Miglioramento delle prestazioni MPPT di un impianto eolico con generatore a induzione a doppia alimentazione connesso alla rete utilizzando una strategia di controllo ibrida ANFIS‑PI

Turbine eoliche più intelligenti per un clima che cambia

I parchi eolici stanno diventando una spina dorsale dell’elettricità pulita, ma il vento reale è disordinato — rafficato, irregolare e in costante cambiamento. Questo rende sorprendentemente difficile per le turbine estrarre ogni watt possibile. Questo articolo esplora un nuovo modo per “insegnare” alle grandi turbine eoliche connesse alla rete a reagire in modo più intelligente ai venti variabili, così da poter catturare più energia dalla stessa brezza mantenendo un flusso stabile verso la rete.

Perché sfruttare al massimo ogni raffica è importante

Le turbine moderne non girano semplicemente a una velocità costante. Al contrario, aggiustano continuamente la loro velocità di rotazione e lo sforzo del generatore, cercando il cosiddetto punto di massima potenza — il punto ottimale in cui una data velocità del vento produce la massima energia elettrica. Questo compito, noto come Maximum Power Point Tracking (MPPT), è particolarmente importante per una macchina ampiamente utilizzata chiamata Generatore a Induzione a Doppia Alimentazione (DFIG), che si collega alla rete tramite elettronica di potenza sofisticata. I regolatori tradizionali, basati principalmente su regole matematiche fisse, faticano quando le condizioni del vento cambiano rapidamente o quando il comportamento della turbina diventa altamente non lineare. Il risultato è che i parchi eolici reali spesso non raggiungono il loro potenziale teorico di produzione.

Fondere regole di tipo umano con l’apprendimento automatico

Per affrontare questi limiti, gli autori propongono una strategia di controllo ibrida che accoppia un classico regolatore industriale — chiamato controllore Proporzionale‑Integrale (PI) — con un Adaptive Neuro‑Fuzzy Inference System (ANFIS). ANFIS unisce due idee: la logica fuzzy, che cattura regole “se‑allora” in stile umano come “se la velocità del vento è moderata, allora aumentare leggermente la coppia”, e le reti neurali, che imparano a perfezionare queste regole dai dati. In questo studio, registrazioni reali di velocità del vento e produzione di potenza dalla centrale eolica Adama II in Etiopia sono state usate per addestrare l’ANFIS. Il controllore ibrido ANFIS‑PI sovrintende quindi ai convertitori di potenza back‑to‑back che collegano il rotore della turbina alla rete elettrica, regolando continuamente correnti e coppia per mantenere la turbina vicino al miglior punto operativo nonostante le variazioni del vento.

Dentro il gemello digitale di un parco eolico

Il team ha costruito un dettagliato “gemello digitale” di una turbina eolica DFIG connessa alla rete in MATLAB‑Simulink, una nota piattaforma di simulazione ingegneristica. Il loro modello include l’aerodinamica di una turbina ad asse orizzontale, il comportamento meccanico del cambio e del rotore e il funzionamento elettromagnetico del generatore e dei convertitori. Hanno anche modellato i componenti lato rete come filtri e trasformatori che influenzano la qualità della potenza fornita. Soprattutto questo modello fisico, hanno implementato tre strategie di controllo a confronto: il controllore PI esistente usato ad Adama II (come benchmark reale), un controllore fuzzy‑logic‑più‑PI (FLC‑PI) e il nuovo controllore ibrido ANFIS‑PI. Tutti e tre sono stati testati utilizzando profili di vento reali e altamente variabili che vanno da condizioni calme a raffiche attorno ai 17 metri al secondo.

Quanta potenza in più può fornire l’intelligenza?

Il beneficio più evidente del nuovo approccio è un aumento della produzione elettrica massima della turbina alle condizioni di vento nominali. A una velocità di funzionamento tipica di 12,5 metri al secondo e con un angolo di passo delle pale pari a zero gradi, il controllore PI di riferimento raggiunge circa 1,56 megawatt. Il controllore FLC‑PI, con la logica fuzzy, porta questo valore a circa 2,2 megawatt, già un salto significativo. Il controllore ibrido ANFIS‑PI va leggermente oltre, erogando circa 2,22 megawatt — un incremento di oltre il 42 percento rispetto allo schema PI originale. Un indicatore chiave di efficienza, il coefficiente di potenza (una misura di quanto dell’energia cinetica del vento viene convertita in elettricità), migliora da circa 0,41 con il controllore PI a circa 0,55 con ANFIS‑PI, avvicinandosi ai limiti pratici per turbine commerciali. Le simulazioni mostrano anche che velocità del rotore e coppia sono meglio coordinate, permettendo alla turbina di seguire più da vicino il picco di potenza mobile man mano che il vento aumenta e diminuisce.

Cosa significa questo per i parchi eolici del futuro

Per i non specialisti, il messaggio principale è semplice: rendendo più “intelligente” il cervello di una turbina eolica, è possibile ottenere una quantità significativamente maggiore di energia pulita dallo stesso hardware e dallo stesso vento. Il controllore proposto ANFIS‑PI impara dai dati operativi reali e affina continuamente la risposta della turbina alle condizioni variabili, superando sia i controllori tradizionali che quelli intelligenti più semplici. Sebbene lo studio si concentri su un parco eolico etiope e presuma condizioni di rete normali e prive di guasti, il metodo può essere adattato ad altri siti riaddestrando il modulo ANFIS con dati locali. In un mondo che corre per espandere le rinnovabili, tali strategie di controllo intelligenti offrono un modo conveniente per aumentare produzione e stabilità senza costruire nuove turbine.

Citazione: 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

Parole chiave: energia eolica, inseguimento del punto di massima potenza, controllo intelligente, generatore a induzione a doppia alimentazione, sistemi neuro‑fuzzy