arXiv cs.AI· Mart\'in de Frutos, Baptiste Corban, Claire Bizon Monroc, Ana Bu\v{s}i\'c, Donatien Dubuc, Jiamin Zhud, Esteban Ferrer·· 12 小时前AI 评分24
Noise Steering：用强化学习联合控制偏航与功率实现风电场噪声约束
Noise Steering: Exploiting Wake Steering and Acoustic Directivity for Noise-Constrained Wind Farm Control via Reinforcement Learning
AI 导读
研究者提出 Noise Steering，一种无模型强化学习策略，联合控制风机偏航角与功率设定点，在满足指定区域噪声约束的同时最大化风电场发电量。在六风机测试风场上，该策略在全部湍流风速范围内满足 40 dB 噪声约束，相对无阻碍贪心控制平均功率损失仅 2%，高风速下最高 7.7%，而行业标准降噪运行（NRO）基线平均功率损失为 17%。策略迁移到更高保真仿真器后，在稳态与湍流来流下基本保持性能。
正文 · AI 翻译
摘要：现有的风电场噪声缓解策略通常只是降低风机功率输出，而没有考虑风机之间的尾流相互作用以及噪声排放的方向性。这会导致过于保守的策略和未被充分利用的风能。然而，风机偏航可以同时影响尾流相互作用和噪声排放方向，为风电场级噪声控制提供了额外的自由度。因此，我们提出了 Noise Steering，一种无模型强化学习（RL）策略，它联合控制风机偏航角和功率设定点，以在满足指定区域内局部噪声约束的同时最大化风电场功率。为了以较低的计算成本实现训练，我们将低保真声学模型与稳态 FLORIS 模拟器耦合。RL 智能体有效地学会了如何将尾流和噪声方向性重定向到远离保护区域，同时在风电场内重新分配功率。在一个六风机测试风电场中，该策略在全部湍流风速范围内均满足 40 dB 噪声约束，相对于无阻碍的贪心控制，平均功率损失仅为 2%，在高速风速下最高为 7.7%。相比之下，此处作为行业标准的降噪运行（NRO）基线平均功率损失为 17%。当部署到更高保真度的 this http URL 模拟器中时，尽管仿真保真度存在差异，该策略在稳态和湍流来流下基本保持了其性能。这些结果表明，通过 RL 将偏航控制与功率降额相结合，有望改善风电场运行中的功率-噪声权衡。
| 评论： | 17 页，11 张图 |
| 主题： | 人工智能（cs.AI）；系统与控制（eess.SY）；大气与海洋物理（physics.ao-ph）；流体动力学（physics.flu-dyn） |
| 引用为： | arXiv:2610.36888 [cs.AI] |
| （或 arXiv:2610.36888v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.36888 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Martín De Frutos Muñoz [查看电子邮件]
[v1]
2026 年 10 月 27 日星期二 09:23:45 UTC（3,239 KB）
来源：arXiv cs.AI · arxiv.org