Deep reinforcement learning for wind farm flow control

Apprentissage par renforcement profond pour le contrôle de parcs éoliens Dans les parcs éoliens, les interactions de sillage entre turbines réduisent la production énergétique globale. Un contrôle coordonné, tel que le désalignement volontaire des éoliennes par rapport au vent, permet de rediriger ces sillages et d'améliorer le flux de vent, améliorant ainsi la production énergétique. Cependant, concevoir des stratégies de contrôle robustes est difficile : elles doivent s'adapter à des conditions de vent dynamiques et incertaines, respecter les contraintes physiques des turbines et capturer la complexité des interactions physiques à l'échelle de grands parcs. L'apprentissage par renforcement offre un cadre algorithmique puissant pour concevoir des stratégies de contrôle plus efficaces. Basé sur des principes d'intelligence artificielle, il permet aux parcs éoliens de s'adapter intelligemment à diverses conditions de vent. Il s'appuie sur l'expérience acquise pour ajuster en continu les stratégies de contrôle face aux évolutions du vent. Cette thèse de doctorat se propose d'étudier et de développer des stratégies de contrôle basées sur l'apprentissage par renforcement profond pour le contrôle des parcs éoliens. Plus précisément : 1) elle étudie l'impact de la dynamique du vent sur le contrôle de l'orientation des machines et souligne l'importance d'une optimisation sur un certain horizon temporel en cas de forte variabilité directionnelle; 2) elle explore comment les approches multi-agents en apprentissage par renforcement peuvent contrôler efficacement de grands parcs et capturer les interactions complexes de sillage dans des vents dynamiques; 3) elle exploite des mécanismes d'auto-attention dans un cadre mono-agent pour concevoir des stratégies de contrôle plus performantes, montrant des gains significatifs en efficacité d'échantillonnage, en performance d'apprentissage et en capacité de généralisation. Dans l'ensemble, cette thèse contribue à réduire l'écart entre les avancées algorithmiques en apprentissage par renforcement profond et leur déploiement concret pour le contrôle de grandes fermes.