Skip to main content
Przejdź do strony domowej Komisji Europejskiej (odnośnik otworzy się w nowym oknie)
polski pl
CORDIS - Wyniki badań wspieranych przez UE
CORDIS

Deep Reinforcement Learning for Control of Wave Energy Converters Integrated on Floating Offshore Wind Turbines

Opis projektu

Oparta na sztucznej inteligencji platforma sterowania dla hybrydowych systemów wykorzystujących energię wiatru i fal

Morskie hybrydowe systemy wykorzystujące energię wiatru i fal mogą obniżyć koszty energii odnawialnej. Jednak złożona dynamika związana z integracją pływających turbin wiatrowych i konwerterów energii fal utrudnia zarządzanie i wpływa na ogólną wydajność. Projekt DRIFT, realizowany przy wsparciu programu działania „Maria Skłodowska-Curie”, ma na celu wykorzystanie sztucznej inteligencji do opracowania systemu sterowania dla hybrydowych instalacji wykorzystujących energię wiatru i fal. W ramach projektu zostanie opracowany szczegółowy model numeryczny oraz kontroler wykorzystujący głębokie uczenie ze wzmocnieniem w celu poprawy stabilności i wydajności pozyskiwania energii. Modelowa warstwa sterowania predykcyjnego zapewni bezpieczeństwo i zgodność z ograniczeniami eksploatacyjnymi, a jej celem jest zmniejszenie ruchów platformy o 30% oraz zwiększenie pozyskiwania energii o 25%. W ramach projektu model zostanie zweryfikowany za pomocą eksperymentów typu „hardware-in-the-loop”.

Cel

Offshore hybrid wind-wave energy systems that integrate floating offshore wind turbines (FOWTs) and wave energy converters (WECs) hold significant potential for cost reduction of renewable energy, crucial for energy security and climate neutrality of the EU. However, control of the integrated WECs on these hybrid systems is extremely challenging, due to their complex, multi-physics dynamics under variable ocean conditions. Existing control approaches all face a fundamental dilemma between model accuracy and control optimality: empirical control can be tuned against high-fidelity models but has few adjustable parameters, leading to suboptimality, while model-based optimal control can only employ a simplified model with significant inaccuracies. Consequently, system performance has been strictly limited. DRIFT aims to embed AI to develop a definitive control framework for hybrid wind-wave energy systems, to completely solve the dilemma. First, a high-fidelity numerical model with full aero-hydro-structural-mooring dynamics will be developed. Then, a deep reinforcement learning (DRL) controller will be trained directly on that model to improve platform stability and wave energy generation. Further, a robust model predictive control (MPC) layer will be designed to act as a safety shield to enforce operational constraints. This control strategy will simultaneously ensure effectiveness (reducing 30% platform motion and increasing 25% wave energy capture), safety (guaranteed constraint satisfaction), and computational efficiency (>100 Hz control frequency on industrial embedded controllers), and will be validated in hardware-in-the-loop experiments. The project builds on the applicant and the main supervisor’s strong research foundation in control of offshore renewable energy systems and will be supported by a dedicated mentor in offshore dynamics. The dedicated training, effective work plan, and risk management strategy will ensure successful project delivery.

Dziedzina nauki (EuroSciVoc)

Słowa kluczowe

Program(-y)

Temat(-y)

System finansowania

HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European Fellowships

Wyświetl wszystkie projekty finansowane w ramach tego programu finansowania

Zaproszenie do składania wniosków

(odnośnik otworzy się w nowym oknie) HORIZON-MSCA-2025-PF

Wyświetl wszystkie projekty finansowane w ramach tego zaproszenia

Koordynator

THE UNIVERSITY OF MANCHESTER
Wkład UE netto
€ 276 187,92
Adres
OXFORD ROAD
M13 9PL Manchester
Zjednoczone Królestwo
Region
North West (England) Greater Manchester Manchester
Rodzaj działalności
Higher or Secondary Education Establishments
Linki
Koszt całkowity
Brak danych