Noise Steering: Exploiting Wake Steering and Acoustic Directivity for Noise-Constrained Wind Farm Control via Reinforcement Learning
作者: Martín de Frutos, Baptiste Corban, Claire Bizon Monroc, Ana Bušić, Donatien Dubuc, Jiamin Zhud, Esteban Ferrer
分类: cs.AI, eess.SY, physics.ao-ph, physics.flu-dyn
发布日期: 2026-10-27
备注: 17 pages, 11 figures
💡 一句话要点
提出噪声引导策略以解决风电场噪声控制问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 风电场 噪声控制 强化学习 涡轮机控制 可再生能源 功率优化 声学模型
📋 核心要点
- 现有的风电场噪声缓解策略往往过于保守，未能有效利用风能，导致功率输出不足。
- 本文提出的噪声引导策略通过强化学习联合控制涡轮机的偏航角和功率设定，以实现噪声控制与发电量的平衡。
- 在六台涡轮机的测试中，该策略在满足噪声约束的同时，仅导致2%的功率损失，相较于行业标准的17%损失有显著提升。
📝 摘要（中文）
现有风电场噪声缓解策略通常通过降低涡轮机的功率输出来实现，但未考虑涡轮间的涡流相互作用和噪声发射的方向性。这导致了过于保守的控制策略和未利用的风能。本文提出了一种名为噪声引导的无模型强化学习策略，联合控制涡轮机的偏航角和功率设定，以最大化风电场的发电量，同时满足特定区域的噪声约束。通过将低保真度的声学模型与稳态FLORIS模拟器结合，RL代理能够有效学习如何将涡流和噪声方向引导远离受保护区域，并在风电场内重新分配功率。实验结果表明，该策略在六台涡轮机的测试场中，能够在整个湍流风速范围内满足40 dB的噪声约束，平均功率损失仅为2%。
🔬 方法详解
问题定义：本文旨在解决风电场噪声控制中的功率输出不足问题，现有方法主要通过降低涡轮机功率来减少噪声，但未考虑涡流相互作用和噪声方向性，导致过于保守的控制策略。
核心思路：提出噪声引导策略，利用无模型强化学习技术，联合控制涡轮机的偏航角和功率设定，以最大化发电量并满足特定区域的噪声约束。通过这种方式，涡轮机的偏航角可以同时影响涡流相互作用和噪声发射方向，提供额外的控制自由度。
技术框架：整体架构包括低保真度声学模型与FLORIS模拟器的结合，强化学习代理通过与环境的交互学习如何调整涡轮机的偏航角和功率设定。主要模块包括环境建模、策略学习和性能评估。
关键创新：最重要的创新点在于将涡轮机的偏航控制与功率衰减结合，通过强化学习实现动态调整，从而改善风电场的功率与噪声之间的权衡。这一方法与传统的单一功率控制策略本质上不同。
关键设计：在设计中，采用了低保真度声学模型以降低计算成本，损失函数考虑了噪声约束和功率输出的平衡，网络结构则基于深度强化学习框架，确保代理能够有效学习最佳策略。
🖼️ 关键图片
📊 实验亮点
实验结果显示，在六台涡轮机的测试场中，噪声引导策略在整个湍流风速范围内成功满足40 dB的噪声约束，平均功率损失仅为2%，而行业标准的噪声减少操作则导致17%的平均功率损失。这表明该策略在性能上具有显著优势。
🎯 应用场景
该研究具有广泛的应用潜力，特别是在风电场的运营管理中。通过优化涡轮机的控制策略，可以在满足环境噪声标准的同时，提高风电场的发电效率。这对可再生能源的推广和环境保护具有重要的实际价值，未来可能影响风电场的设计和运营策略。
📄 摘要（原文）
Existing noise mitigation strategies for wind farms usually consist in reducing turbines power output, without accounting for the wake interactions between them and the noise emission directivity. This leads to over-conservative policies and unexploited wind power. Yet, turbine yaw can simultaneously affect wake interactions and the direction of noise emission, offering an additional degree of freedom for farm-level noise control. We therefore propose Noise Steering, a model-free reinforcement learning (RL) strategy that jointly controls turbine yaw angles and power setpoints to maximise farm power while satisfying a local noise constraint in a defined region. To enable training at a reduced computational cost, a low-fidelity acoustic model is coupled with the steady-state FLORIS simulator. The RL agent effectively learns how to redirect wakes and noise directivity away from the protected region while redistributing power across the farm. On a six-turbine test farm, the policy satisfies the 40 dB noise constraint throughout the full range of turbulent winds, with an average power deficit of only 2% relative to greedy unimpeded control, and up to 7.7% at high wind speeds. In comparison, the industry-standard noise-reduced operation (NRO) baseline here generates an average power loss of 17%. When deployed in the higher-fidelity FAST.Farm simulator, the policy largely retains its performance under steady and turbulent inflow, despite differences in simulation fidelity. These results demonstrate the potential of combining yaw control and power derating through RL to improve the power-noise trade-off in wind farm operation.