Dynamische prestatieverbetering van verstelbare wiekhoek voor windopwekkingssystemen op basis van kunstmatige neurale netwerkbesturingstechnieken

Slimmere windenergie voor het dagelijks leven

Naarmate een groter deel van onze elektriciteit uit wind komt, wordt het een delicate evenwichtsoefening om het licht aan te houden tijdens windstoten en windstilte. Deze studie onderzoekt hoe het aanleren van realtime aanpassingen van de scheefstand van turbinewieken met behulp van computers windparken kan helpen om stabieler en efficiënter vermogen aan het net te leveren, zelfs wanneer het weer onvoorspelbaar is.

Waarom stabiele windenergie moeilijk is

Windenergie is schoon en ruim voorradig, maar de wind zelf is nooit constant. Wanneer de windsnelheden te hoog worden, moeten turbines worden beschermd tegen mechanische belasting; wanneer ze dalen, moet elke beweging worden benut. Moderne turbines pakken dit aan door de hoek van hun wieken te veranderen, een beweging die pitch-control wordt genoemd, zodat de rotorsnelheid en elektrische uitgang dicht bij hun ideale waarden blijven. Traditionele regelsystemen gebruiken eenvoudige regels die zijn afgestemd op een wiskundig model van de turbine. Deze methoden werken, maar ze kunnen moeite hebben met het rommelige, niet-lineaire gedrag van echte wind, en reageren soms te traag of schieten voorbij het doel.

Een turbine leren de wind te lezen

De onderzoekers richtten zich op een veelvoorkomend groot turbineontwerp met een dubbelgevoede inductiegenerator van 1,5 megawatt. Ze vergeleken drie typen controllers voor de wiekhoek. De eerste was de vertrouwde proportioneel–integraal–afgeleide-controller, die reageert op het verschil tussen gewenst en daadwerkelijk vermogen of snelheid. De tweede was een flexibeler fractioneel variant van deze controller. De derde groep gebruikte kunstmatige neurale netwerken die uit data leren hoe ze het beste kunnen reageren. Binnen deze groep testte het team drie netwerktopologieën: een multilayer feedforward-netwerk, een cascade feedforward-netwerk en een Elman recurrent netwerk dat eerder gedrag in de tijd kan onthouden.

De slimme besturing op de proef stellen

Om te zien hoe deze benaderingen zich onder realistische omstandigheden gedroegen, voerde het team gedetailleerde simulaties uit in MATLAB en Simulink met behulp van echte windsnelheidsopnames. Ze onderzochten drie typen windveranderingen: plotselinge stappen, geleidelijke hellingen en sterk onregelmatige willekeurige patronen. In elk geval bekeken ze hoe goed de controllers het mechanische vermogen van de turbine dicht bij de nominale waarde hielden, terwijl snelle veranderingen in wiekhoek werden beperkt. Alle neurale netwerkcontrollers verminderden de fout vergeleken met de traditionele methoden, maar het multilayer feedforward-ontwerp stak er met kop en schouders bovenuit. Het bereikte sneller het gewenste vermogensniveau, met kleinere blijvende afwijkingen, en haalde de laagste gemiddelde kwadratische fout over alle testgevallen.

Winst in efficiëntie en bescherming

Bij plotselinge windstijgingen hield de neurale netwerkcontroller de turbine op ongeveer 98,9 procent van het nominale vermogen, merkbaar hoger dan bij de standaardcontrollers. Tijdens geleidelijke en willekeurige windveranderingen leverde hij eveneens hogere efficiëntie en kleinere vermogensafwijkingen. Door de wiekhoek soepeler aan te passen, hielp hij de beste combinatie van wieksnelheid en windvangst te behouden en verminderde hij ook mechanische belasting die de levensduur van de turbine kan inkorten. Hoewel andere neurale netwerkontwerpen ook goed presteerden, vergden ze meer rekenkracht zonder hetzelfde evenwicht tussen snelheid en nauwkeurigheid te bereiken.

Wat dit betekent voor toekomstige windparken

In eenvoudige bewoordingen laat de studie zien dat een goed getraind neurale netwerk kan functioneren als een vakkundige operator die de lucht in de gaten houdt en continu de turbinewieken bijstelt voor zowel veiligheid als opbrengst. Van de geteste opties bood het multilayer feedforward-netwerk de meest nauwkeurige en aanpasbare besturing, hield het vermogen dicht bij de streefwaarde en verminderde het slijtage van de hardware. Naarmate deze slimme controllers van simulatie naar reële turbines worden gebracht, zouden ze windparken kunnen helpen betrouwbaardere schone energie te leveren zonder ingrijpende nieuwe apparatuur, simpelweg door elke windstoot beter te benutten.

Bronvermelding: 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

Trefwoorden: besturing van windturbine, wiekschoefhoek, neurale netwerk, hernieuwbare energie, dubbelgevoede inductiegenerator