Robuuste Vlootsgewijde Reinforcement Learning (FWOSB27)

De wereld is een geconnecteerde plaats, waarin de “cloud” een vitale rol speelt. Moderne draadloze sensoren laten toe om i.p.v. lokale controllers voor fysische apparaten, eerder slimme cloud-gebasseerde architecturen te hanteren. Wanneer zulke apparaten gelijkaardig zijn, kunnen we informatie van meerdere apparaten combineren, om zo een globaler beeld van het controleprobleem te krijgen en de effectiviteit en robustheid van de controle te verbeteren. De moeilijkheid is het organiseren van deze apparaten, zodat deze voordeel kunnen halen uit hun gelijkenissen. We stellen voor om automatisch zulke vlootsgewijde controle te verwezelijken gebruikmakend van Reinforcement Learning. Zo’n methode moet snel informatie kunnen verwerken (objectief 1), de mogelijkheid hebben om slim informatie te delen tussen apparaten (objectief 2) en continu nieuwe informatie verwerken (objectief 3). Onze methodes zullen gevaloriseerd worden in een offshore wind park simulator. De huidige trend is om turbines in een park op te stellen om transmissiekosten te bedrukken en energieproductie te maximaliseren op een kleine oppervlakte. Vandaag beslist iedere turbine een goede controle actie gebruikmakend van eigen metingen, eerder dan te beslissen gebaseerd op de algemene toestand van het wind park: weer condities, energievraag, slijtage, etc. Vlootsgewijde controle zal voorspelbaarheid van de energie-uitvoer verbeteren en het risico op falingen verminderen.

Trefwoorden:Reinforcement Learning, Informatics

Disciplines:Systeemtheorie, -modellering en -identificatie