Questa pagina è stata tradotta automaticamente.
Completa un sondaggio di 1 minuto sulla qualità di questa traduzione.
Riduzione dei carichi strutturali sulle turbine eoliche con Machine Learning e Model Predictive Control
Andreas Klein, Thorben Wintermeyer-Kallen e Maximilian Basler, Institute of Automatic Control, RWTH Aachen, e János Zierath, W2E Wind to Energy GmbH
La progettazione Model-Based è stata fondamentale per il nostro processo di sviluppo. Questo approccio ci ha consentito di testare il funzionamento del controller su una turbina eolica da 3 MW a grandezza naturale.
Per raggiungere le emissioni NET Zero entro il 2050, la produzione di energia eolica deve mantenere 17% crescita annuale. Mentre la capacità energetica totale installata delle turbine eoliche (WT) continua a crescere in tutto il mondo, il settore sta intensificando la propria attenzione sull'ottimizzazione dell'efficienza operativa a lungo termine. Ciò include non solo la massimizzazione della potenza in uscita, ma anche la riduzione al minimo dei costi di produzione e manutenzione, il tutto garantendo la sicurezza e la conformità alla rete. Il raggiungimento di tutti questi obiettivi è difficilmente gestibile utilizzando strategie di controllo classiche basate su algoritmi Proporzionale-Integrale (PI) o Proporzionale-Integrale-Derivativo (PID). Di conseguenza, gruppi di ricerca hanno esplorato l'uso di strategie di controllo più avanzate, tra cui il Model Predictive Control (MPC).
L'MPC è particolarmente adatto alle applicazioni di controllo WT perché è in grado di condensare molteplici obiettivi e vincoli di controllo, a volte contrastanti, in un problema di ottimizzazione. In effetti, i nostri ex colleghi hanno già ha dimostrato l'efficacia dell'MPC per il controllo delle turbine eoliche mediante l'utilizzo di un design del controller Model-Based e di una prototipazione rapida del controllo.
Di recente, noi (un team di ricercatori dell'Istituto di controllo automatico presso la RWTH di Aquisgrana e ingegneri della W2E Wind to Energy GmbH) abbiamo ampliato questo lavoro precedente, integrando un modello di regressione di Machine Learning nell'MPC. Grazie a questo miglioramento, il controller regola in modo proattivo gli angoli di inclinazione delle pale e la coppia del generatore per ridurre al minimo l'alternanza del carico sul WT, con l'obiettivo di ridurre i rischi di usura e danni a lungo termine. Gli algoritmi che abbiamo utilizzato provengono dal progetto di ricerca IntelliWind con numero di sovvenzione 01IS22028A/B. La progettazione Model-Based è stata determinante per il nostro processo di sviluppo: Abbiamo utilizzato MATLAB® per addestrare il modello di Machine Learning che mappa gli stati dinamici del modello di previsione interno dell'MPC al cambiamento della forza di spinta sul rotore, Simulink® e Model Predictive Control Toolbox™ per modellare e simulare ampiamente il controller e Simulink Coder™ per generare codice da distribuire su un sistema di controllo industriale Bachmann. Questo approccio ci ha consentito di testare il funzionamento del controller su un WT da 3 MW a grandezza naturale gestito da W2E Wind to Energy (Figura 1), un passo importante per validare la prontezza alla produzione di questo nuovo progetto di controller.
Addestramento e incorporamento del modello di Machine Learning in MPC
Le prestazioni e la stabilità di un MPC sono fortemente influenzate dall'accuratezza e dalla fedeltà del suo modello di previsione. Dato che i modelli ad alta fedeltà sono spesso più intensivi dal punto di vista computazionale, la progettazione MPC richiede un compromesso. Ad esempio, incorporare un modello completo di fluidodinamica computazionale per un WT in un MPC non è pratico perché il tempo necessario per generare previsioni da un tale modello supererebbe probabilmente di gran lunga il tempo di campionamento del controller.
Per risolvere questo compromesso progettuale tra fedeltà e intensità computazionale, abbiamo utilizzato un modello di Machine Learning, in particolare un modello neuro-fuzzy lineare locale (LLNFM), per prevedere rapidamente le variazioni della forza di spinta sul rotore della turbina. Nell'MPC, abbiamo combinato questo LLNFM con un modello non lineare di ordine ridotto del WT (Figura 2). Tuttavia, prima di incorporarlo nel nostro progetto di controllo, abbiamo dovuto addestrare il modello di Machine Learning.
Per addestrare qualsiasi modello di Machine Learning, incluso il nostro LLNFM, sono necessari dati. Abbiamo generato dati di addestramento sintetici utilizzandoil software Alaska/Wind, in cui abbiamo modellato e simulato i carichi interni sul rotore in base alle forze del vento esterne. In particolare, abbiamo eseguito delle simulazioni per misurare la forza di spinta sul rotore in diverse condizioni del vento, tra cui diverse velocità e raffiche di vento estreme. Abbiamo quindi importato questi dati in MATLAB e li abbiamo pre-elaborati. I passaggi di pre-elaborazione includevano il calcolo della derivata temporale (perché volevamo addestrare il modello su modifica nella forza di spinta nel tempo) e applicando un filtro passa-basso per eliminare le quote ad alta frequenza indotte dagli effetti stocastici del vento (Figura 3).
Abbiamo costruito e addestrato l'LLNFM utilizzando l'algoritmo LOLIMOT (LOcal LInear MOdel Tree), fornito da LMN-Tool, un toolbox MATLAB dell'Università di Siegen. Utilizziamo l'LLNFM perché rappresenta relazioni non lineari ma offre una complessità gestibile rispetto ad altre tecniche di Machine Learning. Ciò comporta una maggiore interpretabilità, il che rappresenta un vantaggio nelle applicazioni di controllo nel mondo reale, in cui ridurre al minimo il rischio di potenziali danni all'impianto è una preoccupazione fondamentale.
Una volta addestrato e verificato il LLNFM, abbiamo utilizzato il framework simbolico CasaDi per creare un'espressione simbolica basata sul modello e calcolare lo Jacobiano del modello rispetto agli stati del sistema. Abbiamo creato una Funzione S sulla base di questa espressione simbolica del modello e del suo giacobino. In Simulink, questa Funzione S viene chiamata per ottenere un modello di spazio di stato linearizzato nel filtro di Kalman esteso (EKF) del controller e invocata dal blocco Adaptive MPC Controller per stimare gli stati del modello di previsione al variare delle condizioni operative (Figura 3).
Simulazione e messa a punto del controller
Con il modello di Machine Learning integrato nell'MPC, il nostro passo successivo è stato quello di eseguire delle simulazioni per mettere a punto il controller e valutarne le prestazioni. Il controller è progettato per massimizzare la potenza in uscita riducendo al minimo il carico strutturale.
Abbiamo eseguito numerose simulazioni a diverse velocità del vento, dalla velocità di entrata alla velocità di uscita. Abbiamo quindi analizzato i risultati in MATLAB e confrontato le prestazioni del nuovo MPC potenziato da Machine Learning con l'MPC esistente e con un sistema di controllo classico di base. Mentre l'MPC migliorato da Machine Learning ha avuto solo un'influenza minima sulla dinamica della spinta in regime di carico parziale (velocità del vento inferiori), in regime di pieno carico (velocità del vento superiori) ha ridotto la dinamica della spinta nell'intervallo di frequenza attorno alla prima modalità propria della torre dominante (Figura 4). I risultati della simulazione hanno mostrato che l'MPC potenziato da Machine Learning produce energia simile all'MPC esistente (Figura 5).
Distribuzione e test su una vera turbina eolica
Sebbene le simulazioni ci abbiano dato fiducia nella progettazione del nostro controllo, è stato fondamentale per il nostro progetto di ricerca anche vedere come si sarebbe comportato sul WT reale e valutarne la robustezza in condizioni operative reali. Per raggiungere questo obiettivo, abbiamo utilizzato Simulink Coder con M-Target per Simulink per generare il codice dal nostro controller per il PLC MH230 della Bachmann Electronic GmbH, installato nel W2E Wind to Energy WT. I test sul campo hanno avuto esito positivo, confermando il funzionamento stabile del WT a grandezza naturale in regime di carico parziale e pieno carico (Figura 6).
Pertanto, in questa prima dimostrazione di concetto, abbiamo dimostrato la possibilità generale di utilizzare un'estensione di Machine Learning in algoritmi MPC avanzati su WT su larga scala. Ciò ci consentirà in futuro di testare algoritmi di Machine Learning più complessi in esperimenti e di migliorare ulteriormente il funzionamento delle turbine eoliche.
Nel breve termine, prevediamo di effettuare test sul campo più approfonditi sul WT e di cogliere le opportunità che ciò ci offrirà per ottimizzare e mettere a punto ulteriormente il controller. Stiamo inoltre valutando diversi altri potenziali miglioramenti, tra cui l'uso di sensori lidar per fornire al controller stime più accurate della propagazione del vento e l'uso del controllo individuale del passo delle pale, anziché del controllo collettivo del passo delle pale, per aumentare ulteriormente la precisione e le prestazioni del controllo.
Ringraziamenti
La figura 2 e la figura 3 sono adattate dal documento, Control-Oriented Wind Turbine Load Estimation Based on Local Linear Neuro-Fuzzy Models (2024), pubblicato sul Journal of Physics: Serie di conferenze, incluse in Creative Commons Attribution 4.0 License. Le figure sono state modificate rispetto alla versione originale.
Pubblicato nel 2024