基于雙層機(jī)器學(xué)習(xí)框架的大規(guī)模風(fēng)電場(chǎng)智能協(xié)同控制方案????總結(jié)：1.本研究提出了一種新的雙層ML框架，包括一個(gè)人工神經(jīng)網(wǎng)絡(luò)偏航尾流模型和貝葉斯ML算法的實(shí)時(shí)協(xié)同風(fēng)電場(chǎng)控制，具有高精度和高效率。第一層的ANN偏航尾流模型建立了一個(gè)連接輸入（流入和偏航條件）和輸出（尾流場(chǎng)）的黑箱，可以結(jié)合經(jīng)驗(yàn)疊加模型預(yù)測(cè)風(fēng)電場(chǎng)的總發(fā)電量。貝葉斯ML框架可以利用由第一層饋送的功率預(yù)測(cè)數(shù)據(jù)來(lái)定位最優(yōu)協(xié)調(diào)控制動(dòng)作?？紤]到隨著風(fēng)電場(chǎng)規(guī)模的擴(kuò)大對(duì)迭代次數(shù)的控制，本文進(jìn)一步提出了一種新的基于行的控制方案，通過(guò)合理減少優(yōu)化參數(shù)來(lái)提高優(yōu)化速度。2.以一個(gè)16機(jī)風(fēng)電場(chǎng)為例，通過(guò)與一般獨(dú)立控制方案的比較，評(píng)價(jià)了該控制方案在優(yōu)化效率方面的性能。并深入探討了風(fēng)場(chǎng)分布和布置形式對(duì)其可行性的影響。同時(shí)，在一個(gè)更大的49風(fēng)機(jī)機(jī)風(fēng)電場(chǎng)進(jìn)一步評(píng)估基于行的控制方案。3.得出結(jié)論：（1）在ML框架下，基于行的控制方案可以在犧牲少量最優(yōu)發(fā)電量的情況下，顯著地進(jìn)一步提高貝葉斯ML算法的收斂速度。對(duì)于采用對(duì)齊布局配置的16機(jī)風(fēng)電場(chǎng)，以僅損失0.3 %的功率為代價(jià)，完成了優(yōu)化率6倍的提升。（2）與單一風(fēng)向相比，均勻風(fēng)向和風(fēng)玫瑰圖的風(fēng)分布的發(fā)散會(huì)減小尾流轉(zhuǎn)向策略的功率增益，也會(huì)削弱基于行的協(xié)同控制方案相對(duì)于一般獨(dú)立控制方案的優(yōu)越性。（3）基于行的協(xié)同控制方案由于尾流模式的多樣化和相鄰風(fēng)經(jīng)濟(jì)行之間列間距的減小，與比交錯(cuò)布置相比更適用于對(duì)齊布置。同時(shí)，隨著風(fēng)分布的發(fā)散，由基于行的控制方案引起的對(duì)齊和交錯(cuò)布局之間的功率增強(qiáng)的差異變得比由獨(dú)立控制方案引起的差異更顯著。此外，基于行的控制方案在對(duì)齊布局中的優(yōu)勢(shì)隨著風(fēng)電場(chǎng)規(guī)模的增加而增強(qiáng)。