Melhorando o desempenho do MPPT de um parque eólico conectado à rede baseado em gerador de indução de duplo alimentador usando estratégia de controle híbrida ANFIS-PI

Turbinas eólicas mais inteligentes para um clima em mudança

Os parques eólicos estão se tornando a espinha dorsal da eletricidade limpa, mas o vento real é desordenado — rajadas, irregular e em constante mudança. Isso torna surpreendentemente difícil para as turbinas extrair cada watt possível. Este artigo explora uma nova forma de “ensinar” grandes turbinas eólicas conectadas à rede a reagirem de modo mais inteligente às variações do vento, para que possam colher mais energia do mesmo sopro enquanto fornecem um fluxo estável de energia para a rede.

Por que aproveitar ao máximo cada rajada importa

Turbinas eólicas modernas não giram simplesmente a uma velocidade constante. Em vez disso, elas ajustam continuamente a velocidade de rotação e o esforço do gerador, buscando o chamado ponto de máxima potência — o ponto ideal em que uma determinada velocidade do vento gera a maior quantidade de eletricidade. Essa tarefa, conhecida como Maximum Power Point Tracking (MPPT), é especialmente importante para uma máquina amplamente usada chamada Gerador de Indução de Duplo Alimentador (DFIG), que se conecta à rede por meio de eletrônica de potência sofisticada. Controladores tradicionais, baseados principalmente em regras matemáticas fixas, têm dificuldade quando as condições do vento mudam rapidamente ou quando o comportamento da turbina se torna altamente não linear. O resultado é que parques eólicos reais frequentemente ficam aquém do seu potencial teórico de geração.

Misturando regras ao estilo humano com aprendizado de máquina

Para enfrentar essas limitações, os autores propõem uma estratégia de controle híbrida que acopla um controlador industrial clássico — chamado controlador Proporcional-Integral (PI) — com um Sistema de Inferência Neuro-Fuzzy Adaptativo (ANFIS). O ANFIS combina duas ideias: lógica fuzzy, que captura regras do tipo “se-então” no estilo humano, como “se a velocidade do vento é moderada, então aumente o torque ligeiramente”, e redes neurais, que aprendem a ajustar finamente essas regras a partir de dados. Neste estudo, registros reais de velocidade do vento e de potência da usina eólica Adama II, na Etiópia, são usados para treinar o ANFIS. O controlador híbrido ANFIS-PI então supervisiona os conversores de potência back-to-back que ligam o rotor da turbina à rede elétrica, ajustando constantemente correntes e torque para manter a turbina próxima ao seu melhor ponto de operação, apesar das flutuações do vento.

Dentro do gêmeo digital de um parque eólico

A equipe construiu um detalhado “gêmeo digital” de uma turbina eólica DFIG conectada à rede no MATLAB-Simulink, uma plataforma padrão de simulação de engenharia. O modelo inclui a aerodinâmica de uma turbina de eixo horizontal, o comportamento mecânico da caixa de engrenagens e do rotor, e o funcionamento eletromagnético do gerador e dos conversores. Eles também modelaram os componentes do lado da rede, como filtros e transformadores, que condicionam a qualidade da energia entregue. Sobre esse modelo físico, implementaram três estratégias de controle concorrentes: o controlador PI existente usado em Adama II (servindo como referencial do mundo real), um controlador fuzzy-logic-mais-PI (FLC-PI) e o novo controlador híbrido ANFIS-PI. Todos os três foram testados usando perfis de vento reais e altamente variáveis, que vão de condições calmas a rajadas em torno de 17 metros por segundo.

Quanto poder extra a inteligência pode entregar?

O benefício mais visível da nova abordagem é o aumento da saída elétrica máxima da turbina em condições de vento nominal. A uma velocidade típica de operação de 12,5 metros por segundo e ângulo de passo das pás de zero graus, o controlador PI de referência atinge cerca de 1,56 megawatts. O controlador FLC-PI, com lógica fuzzy, eleva isso para aproximadamente 2,2 megawatts, já um salto significativo. O controlador híbrido ANFIS-PI vai um pouco mais longe, entregando cerca de 2,22 megawatts — um aumento de mais de 42% sobre o esquema PI original. Um indicador chave de eficiência, o coeficiente de potência (uma medida de quanto da energia cinética do vento é convertida em eletricidade), melhora de cerca de 0,41 com o controlador PI para aproximadamente 0,55 com ANFIS-PI, aproximando-se dos limites práticos para turbinas comerciais. As simulações também mostram que a velocidade do rotor e o torque ficam melhor coordenados, permitindo que a turbina acompanhe o pico de potência móvel com mais precisão à medida que o vento sobe e desce.

O que isso significa para parques eólicos futuros

Para não especialistas, a mensagem principal é direta: ao tornar o “cérebro” de uma turbina eólica mais inteligente, é possível obter consideravelmente mais energia limpa com o mesmo equipamento e o mesmo vento. O controlador ANFIS-PI proposto aprende a partir de dados operacionais reais e refina continuamente como a turbina responde às condições mutáveis, superando tanto controladores tradicionais quanto controladores inteligentes mais simples. Embora o estudo se concentre em um parque eólico etíope e suponha condições normais de rede sem falhas, o método pode ser adaptado a outros locais mediante re-treinamento do módulo ANFIS com dados locais. Em um mundo que corre para expandir as renováveis, estratégias de controle inteligentes assim oferecem uma forma econômica de aumentar a produção e a estabilidade sem construir novas turbinas.

Citação: 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

Palavras-chave: energia eólica, rastreamento do ponto de máxima potência, controle inteligente, gerador de indução de duplo alimentador, sistemas neuro-fuzzy