Die Verbesserung der dynamischen Leistung des Gier-Systems von Windkraftanlagen unter verschiedenen Betriebsbedingungen ist von entscheidender Bedeutung. Basierend darauf wurde eine modellprädiktive Steuerungsstrategie für das Gier-System von Windkraftanlagen auf Basis von Reinforcement Learning vorgeschlagen, wobei der TD3-Algorithmus (Double Delayed Deep Deterministic Policy Gradient) zur dynamischen Multi-Parameter-Optimierung verwendet wird. Zunächst wurde für die zwei widersprüchlichen Steuerungsziele Leistungverlustrate und Nutzung des Gieraktuators ein mehrstufiger modellprädiktiver Regler (yaw model predictive control, YMPC) entwickelt; zweitens wurden Eingabestatus, Aktionen und Belohnungsmechanismen des TD3-Agenten entsprechend den Optimierungszielen des Gier-Systems und den Windbedingungen gestaltet, wodurch der TD3-Agent die Gewichtungskoeffizienten und die Steuerungsschritte des YMPC abstimmen kann; schließlich wurde die Wirksamkeit der Methode anhand typischer Tagesdaten eines Windparks in Nordchina validiert. Die Ergebnisse zeigen, dass die vorgeschlagene Strategie die Gesamtleistung des Gier-Systems im Vergleich zu einem YMPC mit festen Steuerungsparametern deutlich verbessert.

Windkraftanlage;Gier-System;Reinforcement Learning;Steuerungsparameter