用强化学习辅助模型预测控制，提升风电场尾流转向的发电效率。
Hierarchical RL-MPC Control for Dynamic Wake Steering in Wind Farms
- 分层架构：强化学习代理为模型预测控制器提供状态补偿估计。
- 三台风机场景下，比基线控制提升23%发电量，超越理想状态下的纯模型预测控制。
- 训练更安全，控制更稳定，适合对可靠性要求高的风电系统部署。
由于复杂的流体物理特性和不断变化的工况，风电场尾流转向优化极具挑战。本文提出一种分层框架，将强化学习与模型预测控制结合：强化学习代理学习对模型预测控制器的状态补偿估计，而非直接控制风机。在三台风机案例中，该方法相较基线控制实现23%的功率提升，并超越了具备理想状态信息的模型预测控制。相比直接使用强化学习控制，混合架构在训练过程中展现出更优的安全性，同时控制动作更稳定，性能相当。
原文摘要 · Abstract (English)
Wind farm wake steering optimization is challenging due to complex flow physics and changing conditions. This paper presents a hierarchical framework that combines reinforcement learning with model predictive control, where an RL agent learns compensatory state estimates for an MPC controller, rather than directly controlling turbines. Evaluated on a three-turbine case, the approach achieves a 23\% power gain over the baseline control and surpasses the idealized MPC with perfect state knowledge. Compared to direct RL control, the hybrid architecture maintains superior safety characteristics during training while achieving comparable performance with more stable control actions.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。