Poprawa wydajności MPPT w przyłączonej do sieci elektrowni wiatrowej opartej na dwukrotnie zasilanym generatorze indukcyjnym przy użyciu hybrydowej strategii sterowania ANFIS-PI

Inteligentniejsze turbiny wiatrowe dla zmieniającego się klimatu

Farma wiatrowa staje się filarem czystej energii, ale rzeczywisty wiatr jest chaotyczny — porywisty, nieregularny i ciągle zmieniający się. To powoduje, że wyciągnięcie każdego możliwego wata jest zaskakująco trudne. W artykule przedstawiono nowy sposób „nauczania” dużych, przyłączonych do sieci turbin wiatrowych, by reagowały inteligentniej na zmienne warunki wiatrowe, dzięki czemu mogą pozyskiwać więcej energii z tej samej bryzy, jednocześnie dostarczając stabilny dopływ mocy do sieci.

Dlaczego wykorzystanie każdego podmuchu ma znaczenie

Nowoczesne turbiny wiatrowe nie obracają się po prostu ze stałą prędkością. Zamiast tego nieustannie dopasowują prędkość obrotową i obciążenie generatora, poszukując tzw. punktu maksymalnej mocy — optymalnego ustawienia, przy którym dany wiatr generuje najwięcej energii. Zadanie to, znane jako śledzenie punktu maksymalnej mocy (MPPT), jest szczególnie istotne dla powszechnie stosowanej maszyny zwanej dwukrotnie zasilanym generatorem indukcyjnym (DFIG), który łączy się z siecią przez zaawansowaną elektronikę mocy. Tradycyjne regulatory, oparte głównie na stałych regułach matematycznych, zawodzą, gdy warunki wiatrowe zmieniają się szybko lub gdy zachowanie turbiny jest silnie nieliniowe. W efekcie rzeczywiste farmy wiatrowe często nie osiągają swojego teoretycznego potencjału mocy.

Łączenie reguł ludzkich z uczeniem maszynowym

Aby przezwyciężyć te ograniczenia, autorzy proponują hybrydową strategię sterowania, łączącą klasyczny regulator przemysłowy — proporcjonalno‑całkujący (PI) — z adaptacyjnym systemem wnioskowania neuro‑rozmytego (ANFIS). ANFIS łączy dwie idee: logikę rozmytą, która uchwyca ludzkie reguły typu „jeśli‑to”, takie jak „jeśli prędkość wiatru jest umiarkowana, to nieco zwiększ moment”, oraz sieci neuronowe, które uczą się dopracowywać te reguły na podstawie danych. W badaniu do trenowania ANFIS użyto rzeczywistych zapisek prędkości wiatru i mocy z elektrowni wiatrowej Adama II w Etiopii. Hybrydowy regulator ANFIS‑PI nadzoruje następnie przetwornice pracujące w układzie back‑to‑back, łączące wirnik turbiny z siecią elektryczną, nieustannie korygując prądy i moment obrotowy, aby utrzymać turbinę blisko optymalnego punktu pracy mimo zmieniających się podmuchów.

Wnętrze cyfrowego bliźniaka farmy wiatrowej

Zespół zbudował szczegółowy „cyfrowy bliźniak” turbiny DFIG przyłączonej do sieci w MATLAB‑Simulink, standardowej platformie symulacyjnej inżynierskiej. Ich model obejmuje aerodynamikę turbiny o osi poziomej, zachowanie mechaniczne przekładni i wirnika oraz elektromagnetyczne działanie generatora i przetwornic. Zamodelowali także elementy po stronie sieci, takie jak filtry i transformatory, które kształtują jakość dostarczanej energii. Na bazie tego modelu zaimplementowali trzy konkurencyjne strategie sterowania: istniejący regulator PI używany w Adama II (pełniący rolę punktu odniesienia z rzeczywistego świata), regulator typu fuzzy‑logic plus PI (FLC‑PI) oraz nowy hybrydowy ANFIS‑PI. Wszystkie trzy przetestowano przy użyciu rzeczywistych, silnie zmiennych profili wiatru, obejmujących warunki od spokojnych po porywy rzędu 17 metrów na sekundę.

O ile więcej mocy może dostarczyć inteligencja?

Najbardziej widoczną korzyścią nowego podejścia jest zwiększenie maksymalnej mocy elektrycznej turbiny przy znamionowych warunkach wiatrowych. Przy typowej prędkości operacyjnej 12,5 metra na sekundę i kącie natarcia łopat równym zero stopni, referencyjny regulator PI osiąga około 1,56 megawata. Wzbogacony o logikę rozmytą regulator FLC‑PI podnosi to do około 2,2 megawata — już znaczący skok. Hybrydowy ANFIS‑PI idzie nieco dalej, dostarczając około 2,22 megawata — wzrost o ponad 42 procent w stosunku do pierwotnego schematu PI. Kluczowy wskaźnik efektywności, współczynnik mocy (miara, jaką część energii kinetycznej wiatru przekształca się w energię elektryczną), poprawia się z około 0,41 przy regulatorze PI do około 0,55 przy ANFIS‑PI, zbliżając się do praktycznych granic dla turbin komercyjnych. Symulacje pokazują również lepszą koordynację prędkości wirnika i momentu, pozwalając turbinie dokładniej śledzić przesuwający się punkt mocy podczas wzrostów i spadków wiatru.

Co to oznacza dla przyszłych farm wiatrowych

Dla osób niebędących specjalistami główne przesłanie jest proste: uczynienie „mózgu” turbiny wiatrowej inteligentniejszym pozwala uzyskać wyraźnie więcej czystej energii z tego samego sprzętu i tego samego wiatru. Proponowany regulator ANFIS‑PI uczy się na podstawie rzeczywistych danych operacyjnych i nieustannie dopracowuje reakcję turbiny na zmieniające się warunki, przewyższając zarówno tradycyjne, jak i prostsze inteligentne regulatory. Choć badanie koncentruje się na jednej etiopskiej farmie wiatrowej i zakłada normalne, bezusterkowe warunki sieciowe, metodę można dostosować do innych lokalizacji przez ponowne trenowanie modułu ANFIS danymi lokalnymi. W świecie ścigającym się w rozwoju odnawialnych źródeł energii takie inteligentne strategie sterowania oferują ekonomiczny sposób zwiększenia wydajności i stabilności bez budowy nowych turbin.

Cytowanie: 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

Słowa kluczowe: energia wiatrowa, śledzenie punktu maksymalnej mocy, sterowanie inteligentne, dwukrotnie zasilany generator indukcyjny, systemy neuro‑rozmyte