craft a deep reinforcement learning policy for wind farm flow control [3.9614347845645383]
  タービン間のウェイク効果は、風力発電所全体のエネルギー生産を著しく減少させる。 既存の機械学習アプローチは、準静的な風条件や小さな風力発電に限られている。 本研究は、ウェイクステアリングポリシーを開発するための、新しい深層強化学習手法を提案する。
  論文  参考訳（メタデータ） (2025-06-06T16:07:05Z)
• Deep Reinforcement Learning for Multi-Objective Optimization: Enhancing Wind Turbine Energy Generation while Mitigating Noise Emissions [0.4218593777811082]
  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。
  論文  参考訳（メタデータ） (2024-07-18T09:21:51Z)
• Spectrum Breathing: Protecting Over-the-Air Federated Learning Against Interference [73.63024765499719]
  モバイルネットワークは、近隣のセルやジャマーからの干渉によって損なわれる可能性がある。 本稿では,帯域幅拡大を伴わない干渉を抑制するために,カスケード段階のプルーニングとスペクトル拡散を行うスペクトルブリーチングを提案する。 呼吸深度によって制御された勾配プルーニングと干渉誘発誤差の間には,性能的トレードオフが認められた。
  論文  参考訳（メタデータ） (2023-05-10T07:05:43Z)
• A noise-robust acoustic method for recognizing foraging activities of grazing cattle [35.21388806827219]
  NRFAR(Noth-Robust Foraging Activity Recognizer)と呼ばれる音響手法の動作原理と一般化能力について述べる。 ノイズのない環境では、NRFARは平均的平衡精度86.4%に達し、以前の2つの音響手法を7.5%以上上回った。 NRFARは厳しい放牧環境において有効であることが示されており、牧草管理を改善し、乳牛の健康と福祉をモニタリングするための信頼性の高いソリューションとして利用することができる。
  論文  参考訳（メタデータ） (2023-04-28T13:06:14Z)
• 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)

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。