Mejora del rendimiento MPPT de una central eólica conectada a la red basada en un generador de inducción doblemente alimentado mediante una estrategia de control híbrida ANFIS‑PI

Turbinas eólicas más inteligentes para un clima cambiante

Los parques eólicos se están convirtiendo en una columna vertebral de la electricidad limpia, pero el viento real es desordenado: racheado, irregular y en constante cambio. Esto hace que sea sorprendentemente difícil para las turbinas exprimir cada vatio posible. Este artículo explora una nueva forma de “enseñar” a grandes turbinas eólicas conectadas a la red a reaccionar con más inteligencia ante vientos variables, de modo que puedan cosechar más energía del mismo viento mientras suministran un flujo estable de energía a la red.

Por qué importa aprovechar al máximo cada ráfaga

Las turbinas eólicas modernas no giran simplemente a una velocidad constante. En cambio, ajustan continuamente su velocidad de giro y la carga del generador, buscando el llamado punto de máxima potencia—el punto óptimo donde una determinada velocidad del viento produce la mayor electricidad. Esta tarea, conocida como seguimiento del punto de máxima potencia (MPPT), es especialmente importante para una máquina muy utilizada llamada Generador de Inducción Doblemente Alimentado (DFIG), que se conecta a la red mediante electrónica de potencia sofisticada. Los controladores tradicionales, basados principalmente en reglas matemáticas fijas, tienen dificultades cuando las condiciones del viento cambian rápidamente o cuando el comportamiento de la turbina se vuelve altamente no lineal. El resultado es que los parques eólicos reales con frecuencia quedan por debajo de su potencial teórico de generación.

Combinar reglas de tipo humano con aprendizaje automático

Para abordar estas limitaciones, los autores proponen una estrategia de control híbrida que acopla un controlador industrial clásico—llamado controlador proporcional‑integral (PI)—con un Sistema de Inferencia Neuro‑Difuso Adaptativo (ANFIS). ANFIS combina dos ideas: lógica difusa, que captura reglas de tipo «si‑entonces» semejantes al razonamiento humano, por ejemplo «si la velocidad del viento es moderada, entonces aumentar ligeramente el par», y redes neuronales, que aprenden a afinar esas reglas a partir de datos. En este estudio se usan registros reales de velocidad del viento y de potencia de la central eólica Adama II de Etiopía para entrenar el ANFIS. El controlador híbrido ANFIS‑PI supervisa entonces los convertidores de potencia back‑to‑back que enlazan el rotor de la turbina con la red eléctrica, ajustando constantemente corrientes y par para mantener la turbina cerca de su punto óptimo de operación a pesar de las variaciones del viento.

Dentro del gemelo digital de un parque eólico

El equipo construyó un detallado «gemelo digital» de una turbina eólica DFIG conectada a la red en MATLAB‑Simulink, una plataforma de simulación estándar en ingeniería. Su modelo incluye la aerodinámica de una turbina de eje horizontal, el comportamiento mecánico del engranaje y el rotor, y el funcionamiento electromagnético del generador y los convertidores. También modelaron los componentes del lado de la red, como filtros y transformadores, que condicionan la calidad de la energía entregada. Sobre este modelo físico implementaron tres estrategias de control en competencia: el controlador PI existente usado en Adama II (que sirve como referencia del mundo real), un controlador lógico‑difuso más PI (FLC‑PI) y el nuevo controlador híbrido ANFIS‑PI. Los tres se probaron con perfiles de viento reales y muy variables, que iban de condiciones de calma a ráfagas alrededor de 17 metros por segundo.

¿Cuánta potencia extra puede aportar la inteligencia?

El beneficio más visible del nuevo enfoque es un aumento en la potencia eléctrica máxima de la turbina bajo condiciones de viento nominal. A una velocidad típica de operación de 12,5 metros por segundo y un ángulo de paso de las palas de cero grados, el controlador PI de referencia alcanza aproximadamente 1,56 megavatios. El controlador FLC‑PI, mejorado con lógica difusa, eleva esto a cerca de 2,2 megavatios, ya un salto significativo. El controlador híbrido ANFIS‑PI va un poco más allá, entregando alrededor de 2,22 megavatios—un aumento de más del 42 por ciento respecto al esquema PI original. Un indicador clave de eficiencia, el coeficiente de potencia (una medida de cuánto de la energía cinética del viento se convierte en electricidad), mejora de aproximadamente 0,41 con el controlador PI a alrededor de 0,55 con ANFIS‑PI, acercándose a límites prácticos para turbinas comerciales. Las simulaciones también muestran que la velocidad del rotor y el par están mejor coordinados, lo que permite a la turbina seguir el pico de potencia móvil más de cerca a medida que el viento sube y baja.

Qué significa esto para los parques eólicos del futuro

Para los no especialistas, el mensaje principal es directo: al hacer más inteligente el «cerebro» de una turbina eólica, es posible obtener appreciablemente más energía limpia con el mismo equipo y el mismo viento. El controlador propuesto ANFIS‑PI aprende a partir de datos operativos reales y refina continuamente la respuesta de la turbina ante condiciones cambiantes, superando tanto a controladores tradicionales como a controladores inteligentes más sencillos. Aunque el estudio se centra en un parque eólico etíope y asume condiciones normales de red sin fallos, el método puede adaptarse a otros emplazamientos retrenando el módulo ANFIS con datos locales. En un mundo que corre por ampliar las renovables, tales estrategias de control inteligentes ofrecen una vía rentable para aumentar la producción y la estabilidad sin construir nuevas turbinas.

Cita: Biyazne, L.W., Tuka, M.B., Abebe, Y.M. et al. Enhancing MPPT performance of a grid-connected Doubly-Fed induction generator-based wind power plant using hybrid ANFIS-PI control strategy. Sci Rep 16, 5732 (2026). https://doi.org/10.1038/s41598-026-36021-3

Palabras clave: energía eólica, seguimiento del punto de máxima potencia, control inteligente, generador de inducción doblemente alimentado, sistemas neuro‑difusos