Dynamiczne poprawianie wydajności regulowanego kąta nachylenia łopatek do zastosowań w systemach wytwarzania wiatrowego oparte na technikach sterowania z użyciem sztucznych sieci neuronowych

Inteligentniejsza energia wiatru dla codziennego użytku

W miarę jak coraz większa część naszej energii pochodzi z wiatru, utrzymanie zasilania podczas podmuchów i przerw staje się delikatnym zadaniem równoważenia. Badanie to analizuje, jak nauczanie komputerów regulowania kąta pochylenia łopatek turbiny w czasie rzeczywistym może pomóc farmom wiatrowym dostarczać do sieci bardziej stabilną i wydajną moc, nawet gdy pogoda jest nieprzewidywalna.

Dlaczego utrzymanie stałej mocy z wiatru jest trudne

Energia wiatru jest czysta i obfita, ale sam wiatr nigdy nie jest stały. Gdy prędkość wiatru rośnie zbyt wysoko, turbiny trzeba chronić przed obciążeniami mechanicznymi; gdy spada, każdą cząstkę ruchu należy wykorzystać. Współczesne turbiny radzą sobie z tym przez zmianę kąta łopatek, ruch znany jako sterowanie pochyleniem (pitch control), tak aby prędkość wirnika i moc elektryczna pozostawały blisko wartości optymalnych. Tradycyjne metody sterowania używają prostych reguł dostrojonych do matematycznego modelu turbiny. Metody te działają, ale mogą mieć problemy z chaotycznym, nieliniowym zachowaniem rzeczywistego wiatru, czasem reagując zbyt wolno lub przekraczając zamierzone wartości.

Nauczenie turbiny „czytania” wiatru

Badacze skupili się na powszechnym dużym projekcie turbiny wykorzystującym dwukierunkowy generator indukcyjny o mocy znamionowej 1,5 megawata. Porównali trzy rodzaje regulatorów kąta łopatek. Pierwszy to znany regulator proporcjonalno-całkująco-różniczkujący (PID), który reaguje na różnicę między pożądaną a rzeczywistą mocą lub prędkością. Drugi to bardziej elastyczna ułamkowa wersja tego regulatora. Trzecią rodzinę stanowiły sztuczne sieci neuronowe, które uczą się z danych, jak najlepiej reagować. W ramach tej rodziny zespół przetestował trzy architektury sieci: wielowarstwową sieć feedforward, sieć typu cascade forward oraz rekurencyjną sieć Elmana, zdolną do zapamiętywania przeszłego zachowania w czasie.

Testowanie inteligentnego sterowania

Aby sprawdzić, jak te podejścia zachowują się w realistycznych warunkach, zespół przeprowadził szczegółowe symulacje w MATLAB i Simulink, korzystając z rzeczywistych zapisów prędkości wiatru. Zbadali trzy rodzaje zmian wiatru: nagłe skoki, łagodne narastania oraz wysoce nieregularne wzorce losowe. W każdym przypadku obserwowali, jak dobrze regulatory utrzymują moc mechaniczną turbiny blisko jej wartości znamionowej, jednocześnie ograniczając gwałtowne zmiany kąta łopatek. Wszystkie regulatory oparte na sieciach neuronowych zmniejszyły błąd w porównaniu z metodami tradycyjnymi, ale wyróżniła się konstrukcja wielowarstwowa typu feedforward. Osiągała żądany poziom mocy szybciej, z mniejszymi różnicami ustalonymi i osiągała najniższy średni błąd kwadratowy we wszystkich przypadkach testowych.

Zyski w efektywności i ochronie

Przy nagłych skokach wiatru regulator sieciowy utrzymywał turbinę pracującą na około 98,9 procent mocy znamionowej, wyraźnie więcej niż którykolwiek ze standardowych regulatorów. Podczas narastających i losowych zmian wiatru także dostarczał wyższą wydajność i mniejsze odchylenia mocy. Poprzez bardziej płynną regulację kąta łopatek pomagał utrzymać najlepsze połączenie prędkości łopatek i wychwytu wiatru, a jednocześnie zmniejszał obciążenia mechaniczne, które mogą skrócić żywotność turbiny. Choć inne konstrukcje sieci neuronowych również dobrze się spisały, wymagały więcej zasobów obliczeniowych, nie osiągając jednak tego samego kompromisu między szybkością a dokładnością.

Co to oznacza dla przyszłych farm wiatrowych

Mówiąc prosto, badanie pokazuje, że dobrze wytrenowana sieć neuronowa może działać jak doświadczony operator obserwujący niebo i nieustannie dostrajający łopatki turbiny dla bezpieczeństwa i wydajności. Spośród testowanych opcji wielowarstwowa sieć feedforward zapewniła najdokładniejsze i najbardziej przystosowawcze sterowanie, utrzymując moc blisko celu i zmniejszając zużycie sprzętu. W miarę jak te inteligentne regulatory będą przenoszone z symulacji na rzeczywiste turbiny, mogą pomóc farmom wiatrowym dostarczać bardziej niezawodną czystą energię bez konieczności dużych inwestycji sprzętowych, po prostu lepiej wykorzystując każdy podmuch wiatru.

Cytowanie: 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

Słowa kluczowe: sterowanie turbiną wiatrową, kąt natarcia łopatek, sieć neuronowa, energia odnawialna, dwukierunkowy silnik indukcyjny zasilany częściowo