Esta página fue traducida automáticamente.
Complete una encuesta de 1 minuto sobre la calidad de esta traducción.
Optimización del control predictivo basado en modelos de turbinas eólicas con Machine Learning
El enfoque permite reducir las cargas dinámicas en grandes turbinas
“Las ventajas de un controlador predictivo basado en modelos e impulsado por Machine Learning se evidencian en simulación como en un entorno de pruebas de campo real”.
Resultados principales
- El controlador predictivo basado en modelos mejorado con Machine Learning fue validado con éxito a través de pruebas basadas en escenarios, así como simulaciones de alta fidelidad y pruebas de campo realizadas en una turbina eólica a escala completa.
- Las simulaciones mostraron que el control redujo de manera sustancial las fluctuaciones de la fuerza de propulsión, especialmente alrededor de frecuencias clave.
- MATLAB y Simulink permitieron un rápido preprocesamiento, desarrollo de modelos, simulación y generación automática de código para el despliegue en el controlador real de la turbina.
Los ingenieros de RWTH Aachen University y W2E Wind to Energy GmbH abordan los desafíos planteados por las turbinas eólicas cada vez más grandes y ligeras, que son más susceptibles a las cargas dinámicas y a las oscilaciones estructurales. Para mejorar las estrategias de control, desarrollaron un controlador predictivo basado en modelos (MPC) avanzado, complementado con un componente de Machine Learning para predecir y mitigar mejor las fluctuaciones de la fuerza de propulsión.
Con MATLAB® and Simulink®, los ingenieros modelaron la dinámica de la turbina eólica y diseñaron el MPC. Utilizaron MATLAB para el preprocesamiento de datos y entrenaron un modelo neurodifuso lineal local para predecir cambios en la propulsión. El controlador fue validado a través de simulaciones y pruebas de software-in-the-loop, y luego se implementó en una turbina eólica de 3 megavatios a escala completa utilizando Simulink Coder™ para la generación automatizada de código. Este enfoque integrado mejoró la reducción de carga y demostró la viabilidad práctica de combinar Machine Learning con diseño basado en modelos para el control de turbinas eólicas.
Productos utilizados
Recursos relacionados
