Noise Steering：通过强化学习利用尾流偏转和声学指向性实现噪声约束风电场控制

现有的风电场噪声缓解策略通常通过降低风力机功率输出来实现，而不考虑风力机之间的尾流相互作用以及噪声发射的指向性。这会导致过于保守的控制策略，并造成风能利用不足。然而，风力机偏航既能影响尾流相互作用，也能改变噪声发射方向，从而为风电场层面的噪声控制提供额外的自由度。因此，我们提出了 Noise Steering，这是一种无模型强化学习（RL）策略，通过联合控制风力机偏航角和功率设定值，在满足指定区域局部噪声约束的同时最大化风电场功率。为降低训练所需的计算成本，我们将低保真度声学模型与稳态 FLORIS 仿真器相耦合。RL 智能体能够有效学习如何将尾流和噪声指向性引导至受保护区域之外，同时在整个风电场内重新分配功率。在一个包含六台风力机的测试风电场中，该策略在全范围湍流风况下始终满足 40 dB 的噪声约束；相较于贪心无约束控制，其平均功率亏损仅为 2%，在高风速下最高为 7.7%。相比之下，本文采用的行业标准降噪运行（NRO）基线会造成 17% 的平均功率损失。当部署于更高保真度的 FAST.Farm 仿真器中时，尽管仿真保真度存在差异，该策略在稳态和湍流来流条件下仍基本保持其性能。这些结果表明，通过 RL 结合偏航控制与功率降额，有望改善风电场运行中的功率—噪声权衡。