Questa pagina è stata tradotta automaticamente.
Completa un sondaggio di 1 minuto sulla qualità di questa traduzione.
Miglioramento del controllo predittivo basato su modello delle turbine eoliche mediante Machine Learning
L’approccio aiuta a ridurre i carichi dinamici sulle turbine di grandi dimensioni
“I vantaggi di un controller predittivo basato su modello potenziato dal Machine Learning possono essere dimostrati sia in simulazione sia in un ambiente di test sul campo reale.”
Risultati chiave
- Il controller predittivo basato su modello potenziato con Machine Learning è stato validato con successo tramite test basati su scenari, comprendenti sia simulazioni ad alta fedeltà sia prove sul campo effettuate su una turbina eolica a piena scala.
- Le simulazioni hanno mostrato che il controller riduceva in modo significativo le fluttuazioni della forza di spinta, soprattutto intorno alle frequenze critiche.
- MATLAB e Simulink hanno permesso un rapido preprocessing, lo sviluppo del modello, la simulazione e la generazione automatica del codice per l’implementazione sul controller reale della turbina.
Gli ingegneri della RWTH Aachen University e W2E Wind to Energy GmbH stanno affrontando le sfide poste dalle turbine eoliche sempre più grandi e leggere, che risultano più soggette a carichi dinamici e oscillazioni strutturali. Per migliorare le strategie di controllo, hanno sviluppato un avanzato controller predittivo basato su modello (MPC) potenziato con un componente di Machine Learning, in grado di prevedere e mitigare più efficacemente le fluttuazioni della forza di spinta.
Utilizzando MATLAB® e Simulink®, gli ingegneri hanno modellato la dinamica della turbina eolica e progettato l'MPC. Hanno utilizzato MATLAB per la preelaborazione dei dati e hanno addestrato un modello neuro-fuzzy lineare locale per prevedere le variazioni della forza di spinta. Il controller è stato validato tramite simulazioni e test Software-In-the-Loop, quindi implementato su una turbina eolica in scala reale da 3 megawatt utilizzando Simulink Coder™ per la generazione automatica del codice. Questo approccio integrato ha aumentato l’efficacia nella riduzione dei carichi e ha dimostrato la fattibilità pratica della combinazione tra Machine Learning e progettazione Model-Based per il controllo delle turbine eoliche.
I prodotti utilizzati
Ulteriori risorse
