Amélioration dynamique des performances de l’angle de pas réglable des pales pour les systèmes de production éolienne basée sur des techniques de contrôle par réseaux de neurones artificiels

Une électricité éolienne plus intelligente pour la vie quotidienne

À mesure que l’énergie éolienne couvre une part croissante de notre électricité, maintenir l’éclairage durant les rafales et les accalmies devient un exercice d’équilibre délicat. Cette étude examine comment apprendre à des ordinateurs à ajuster en temps réel l’inclinaison des pales des turbines peut aider les parcs éoliens à fournir une puissance plus stable et plus efficace au réseau, même quand la météo est imprévisible.

Pourquoi la production éolienne stable est difficile

L’énergie éolienne est propre et abondante, mais le vent n’est jamais constant. Quand la vitesse du vent augmente trop, il faut protéger les turbines contre les contraintes mécaniques ; quand elle diminue, il faut capter la moindre énergie disponible. Les turbines modernes gèrent cela en modifiant l’angle de leurs pales, un mouvement appelé contrôle du pas, afin que la vitesse du rotor et la production électrique restent proches des valeurs optimales. Les méthodes de contrôle traditionnelles utilisent des règles simples ajustées sur un modèle mathématique de la turbine. Elles fonctionnent, mais peinent parfois face au comportement désordonné et non linéaire du vent réel, réagissant trop lentement ou dépassant leur objectif.

Apprendre à une turbine à lire le vent

Les chercheurs se sont concentrés sur un modèle courant de grosse turbine équipé d’un générateur asynchrone à double alimentation de 1,5 mégawatt. Ils ont comparé trois types de régulateurs d’angle de pale. Le premier était l’habituel contrôleur proportionnel–intégral–dérivé, qui réagit à l’écart entre la puissance ou la vitesse désirée et la valeur réelle. Le second était une version fractionnaire plus souple de ce contrôleur. Le troisième groupe utilisait des réseaux de neurones artificiels qui apprennent à partir de données la meilleure réponse à adopter. Dans cette famille, l’équipe a testé trois architectures : un réseau feedforward multicouche, un réseau cascade feedforward et un réseau récursif d’Elman capable de mémoriser le comportement passé dans le temps.

Tester le contrôle intelligent

Pour évaluer ces approches en conditions réalistes, l’équipe a réalisé des simulations détaillées sous MATLAB et Simulink en utilisant des enregistrements réels de vitesses de vent. Ils ont examiné trois types de variations : des sauts brusques, des rampes lisses et des motifs aléatoires très irréguliers. Dans chaque cas, ils ont observé la capacité des contrôleurs à maintenir la puissance mécanique de la turbine proche de sa valeur nominale tout en limitant les changements rapides d’angle des pales. Tous les contrôleurs par réseau de neurones ont réduit l’erreur par rapport aux méthodes traditionnelles, mais l’architecture feedforward multicouche s’est distinguée. Elle atteignait le niveau de puissance désiré plus rapidement, avec des écarts à l’équilibre plus faibles, et présentait la plus faible erreur quadratique moyenne sur l’ensemble des scénarios testés.

Gains d’efficacité et de protection

Lors de sauts brusques de vent, le contrôleur par réseau de neurones a maintenu la turbine à environ 98,9 % de sa puissance nominale, nettement supérieur aux deux contrôleurs standards. Lors des variations en rampe et aléatoires, il a aussi fourni une efficacité supérieure et des écarts de puissance plus faibles. En ajustant l’angle des pales de manière plus douce, il a contribué à conserver le meilleur compromis entre vitesse de pale et capture du vent tout en réduisant les contraintes mécaniques susceptibles de raccourcir la durée de vie de la turbine. Bien que d’autres architectures de réseaux aient également donné de bons résultats, elles demandaient plus de ressources de calcul sans égaler l’équilibre vitesse/précision offert par le feedforward multicouche.

Ce que cela signifie pour les parcs éoliens futurs

En termes simples, l’étude montre qu’un réseau de neurones bien entraîné peut agir comme un opérateur expérimenté, observant le ciel et affinant en continu le réglage des pales pour la sécurité et la production. Parmi les options testées, le réseau feedforward multicouche offrait le contrôle le plus précis et le plus adaptable, maintenant la puissance proche de son objectif et réduisant l’usure des composants. À mesure que ces contrôleurs intelligents passeront des simulations aux turbines réelles, ils pourraient aider les parcs éoliens à fournir une énergie propre plus fiable sans matériel lourd supplémentaire, simplement en tirant meilleur parti de chaque rafale.

Citation: 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

Mots-clés: contrôle d’éolienne, angle de pas des pales, réseau de neurones, énergie renouvelable, générateur asynchrone à double alimentation