تحسين الأداء الديناميكي لزاوية ميل الشفرات القابلة للتعديل لتطبيقات أنظمة توليد الطاقة من الرياح استنادًا إلى تقنيات التحكم بالشبكات العصبية الاصطناعية

طاقة رياح أذكى للحياة اليومية

مع ازدياد حصة الكهرباء المستخرجة من الرياح، يصبح الحفاظ على إضاءة المنازل خلال الهبات والهدوء توازنًا دقيقًا. تستعرض هذه الدراسة كيف يمكن لتعليم الحواسيب ضبط ميل شفرات التوربين في الوقت الحقيقي أن يساعد مزارع الرياح على توفير طاقة أكثر استقرارًا وكفاءة للشبكة، حتى عندما يكون الطقس غير متوقع.

لماذا يصعب الحصول على طاقة رياح مستقرة

طاقة الرياح نظيفة ومتوفرة، لكن الريح نفسها لا تبقى ثابتة. عندما ترتفع سرعة الرياح كثيرًا يجب حماية التوربينات من الإجهاد الميكانيكي؛ وعندما تهبّ خفيفة يجب التقاط كل حركة ممكنة. تواجه التوربينات الحديثة هذا بتغيير زاوية شفراتها، وهو ما يُعرف بتحكم الميل (pitch control)، بحيث تظل سرعة الدوار والمخرَج الكهربائي قريبة من القيم المثالية. تعتمد طرق التحكم التقليدية على قواعد بسيطة مضبوطة بحسب نموذج رياضي للتوربين. هذه الطرق مجدية، لكنها قد تواجه صعوبة مع السلوك الفوضوي وغير الخطي للرياح الحقيقية، فتستجيب أحيانًا ببطء أو تتجاوز الهدف المطلوب.

تعليم التوربين قراءة الرياح

ركز الباحثون على تصميم توربين شائع بقوة اسمية 1.5 ميغاوات يستخدم مولد حثي مزدوج التغذية. قارنوا ثلاثة أنواع من المتحكمات لزاوية الشفرات. الأول هو المتحكم التقليدي النسبـي–التكاملي–التفاضلي (PID)، الذي يستجيب للفارق بين القدرة أو السرعة المطلوبة والفعلية. الثاني كان نسخة كسرية أكثر مرونة من هذا المتحكم. العائلة الثالثة استخدمت شبكات عصبية اصطناعية تتعلم من البيانات كيفية الاستجابة بأفضل شكل. ضمن هذه العائلة اختبر الفريق ثلاثة تصاميم شبكية: شبكة متعددة الطبقات أمامية التغذية، وشبكة أمامية التغذية متسلسلة (cascade forward)، وشبكة إلمان المتكررة التي تستطيع تذكر السلوك السابق عبر الزمن.

اختبار التحكم الذكي

لمعرفة كيفية تصرُّف هذه الأساليب في ظروف واقعية، أجرى الفريق محاكاة مفصّلة في MATLAB وSimulink باستخدام سجلات سرعات رياح حقيقية. درسوا ثلاثة أنواع من تغيرات الريح: قفزات مفاجئة، ومنحدرات سلسة، وأنماط عشوائية شديدة التغير. في كل حالة راقبوا مدى قدرة المتحكمات على إبقاء الطاقة الميكانيكية للتوربين قريبة من قيمتها الاسمية مع تقليل التغيرات السريعة في زاوية الشفرات. قلّلت جميع المتحكمات الشبكية من الخطأ مقارنةً بالطرق التقليدية، لكن تصميم الشبكة متعددة الطبقات الأمامي تميز. وصل إلى مستوى القدرة المطلوب أسرع، بفروق ثابتة أصغر، وحقق أدنى خطأ متوسط تربيعي عبر كل حالات الاختبار.

تحسن في الكفاءة والحماية

في مواجهة القفزات المفاجئة في الرياح، حافظ المتحكم الشبكي العصبي على تشغيل التوربين عند نحو 98.9 بالمئة من قدرته الاسمية، وهي نسبة أعلى بشكل ملحوظ من أي من المتحكِّمين التقليديين. أثناء تقلبات الرياح المنحدرة والعشوائية قدّم أيضًا كفاءة أعلى وانحرافات قدرة أصغر. من خلال ضبط زاوية الشفرات بسلاسة أكبر، ساعد المتحكم على الحفاظ على أفضل توازن بين سرعة الشفرات واقتناص الريح مع تقليل الإجهاد الميكانيكي الذي قد يقصّر عمر التوربين. رغم أن تصاميم شبكات عصبية أخرى أدت أداءً جيدًا أيضًا، إلا أنها تطلبت جهدًا حسابيًا أكبر دون أن تُطابق نفس توازن السرعة والدقة.

ماذا يعني هذا لمزارع الرياح المستقبلية

بعبارة بسيطة، تُظهر الدراسة أن الشبكة العصبية المدربة جيدًا يمكن أن تعمل كمشغِّل ماهر يراقب السماء ويضبط شفرات التوربين باستمرار من أجل السلامة والإنتاج. من بين الخيارات المختبرة، قدمت الشبكة متعددة الطبقات الأمامية أكثر تحكّمًا دقة ومرونة، محافظةً على الطاقة قريبة من الهدف ومخففةً من تآكل المعدات. مع انتقال هذه المتحكمات الذكية من المحاكاة إلى التوربينات الحقيقية، يمكن أن تساعد مزارع الرياح على توفير طاقة نظيفة أكثر موثوقية دون معدات جديدة كبيرة، وذلك ببساطة عن طريق استغلال كل هبة ريح بكفاءة أكبر.

الاستشهاد: Ameen, A.G., Mohamed, S., Abdel-Jaber, G.T. et al. Dynamic performance enhancement of adjustable blade pitch angle for wind generation system applications based on artificial neural network control techniques. Sci Rep 16, 16294 (2026). https://doi.org/10.1038/s41598-026-53411-9

الكلمات المفتاحية: تحكم توربين الرياح, زاوية ميل الشفرة, شبكة عصبية, الطاقة المتجددة, مولد الحث المزدوج التغذية