Bayesian reinforcement learning with MCMC to maximize energy output of vertical axis wind turbine

Küçük ölçekli rüzgâr türbinlerinin (DERT) enerji çıkışının optimizasyonu, rüzgâr hızını rotor uç hızı oranını optimum değerde tutan bir kontrolör gerektirmektedir. Eğer dinamik model sistemin tamamı bilinir ve rüzgâr hızı tahmin edilebilirse, analitik bir çözüm elde edilebilir. Ancak, sadece yaşlanma değil aynı zamanda modelleme ve rüzgar hızı tahminindeki hatalar basit bir çözümü engeller. Bu tezde, Dikey Eksenli Rüzgar Türbinlerinin enerji çıkış optimizasyonuna, sürekli durum ve aksiyon uzaylarına sahip dinamik sistemleri optimize etmek için tasarlanmış bir Pekiştirmeli öğrenme yaklaşımı uygulaması önerilmektedir. Rüzgar türbininin dinamik modellemesi ve yük kontrolü; tek süreç içinde ele alınmaktadır. Önerilen algoritma bir optimal politikanın parametrelerini elde etmek için Markov Zincirli Monte Carlo kullanarak modelden bağımsız Bayesçi Pekiştirmeli Öğrenmedir. Önerilen yöntem rüzgar hızı profillerini ve sistem modelini öğrenir, bu nedenle, Dairesel Tabanlı Fonksiyon Sinir Ağı (DTFSA) kullanarak optimal kontrol sinyalini hesaplamak için tüm sistem durumlarını ve gözlenen rüzgar hızı profillerini kullanabilir. Önerilen yöntem, klasik Maksimum Güç Noktası Takipçisi (MGNT) ile karşılaştırmak üzere sabit mıknatıslı senkron jeneratör tabanlı DERT Simulink modeli için simülasyon çalışmaları yapılarak doğrulanır. Sonuçlar klasik yöntem ile kıyaslandığında, özellikle rüzgar hızı geçişlerinde, önemli bir gelişme göstermiştir, ayrıca değişken hızlar için umut vadeden enerji çıktısı göstermiştir ki bu Dikey Eksenli Rüzgar Türbinlerini (DERT) için istenilen bir durumdur.