Mejora dinámica del rendimiento del ángulo de paso de palas ajustable para aplicaciones en sistemas de generación eólica basada en técnicas de control con redes neuronales artificiales

Generación eólica más inteligente para la vida cotidiana

A medida que una mayor proporción de nuestra electricidad procede del viento, mantener las luces encendidas durante rachas y calmas se convierte en un acto de equilibrio delicado. Este estudio explora cómo enseñar a los ordenadores a ajustar la inclinación de las palas de las turbinas en tiempo real puede ayudar a los parques eólicos a suministrar energía más estable y eficiente a la red, incluso cuando el tiempo es impredecible.

Por qué es difícil lograr energía eólica estable

La energía eólica es limpia y abundante, pero el viento nunca es constante. Cuando la velocidad del viento sube demasiado, las turbinas deben protegerse frente al esfuerzo mecánico; cuando baja, hay que capturar cada movimiento posible. Las turbinas modernas abordan esto cambiando el ángulo de sus palas, un movimiento conocido como control de paso, de modo que la velocidad del rotor y la salida eléctrica se mantengan cerca de sus valores ideales. Los métodos de control tradicionales usan reglas simples ajustadas a un modelo matemático de la turbina. Estos métodos funcionan, pero pueden tener dificultades con el comportamiento desordenado y no lineal del viento real, a veces reaccionando demasiado despacio o sobrepasando sus objetivos.

Enseñar a una turbina a leer el viento

Los investigadores se centraron en un diseño común de turbina grande que utiliza un generador de inducción de doble alimentación con una potencia nominal de 1,5 megavatios. Compararon tres tipos de controladores para el ángulo de las palas. El primero fue el conocido controlador proporcional–integral–derivativo, que responde a la diferencia entre la potencia o la velocidad deseadas y las reales. El segundo fue una versión fraccionaria más flexible de este controlador. La tercera familia empleó redes neuronales artificiales que aprenden a partir de datos la mejor forma de responder. Dentro de esta familia el equipo probó tres diseños de red: una red multicapa feedforward, una red cascade forward y una red recurrente de Elman que puede recordar comportamientos pasados a lo largo del tiempo.

Poner el control inteligente a prueba

Para ver cómo se comportaban estos enfoques en condiciones realistas, el equipo ejecutó simulaciones detalladas en MATLAB y Simulink usando registros reales de velocidad del viento. Examinaron tres tipos de cambios en el viento: escalones bruscos, rampas suaves y patrones altamente irregulares y aleatorios. En cada caso observaron qué tan bien los controladores mantenían la potencia mecánica de la turbina cerca de su valor nominal mientras limitaban los cambios rápidos en el ángulo de las palas. Todos los controladores basados en redes neuronales redujeron el error en comparación con los métodos tradicionales, pero destacó el diseño multicapa feedforward. Alcanzó el nivel de potencia deseado más rápido, con diferencias estacionarias menores y logró el menor error cuadrático medio en todos los casos de prueba.

Ganancias en eficiencia y protección

Ante saltos repentinos del viento, el controlador de red neuronal mantuvo la turbina funcionando en torno al 98,9 por ciento de su potencia nominal, notablemente superior a cualquiera de los controladores estándar. Durante variaciones de viento en rampa y aleatorias también ofreció mayor eficiencia y desviaciones de potencia menores. Al ajustar el ángulo de las palas de forma más suave, ayudó a mantener la mejor combinación entre la velocidad de las palas y la captura del viento, a la vez que redujo el esfuerzo mecánico que puede acortar la vida útil de la turbina. Aunque otros diseños de redes neuronales también tuvieron buen rendimiento, requirieron mayor esfuerzo computacional sin igualar el mismo equilibrio entre rapidez y precisión.

Qué significa esto para los parques eólicos del futuro

En términos sencillos, el estudio muestra que una red neuronal bien entrenada puede actuar como un operador experto que vigila el cielo y ajusta constantemente las palas de las turbinas para seguridad y producción. Entre las opciones evaluadas, la red multicapa feedforward ofreció el control más preciso y adaptable, manteniendo la potencia cerca de su objetivo y aliviando el desgaste del equipo. A medida que estos controladores inteligentes pasen de la simulación a turbinas reales, podrían ayudar a que los parques eólicos suministren energía limpia más fiable sin necesidad de equipos nuevos importantes, simplemente aprovechando mejor cada ráfaga.

Cita: 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

Palabras clave: control de aerogenerador, ángulo de paso de la pala, red neuronal, energía renovable, generador de inducción de doble alimentación