量子启发的多智能体强化学习与进化优化用于随机风电场控制

本研究提出了一种用于风电场运营的混合优化与控制框架，集成量子启发的多智能体强化学习(QI-MARL)与非支配排序遗传算法III(NSGA-III)，并采用联合约束协商(FCN)架构。该框架旨在通过分散的、协作的涡轮级决策来应对因尾流引起的空气动力相互作用、随机大气湍流和噪声监管约束等耦合挑战。所提出的方法同时优化固有竞争目标（最大化总发电量、减少结构疲劳负载和减轻声学排放），并严格遵守操作和监管约束。尾流相互作用使用Bastankhah高斯尾流公式进行建模，该方法在一个由五台5-MW水平轴风力涡轮机组成的公用事业规模涡轮阵列上进行评估。性能在30个独立的随机风况下进行评估，考虑了风速和湍流强度的变化。与既定的控制和优化基线（包括贪婪轴向引导控制、常规偏航基准的尾流引导、没有量子启发编码的普通多智能体强化学习以及基于NSGA-II的多目标优化）相比，所提出的框架实现了风电场总发电量平均提高7.8%、最大叶根损伤当量载荷减少18.6%，以及在指定感受点的远场声学水平降低3.4 dBA。此外，Pareto前沿质量显著提高，相较于单独使用NSGA-III，超体积增加22%且倒向代际距离减少27%。这些结果表明，所提出的量子启发的联合多智能体框架提供了一种强大、可扩展且具尾流意识的控制范式，能够在复杂和不确定的大气条件下实现关注疲劳、符合噪声规定的、韧性的风电场运营，从而支持下一代可持续风能系统中智能控制策略的部署。