Kombination aus Fuzzy-Control und Reinforcement Learning zur Pitch-Kontrolle von Windturbinen

Zusammenfassung Die Generierung des Pitch-Kontrollsignals in einer Windturbine (WT) ist aufgrund der nichtlinearen Dynamik des Systems und der Kopplung seiner internen Variablen nicht einfach; zudem sind sie der Unsicherheit ausgesetzt, die aus der zufälligen Natur des Windes resultiert. Fuzzy-Logik hat sich in Anwendungen als nützlich erwiesen, in denen sich die Systemparameter ändern oder in denen Unsicherheit relevant ist, wie in diesem Fall, aber die Abstimmung der Parameter des Fuzzy-Logik-Controllers (FLC) ist weder einfach noch eine leichte Aufgabe. Andererseits ermöglicht Reinforcement Learning (RL) Systemen, automatisch zu lernen, und diese Fähigkeit kann genutzt werden, um den FLC abzustimmen. In dieser Arbeit wird eine WT-Pitch-Kontrollarchitektur vorgeschlagen, die RL verwendet, um die Zugehörigkeitsfunktionen abzustimmen und die Ausgabe eines Fuzzy-Controllers zu skalieren. Die RL-Strategie berechnet die Gewinne des Fuzzy-Controllers, um den Fehler der Ausgangsleistung der WT entsprechend der Windgeschwindigkeit zu reduzieren. Verschiedene Belohnungsmechanismen basierend auf dem Fehler der Ausgangsleistung wurden berücksichtigt. Simulationsergebnisse mit verschiedenen Windprofilen zeigen, dass diese Architektur besser (123,7 W) in Bezug auf die Leistungsfehler abschneidet als ein FLC ohne RL (133,2 W) oder ein einfacherer PID (208,8 W). Darüber hinaus bietet sie eine sanfte Reaktion und übertrifft andere hybride Controller wie RL-PID und Radialbasisfunktions-Neuronale-Netzwerksteuerung.