全球向可持续能源转型的迫切需求使风力发电成为实现电网脱碳的关键技术[1]、[2]、[3]。在风电场集群布局中，虽然密集排列涡轮机可以降低基础设施和维护成本，但不可避免地会导致空气动力学干扰，通常称为尾流效应[4]。当上游涡轮机从风中提取能量时，它们会在转子下游产生一个湍流尾流区，其特征是速度显著下降和湍流动能增加[5]、[6]、[7]。为了提高能量捕获率和风电场的经济可行性，优化单个涡轮机的发电量并减轻整个风电场的尾流效应至关重要[8]。串联风力涡轮机配置（涡轮机沿主导风向依次排列）为高效利用陆地或海洋空间提供了有前景的潜力[9]、[10]。然而，这种排列方式使下游涡轮机暴露在上游单元的能量耗尽且高度湍流的尾流中，导致发电量大幅减少和结构载荷增加[11]、[12]。
在各种尾流控制技术中，尽管偏航控制可以显著改变尾流的侧向方向以减少尾流效应，但在高频尾流调节方面，俯仰控制相比偏航控制具有显著优势[13]、[14]。它能够以毫秒级的速度快速调整，这是固有缓慢、高惯性的偏航机制无法实现的。此外，俯仰控制避免了倾斜控制中非轴向流动引起的能量损失，并显著减少了由偏航不对准造成的结构载荷，这对风力涡轮机的长期运行至关重要[15]、[16]、[17]。综上所述，这些能力使俯仰控制成为高频尾流调节的首选方法[18]、[19]，这对于在变化的风条件下最大化能量产出至关重要。虽然已经开发了传统的策略，如贪婪的个别俯仰控制和基于优化的方法（如模型预测控制），但它们存在显著的限制[20]。贪婪控制往往由于忽略了尾流相互作用而无法实现最佳的风电场级发电量[21]。传统的模型预测控制（MPC）严重依赖于底层空气动力学和尾流模型的准确性[22]。这些模型难以捕捉现实世界风场的复杂性，特别是在风速和风向高度变化的情况下，导致性能不佳或不稳定[23]。
深度强化学习（DRL）的最新进展为解决复杂的动态控制问题提供了有前景的范式，在这些问题中，准确的系统模型难以获得或实时控制计算成本过高[24]。DRL代理可以直接通过与模拟或真实环境的交互来学习最优控制策略，无需显式的、高保真模型即可适应不确定性和复杂动态[25]、[26]。这种能力使DRL特别适用于风电场控制，因为在风电场中，尾流动力学和风的变化性构成了一个高度随机和非线性的环境[27]、[28]。
基于这些发展，本文提出并评估了一种基于深度强化学习的新协作俯仰控制框架，专门设计用于在各种风条件下运行的串联风力涡轮机，即从稳态到风速和/或风向的高度变化。这种方法能够实时适应涡轮机动力学、尾流效应和不可预测的风变化之间的复杂相互作用。本研究的主要贡献如下：
1.仿真平台开发：一个综合平台，整合了经过验证的涡轮机动力学、先进的尾流模型和实际风场景，支持DRL训练和评估。
2.基于DRL的控制建模：将串联涡轮机的俯仰控制问题构建为一个马尔可夫决策过程，并实施最先进的DRL算法来学习最优的协作控制策略。
3.性能评估：在不同风条件下，证明了所提出框架优于传统的贪婪控制、基于优化的方法和MPC方法，突出了其鲁棒性和适应性。
本文的其余部分组织如下。第2节详细介绍了仿真环境模型，包括涡轮机、尾流和风的表示方法。第3节描述了方法论，涵盖了基线控制策略以及基于DRL的方法的设计和实现。第4节展示了结果，并比较了不同控制器在不同风条件下的性能。最后，第5节总结了本文并概述了未来研究的潜在方向。
