Q-Learning basierte maximale Energiegewinnung für ein Windenergieumwandlungssystem mit variabler Windgeschwindigkeit

In diesem Papier wird eine intelligente, geschwindigkeitsunabhängige Methode zur maximalen Energiepunktverfolgung (MPPT) für ein Windenergieumwandlungssystem (VS-WECS) auf Basis eines Q-Learning-Algorithmus vorgestellt. Der Q-Learning-Algorithmus besteht aus Q-Werten für jedes Zustand-Aktions-Paar, die mithilfe von Belohnung und Lernrate aktualisiert werden. Die Eingaben zur Definition dieser Zustände sind die elektrische Leistung, die vom Netz empfangen wird, und die Drehzahl des Generators. In diesem Papier wird Q-Learning mit einer Spitzenaufspürtechnik ausgestattet, die das System auch dann zur maximalen Leistung führt, wenn das Lernen unvollständig ist, was das Echtzeit-Tracking beschleunigt. Um das Lernen einheitlich zu gestalten, hat jeder Zustand seinen eigenen Lernparameter anstelle eines gemeinsamen Lernparameters für alle Zustände, wie es im herkömmlichen Q-Learning der Fall ist. Daher beeinträchtigt es das Lernen der unbesuchten Zustände nicht, wenn ein halb erlerntes System am Peak-Punkt läuft. Darüber hinaus wird die Erkennung von Änderungen in der Windgeschwindigkeit mit dem vorgeschlagenen Algorithmus kombiniert, was ihn für variierende Windgeschwindigkeitsbedingungen geeignet macht. Darüber hinaus sind Informationen über die Merkmale der Windturbine und die Windgeschwindigkeitsmessung nicht erforderlich. Der Algorithmus wird durch Simulationen und Experimente überprüft und auch mit dem Störungs- und Beobachtungsalgorithmus (P&O) verglichen.