机器学习可以帮助风筝和滑翔机收集风能

AWE 的模拟环境。风筝船系统草图。b 湍流中水平风速的垂直截面快照。c α攻角为风筝纵轴与相对速度之夹角;它的控制允许风筝俯冲和上升。d 倾斜角ψ改变升力的方向，其控制使翼型左右转动

机载风能（AWE）是一种轻型技术，它使用包括风筝和滑翔机在内的飞行设备从大气中获取能量。为了最大限度地利用它们提取的能量，这些设备需要精确控制它们的方向，以解释地球大气中的湍流。

通过发表在EPJ E上的新研究，意大利Abdus Salam国际理论物理中心的Antonio Celani及其同事展示了强化学习算法如何显着提高AWE设备解释湍流的能力。

AWE的建设成本远低于传统风力涡轮机，在将风力发电范围扩大到更贫穷、更偏远的社区方面可以证明是非常有价值的。为了提取风能，飞行设备要么被拴在地面站，在那里将电力转化为电能，要么用于牵引车辆。

该技术面临的主要挑战是在变化很大的风和天气条件下保持其性能。为此，研究人员目前使用计算机模型来预测大气的未来状态，允许风筝和滑翔机动态调整其方向。然而，由于湍流需要大量的计算能力才能精确地近似，因此在现有模型中经常被忽略，导致AWE系统的性能欠佳。

在他们的研究中，Celani的团队使用强化学习解决了这个问题：这是一种机器学习算法，它使用与周围环境的试错相互作用来计算风筝或滑翔机的哪个方向将从大气中提取最大可能的能量。作为概念验证，研究人员将该算法应用于被风筝拖曳的模拟船。

当发出一套简单的机动指令时，风筝使用强化学习将船拖曳长距离，即使事先不知道它将遇到的湍流。随着他们方法的早期成功，Celani及其同事现在希望强化学习的使用可以很快使AWE的覆盖范围在未来进一步扩大。