Verbetering van MPPT-prestaties van een netgekoppeld windpark met een doubly-fed inductiegenerator met behulp van een hybride ANFIS-PI-regelstrategie

Slimmere windturbines voor een veranderend klimaat

Windparken worden een pijler van schone elektriciteit, maar echte wind is rommelig — vlaagachtig, onregelmatig en voortdurend in beweging. Dat maakt het verrassend moeilijk voor turbines om elk mogelijk watt uit de wind te persen. Dit artikel onderzoekt een nieuwe manier om grote, netgekoppelde windturbines "te leren" slimmer te reageren op wisselende wind, zodat ze meer vermogen uit dezelfde bries kunnen halen en tegelijk een stabiele energievoorziening aan het net leveren.

Waarom elk zuchtje wind optimaal benutten belangrijk is

Moderne windturbines draaien niet gewoon met één constante snelheid. In plaats daarvan passen ze continu hun rotatiesnelheid en de belasting van de generator aan om het zogenaamde maximum power point te vinden — het sweet spot waar een gegeven windsnelheid de meeste elektriciteit oplevert. Deze taak, bekend als Maximum Power Point Tracking (MPPT), is vooral belangrijk voor een veelgebruikt toestel genaamd de Doubly‑Fed Induction Generator (DFIG), die via geavanceerde vermogenselektronica met het net is verbonden. Traditionele regelaars, die vooral op vaste wiskundige regels zijn gebaseerd, hebben moeite wanneer de windcondities snel veranderen of wanneer het gedrag van de turbine sterk niet-lineair wordt. Het gevolg is dat echte windparken vaak achterblijven bij hun theoretische vermogenspotentieel.

Mensachtige regels mengen met machine learning

Om deze beperkingen aan te pakken, stellen de auteurs een hybride regelstrategie voor die een klassiek industrieel regelaar — een Proportioneel‑Integraal (PI)-regelaar — combineert met een Adaptive Neuro‑Fuzzy Inference System (ANFIS). ANFIS verenigt twee ideeën: fuzzylogica, die mensachtige "als‑dan" regels vastlegt zoals "als de windsnelheid matig is, verhoog dan het koppel lichtjes", en neurale netwerken, die leren hoe die regels vanuit data fijn afgesteld kunnen worden. In deze studie werden echte windsnelheids- en vermogenrecords van het Adama II-windpark in Ethiopië gebruikt om de ANFIS te trainen. De hybride ANFIS‑PI-regelaar superviseert vervolgens de back‑to‑back vermogencycloconverters die de rotor van de turbine met het elektrische net verbinden, en past continu stromen en koppel aan om de turbine dicht bij het optimale bedrijfsgebied te houden ondanks fluctuerende wind.

Binnenin de digitale tweeling van een windpark

Het team bouwde een gedetailleerde "digital twin" van een netgekoppelde DFIG-windturbine in MATLAB‑Simulink, een gangbaar engineering-simulatieplatform. Hun model omvat de aerodynamica van een horizontale-as windturbine, het mechanische gedrag van de tandwielaandrijving en rotor, en de elektromagnetische werking van de generator en converters. Ze modelleerden ook de netzijdecomponenten zoals filters en transformatoren die de kwaliteit van het geleverde vermogen bepalen. Bovenop dit fysieke model implementeerden ze drie concurrerende regelstrategieën: de bestaande PI-regelaar die bij Adama II wordt gebruikt (als real-world referentie), een fuzzy‑logic‑plus‑PI (FLC‑PI) regelaar, en de nieuwe hybride ANFIS‑PI-regelaar. Alle drie werden getest met echte, hoogvariabele windprofielen variërend van rustige omstandigheden tot vlagen rond 17 meter per seconde.

Hoeveel extra vermogen kan intelligentie leveren?

Het meest zichtbare voordeel van de nieuwe aanpak is een toename van het maximale elektrische vermogen van de turbine onder nominale windcondities. Bij een typische windsnelheid van 12,5 meter per seconde en een bladverstelling van nul graden bereikt de referentie-PI-regelaar ongeveer 1,56 megawatt. De met fuzzylogica verbeterde FLC‑PI-regelaar verhoogt dit tot ruwweg 2,2 megawatt, al een aanzienlijke sprong. De hybride ANFIS‑PI-regelaar gaat nog iets verder en levert ongeveer 2,22 megawatt — een stijging van meer dan 42 procent ten opzichte van het oorspronkelijke PI-schema. Een belangrijke efficiëntie-indicator, de vermogenscoëfficiënt (een maat voor hoeveel kinetische energie van de wind wordt omgezet in elektriciteit), verbetert van ongeveer 0,41 met de PI-regelaar tot ongeveer 0,55 met ANFIS‑PI, wat in de buurt komt van praktische limieten voor commerciële turbines. De simulaties tonen ook dat rotorsnelheid en koppel beter op elkaar afgestemd zijn, waardoor de turbine de bewegende vermogenspiek nauwer kan volgen naarmate de wind toe- en afneemt.

Wat dit betekent voor toekomstige windparken

Voor niet‑specialisten is de kernboodschap eenvoudig: door de "hersenen" van een windturbine slimmer te maken, is het mogelijk aanzienlijk meer schone energie uit dezelfde hardware en dezelfde wind te halen. De voorgestelde ANFIS‑PI-regelaar leert van echte bedrijfsdata en verfijnt continu hoe de turbine reageert op veranderende omstandigheden, en presteert beter dan zowel traditionele als eenvoudiger intelligente regelaars. Hoewel de studie zich richt op één Ethiopisch windpark en uitgaat van normale, foutvrije netcondities, kan de methode worden aangepast aan andere locaties door de ANFIS-module te hertrainen met lokale data. In een wereld die rekent op snelle uitbreiding van hernieuwbare energie bieden dergelijke intelligente regelstrategieën een kosteneffectieve manier om opbrengst en stabiliteit te verhogen zonder nieuwe turbines te bouwen.

Bronvermelding: 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

Trefwoorden: windenergie, maximum power point tracking, intelligente regeling, doubly-fed inductiegenerator, neuro-fuzzy systemen