Améliorer les performances dynamiques du système d’orientation des éoliennes dans divers scénarios d’exploitation est essentiel. Sur cette base, une stratégie de contrôle prédictif modèle du système d’orientation des éoliennes basée sur l’apprentissage par renforcement a été proposée, utilisant l’algorithme TD3 (Double Delayed Deep Deterministic Policy Gradient) pour l’optimisation dynamique multi-objectifs des paramètres. Tout d’abord, un contrôleur prédictif modèle multipas (yaw model predictive control, YMPC) a été établi, ciblant deux objectifs de contrôle antagonistes : le taux de perte de puissance et l’utilisation de l’actionneur d’orientation ; ensuite, les états d’entrée, les actions et le mécanisme de récompense de l’agent TD3 ont été conçus en fonction des objectifs d’optimisation du système d’orientation et des caractéristiques du vent, permettant de régler les coefficients de poids et le pas de contrôle du YMPC via l’agent TD3 ; enfin, l’efficacité de la méthode a été validée à l’aide de données typiques d’un parc éolien dans le nord de la Chine. Les résultats montrent que la stratégie proposée améliore significativement la performance globale du système d’orientation par rapport au YMPC aux paramètres fixes.

éolienne;système d’orientation;apprentissage par renforcement;paramètres de contrôle