{rfName}
En

Indexado en

Licencia y uso

Icono OpenAccess

Citaciones

1

Altmetrics

Investigadores/as Institucionales

Frutos, MartinAutor (correspondencia)Marino, Oscar AAutor o CoautorHuergo, DavidAutor o CoautorFerrer, EstebanAutor o Coautor

Compartir

7 de agosto de 2025
Publicaciones
>
Artículo
Sí

Enhancing Energy Generation While Mitigating Noise Emissions in Wind Turbines Through Multi-Objective Optimization: A Deep Reinforcement Learning Approach

Publicado en: WIND ENERGY. 28 (8): e70041- - 2025-08-01 28(8), DOI: 10.1002/we.70041

Autores:

Frutos, M; Marino, OA; Huergo, D; Ferrer, E
[+]

Afiliaciones

Univ Politecn Madrid, Ctr Computat Simulat, Campus Montegancedo, Madrid, Spain - Autor o Coautor
Univ Politecn Madrid, ETSIAE UPM Sch Aeronaut, Madrid, Spain - Autor o Coautor

Resumen

We develop a torque-pitch control framework using deep reinforcement learning for wind turbines to optimize the generation of wind turbine energy while minimizing operational noise. We employ a double deep Q-learning, coupled to a blade element momentum solver, to enable precise control over wind turbine parameters. In addition to the blade element momentum, we use the wind turbine acoustic model of Brooks Pope and Marcolini. Through training with simple winds, the agent learns optimal control policies that allow efficient control for complex turbulent winds. Our experiments demonstrate that reinforcement learning can find optimals at the Pareto front when maximizing energy while minimizing noise. In addition, the adaptability of the reinforcement learning agent to changing turbulent wind conditions underscores its efficacy for real-world applications. We validate the methodology using a SWT2.3-93 wind turbine with a rated power of 2.3 MW. We compare the reinforcement learning control with classic controls to show that they are comparable when noise emissions are not taken into account. When including a maximum limit of 45 dBA in the noise produced (100-m downwind of the turbine), the extracted yearly energy decreases by 22%. The methodology is flexible and allows for easy tuning of the objectives and constraints through the reward definitions, resulting in a flexible multi-objective optimization framework for wind turbine control. In general, our findings highlight the potential of RL-based control strategies to improve wind turbine efficiency while mitigating noise pollution, thus advancing sustainable energy generation technologies.
[+]

Palabras clave

Acoustic noiseAeroacousticAlternative energyBlade element momentum theoryBrook pope and marcoliniBrooks pope and marcoliniControl systemDeep learningDeep reinforcement learningEnergyEnergy generationsLearning algorithmsMachine learningMomentumMulti-objective optimizationMulti-objectives optimizationMultiobjective optimizationNoise emissionsNoise pollutionOptimal control systemsOptimizationPareto principlePitch-controlPollution controlPower generationQ-learningReinforcement learningReinforcement learningsTheoretical studyTorqueTorque-pitch controlTurbine componentsTurbomachine bladesWindWind powerWind turbinWind turbineWind turbine blades

Indicios de calidad

Impacto bibliométrico. Análisis de la aportación y canal de difusión

El trabajo ha sido publicado en la revista WIND ENERGY debido a la progresión y el buen impacto que ha alcanzado en los últimos años, según la agencia WoS (JCR), se ha convertido en una referencia en su campo. En el año de publicación del trabajo, 2025, se encontraba en la posición 48/182, consiguiendo con ello situarse como revista Q2 (Segundo Cuartil), en la categoría Engineering, Mechanical. Destacable, igualmente, el hecho de que la Revista está posicionada en el Cuartil Q2 para la agencia Scopus (SJR) en la categoría Renewable Energy, Sustainability and the Environment.

[+]

Impacto y visibilidad social

Desde la dimensión de Influencia o adopción social, y tomando como base las métricas asociadas a las menciones e interacciones proporcionadas por agencias especializadas en el cálculo de las denominadas “Métricas Alternativas o Sociales”, podemos destacar a fecha 2026-04-25:

  • El uso, desde el ámbito académico evidenciado por el indicador de la agencia Altmetric referido como agregaciones realizadas por el gestor bibliográfico personal Mendeley, nos da un total de: 9.
  • La utilización de esta aportación en marcadores, bifurcaciones de código, añadidos a listas de favoritos para una lectura recurrente, así como visualizaciones generales, indica que alguien está usando la publicación como base de su trabajo actual. Esto puede ser un indicador destacado de futuras citas más formales y académicas. Tal afirmación es avalada por el resultado del indicador “Capture” que arroja un total de: 7 (PlumX).

Con una intencionalidad más de divulgación y orientada a audiencias más generales podemos observar otras puntuaciones más globales como:

  • El Score total de Altmetric: 1.

Es fundamental presentar evidencias que respalden la plena alineación con los principios y directrices institucionales en torno a la Ciencia Abierta y la Conservación y Difusión del Patrimonio Intelectual. Un claro ejemplo de ello es:

  • El trabajo se ha enviado a una revista cuya política editorial permite la publicación en abierto Open Access.
  • Asignación de un Handle/URN como identificador dentro del Depósito en el Repositorio Institucional: https://oa.upm.es/91473/

Como resultado de la publicación del trabajo en el repositorio institucional, se han obtenido datos estadísticos de uso que reflejan su impacto. En términos de difusión, podemos afirmar que, hasta la fecha

  • Visualizaciones: 52
  • Descargas: 64
[+]

Análisis de liderazgo de los autores institucionales

Existe un liderazgo significativo ya que algunos de los autores pertenecientes a la institución aparecen como primer o último firmante, se puede apreciar en el detalle: Primer Autor (FRUTOS MUÑOZ, MARTIN DE) y Último Autor (FERRER VACCAREZZA, ESTEBAN).

el autor responsable de establecer las labores de correspondencia ha sido FRUTOS MUÑOZ, MARTIN DE.

[+]

Reconocimientos ligados al ítem

Esteban Ferrer and Oscar A. Marino would like to thank the support of Agencia Estatal de Investigacion for the grant "Europa Excelencia" for the project EUR2022-134041 funded by MCIN/AEI/10.13039/501100011033) and the European Union NextGenerationEU/PRTR and also the funding received by the Grant DeepCFD (Project no. PID2022-137899OB-I00) funded by MICIU/AEI/10.13039/501100011033 and by ERDF, EU. This research has been cofunded by the European Union (ERC, Off-coustics, project number 101086075). Views and opinions expressed are, however, those of the author(s) only and do not necessarily reflect those of the European Union or the European Research Council. Neither the European Union nor the granting authority can be held responsible for them. All authors gratefully acknowledge the Universidad Politecnica de Madrid (www.upm.es) for providing computing resources on Magerit Supercomputer and the computer resources at MareNostrum and the technical support provided by Barcelona Supercomputing Center (projects RES-IM-2024-1-0003 and RES-IM-2025-1-0011). Finally, the authors gratefully acknowledge the EuroHPC JU for the project EHPC-REG-2023R03-068 for providing computing resources of the HPC system Vega at the Institute of Information Science.
[+]