Optimización de turbinas eólicas con control predictivo basado en modelos - MATLAB & Simulink

Artículos técnicos

Reducción de cargas estructurales en turbinas eólicas con Machine Learning y control predictivo basado en modelos

Por Andreas Klein, Thorben Wintermeyer-Kallen y Maximilian Basler, Institute of Automatic Control, RWTH Aachen, y János Zierath, W2E Wind to Energy GmbH


El diseño basado en modelos fue fundamental en nuestro proceso de desarrollo... Este enfoque nos permitió probar el funcionamiento del controlador en una turbina eólica de 3 MW a escala real.

Para lograr cero emisiones netas en 2050, la producción de energía eólica debe mantener un crecimiento del 17% interanual. A medida que la capacidad total de energía instalada de las turbinas eólicas continúa creciendo en todo el mundo, la industria está intensificando su enfoque en optimizar la eficiencia operativa a largo plazo. Esto incluye no sólo aumentar la producción de energía, sino también reducir los costes de fabricación y mantenimiento, todo ello cumpliendo al mismo tiempo con normativas de red y seguridad. Lograr estos objetivos resulta difícilmente factible utilizando estrategias de control clásicas basadas en algoritmos Proporcional-Integral (PI) o Proporcional-Integral-Derivativo (PID). Como resultado, los grupos de investigación están explorando estrategias de control más avanzadas, como el control predictivo basado en modelos (MPC).

El MPC es adecuado para aplicaciones de control de WT porque puede condensar múltiples objetivos de control y restricciones, a veces conflictivos, en un problema de optimización. De hecho, nuestros colegas ya han demostrado la eficacia del MPC para el control de turbinas eólicas con un diseño de controlador basado en modelos y prototipado rápido de control.

Recientemente, un equipo de investigadores de Institute of Automatic Control de RWTH Aachen e ingenieros de W2E Wind to Energy GmbH) ampliaron este trabajo anterior, integrando un modelo de regresión de Machine Learning en el MPC. Con esta mejora, el controlador ajusta de forma proactiva los ángulos de inclinación de las palas y el torque del generador para reducir la alternancia de carga en la WT, para reducir los riesgos de desgaste y daños a largo plazo. Los algoritmos que utilizamos provienen del proyecto de investigación con número de subvención 01IS22028A/B de IntelliWind. El diseño basado en modelos fue fundamental para nuestro proceso de desarrollo: Usamos MATLAB® para entrenar el modelo de Machine Learning que asigna los estados dinámicos del modelo de predicción interna del MPC al cambio de fuerza de propulsión en el rotor, Simulink® y Model Predictive Control Toolbox™ para modelar y simular ampliamente el controlador, y Simulink Coder™ para generar código para su implementación en un sistema de control industrial Bachmann. Este enfoque nos permitió probar el funcionamiento del controlador en una WT de 3 MW a escala real operado por W2E Wind to Energy (Figura 1), un paso importante para validar la preparación para la producción de este novedoso diseño de controlador.

Turbina eólica en un campo abierto, vista desde el suelo.

Figura 1. Turbina eólica de 3 MW diseñada y construida por W2E Wind to Energy GmbH en Rostock, Alemania.

Entrenamiento del modelo de Machine Learning incorporado al MPC

El rendimiento y la estabilidad de un MPC están altamente influenciados por la precisión y fidelidad de su modelo de predicción. Dado que los modelos de mayor fidelidad suelen requerir una alta carga computacional, existe un tradeoff en el diseño de MPC. Por ejemplo, incorporar un modelo de dinámica de fluidos computacional completo para un WT en un MPC no es práctico porque el tiempo necesario para generar predicciones a partir de dicho modelo probablemente excedería el tiempo de muestreo del controlador.

Para resolver este tradeoff de diseño entre fidelidad e intensidad computacional, utilizamos un modelo de Machine Learning, específicamente, un modelo neurodifuso lineal local (LLNFM], para predecir rápidamente los cambios en la fuerza de empuje en el rotor de la turbina. En el MPC, combinamos este LLNFM con un modelo no lineal de orden reducido de la WT (Figura 2). Sin embargo, antes de incorporarlo a nuestro diseño de control, primero necesitamos entrenar el modelo de Machine Learning.

Esquema del modelo de orden reducido y un esquema del modelo neurodifuso lineal local, junto con un diagrama que muestra dónde se incorporan estos modelos en el rotor de la turbina eólica.

Figura 2. Integración del modelo neurodifuso lineal local (derecha) con un modelo de orden reducido (izquierda) compuesto por un submodelo mecánico para la dinámica de transmisión del tren de potencia, un submodelo mecánico para la dinámica de la torre del rotor y las palas, y un tercer submodelo para la aerodinámica.

El entrenamiento de un modelo de Machine Learning, como LLNFM, requiere datos. Generamos datos de entrenamiento sintéticos utilizando el software de alaska/Wind, en el que modelamos y simulamos cargas internas en el rotor en función de las fuerzas del viento externas. En particular, realizamos simulaciones para medir la fuerza de empuje del rotor en una variedad de condiciones de viento, incluidas velocidades variables y ráfagas de operación extremas. Luego importamos estos datos a MATLAB y los preprocesamos. Los pasos de preprocesamiento son: cálculo de la derivada de tiempo (porque queríamos entrenar el modelo con el cambio en la fuerza de empuje a lo largo del tiempo) y aplicar un filtro de paso bajo para eliminar las acciones de alta frecuencia inducidas por la estocástica del viento (Figura 3).

Modelo simulado de la turbina eólica y gráfico que representa los datos sin procesar recopilados, dos gráficos que muestran los datos sin procesar filtrados por tiempo y frecuencia, y un gráfico que muestra los resultados del entrenamiento del modelo.

Figura 3. Descripción general del flujo de trabajo: captura de datos de simulación, preprocesamiento de datos para entrenar un modelo neurodifuso lineal local.

Construimos y entrenamos el LLNFM utilizando el algoritmo LOLIMOT (LOcal LInear MOdel Tree), proporcionado por LMN-Tool, una toolbox de MATLAB de la Universidad de Siegen. Utilizamos LLNFM, ya que representa relaciones no lineales pero ofrece una complejidad manejable en comparación con otras técnicas de Machine Learning. Esto conduce a una mayor interpretabilidad, lo que constituye una ventaja en aplicaciones de control del mundo real en las que reducir el riesgo de daño potencial a la planta es una preocupación clave.

Una vez entrenado y validado el LLNFM, utilizamos el marco simbólico CasADi para crear una expresión simbólica basada en el modelo y calcular el jacobiano del modelo con respecto a los estados del sistema. Creamos una Función S basada en esta expresión simbólica del modelo y su jacobiano. En Simulink, esta función S se llama para obtener un modelo de espacio de estado linealizado en el filtro Kalman extendido (EKF) del controlador y se invoca mediante el bloque Adaptive MPC Controller para estimar los estados del modelo de predicción a medida que cambian las condiciones de operación (Figura 3).

Simulación y ajuste del controlador

Con el modelo de Machine Learning integrado en el MPC, nuestro siguiente paso fue ejecutar simulaciones para ajustar el controlador y evaluar su rendimiento. El controlador está diseñado para maximizar la potencia de salida y minimizar la carga estructural.

Realizamos numerosas simulaciones a distintas velocidades de viento, desde la velocidad de inicio hasta la velocidad de fin del viento. Luego analizamos los resultados en MATLAB y comparamos el rendimiento del nuevo MPC mejorado con Machine Learning con el MPC existente y un sistema de control clásico de referencia. Si bien el MPC mejorado con Machine Learning tuvo solo una influencia menor en la dinámica del empuje en régimen de carga parcial (velocidades del viento más bajas), en régimen de carga completa (velocidades del viento más altas) redujo la dinámica del empuje en el rango de frecuencia alrededor del primer modo propio dominante de la torre (Figura 4). Los resultados de la simulación mostraron que el MPC mejorado con Machine Learning produce energía similar a la del MPC existente (Figura 5).

Dos gráficos que representan la fuerza de empuje en condiciones de carga completa y parcial, cada uno mostrando resultados para la línea de base, MPC sin Machine Learning y MPC con controladores de Machine Learning.

Figura 4. Gráficos de la densidad espectral de potencia de la fuerza de empuje en condiciones de carga parcial (izquierda) y condiciones de carga completa (derecha) para tres tipos de controladores: línea base (negro), MPC sin Machine Learning (azul) y MPC con Machine Learning (rojo).

Gráfico que muestra salidas de potencia simuladas para varias velocidades del viento para el MPC mejorado con Machine Learning, el MPC sin Machine Learning y alternativas de control de referencia.

Figura 5. Gráficos de salida de potencia simulada para varias velocidades de viento, que muestran una salida similar para el MPC mejorado con Machine Learning (rojo), el MPC sin Machine Learning (azul) y las alternativas de control de referencia (negro).

Implementación y prueba en una turbina eólica real

Si bien las simulaciones nos dieron confianza en nuestro diseño de control, ver cómo funcionaría en la WT real y evaluar su robustez en condiciones operativas del mundo real también fue vital para nuestro proyecto de investigación. Para lograr este objetivo, utilizamos Simulink Coder con M-Target para Simulink para generar código desde nuestro controlador para el PLC MH230 de Bachmann Electronic GmbH, que está instalado en la WT W2E Wind to Energy. Las pruebas de campo se realizaron con éxito, confirmando el funcionamiento estable del reactor a escala real en régimen de carga parcial y carga completa (Figura 6).

Serie de gráficos que muestran los resultados del nuevo MPC mejorado con Machine Learning mientras controla la turbina de 3 MW en Rostock. Los gráficos representan variables de velocidad del viento, velocidad del generador, potencia, ángulo de inclinación y torque del generador a lo largo del tiempo.

Figura 6. Resultados de pruebas de campo experimentales del nuevo MPC mejorado con Machine Learning que controla la turbina eólica de 3 MW en Rostock.

Así, en esta primera prueba de concepto, demostramos la posibilidad general de utilizar una extensión de Machine Learning en algoritmos MPC avanzados en WT a escala real. Esto nos permitirá en el futuro probar algoritmos de Machine Learning más complejos en experimentos y mejorar aún más el funcionamiento de las turbinas eólicas.

A corto plazo, esperamos realizar pruebas de campo más exhaustivas en la WT y las oportunidades que nos brindarán para optimizar y ajustar aún más el controlador. También estamos explorando otras posibles mejoras, incluido el uso de sensores de LiDAR para proporcionar al controlador estimaciones de propagación de viento más precisas y el uso de control individual de inclinación de las palas (en lugar de control colectivo de inclinación de las palas) para aumentar aún más la precisión y el rendimiento del control.

Expresiones de gratitud

Las figuras 2 y 3 son adaptaciones del artículo, Control-Oriented Wind Turbine Load Estimation Based on Local Linear Neuro-Fuzzy Models (2024), publicado en Journal of Physics: Conference Series, under the Creative Commons Attribution 4.0 License. Las figuras han sido modificadas respecto a sus versiones originales.

Publicado en 2024

Artículos sobre prestaciones afines

Artículos sobre industrias afines