Melhoria dinâmica do desempenho do ajuste do ângulo de passo da pá para aplicações em sistemas de geração eólica baseada em técnicas de controle por redes neurais artificiais

Energia eólica mais inteligente para o dia a dia

À medida que mais da nossa eletricidade vem do vento, manter as luzes acesas durante rajadas e calmarias torna-se um ato de equilíbrio delicado. Este estudo explora como ensinar computadores a ajustar a inclinação das pás das turbinas em tempo real pode ajudar parques eólicos a fornecer energia mais estável e eficiente à rede, mesmo quando o tempo é imprevisível.

Por que a energia eólica estável é difícil

A energia eólica é limpa e abundante, mas o próprio vento nunca é constante. Quando a velocidade do vento sobe demais, as turbinas precisam ser protegidas contra tensões mecânicas; quando cai, é preciso aproveitar cada movimento. Turbinas modernas lidam com isso mudando o ângulo de suas pás, um movimento conhecido como controle de passo, para que a velocidade do rotor e a saída elétrica se mantenham próximas dos valores ideais. Métodos de controle tradicionais usam regras simples ajustadas a um modelo matemático da turbina. Esses métodos funcionam, mas podem ter dificuldades com o comportamento não linear e irregular do vento real, às vezes reagindo lentamente ou ultrapassando os objetivos.

Ensinando uma turbina a ler o vento

Os pesquisadores focaram em um projeto comum de turbina de grande porte que usa um gerador de indução duplamente alimentado com potência nominal de 1,5 megawatts. Eles compararam três tipos de controladores para o ângulo das pás. O primeiro foi o conhecido controlador proporcional–integral–derivativo, que responde à diferença entre a potência ou velocidade desejada e a real. O segundo foi uma versão fracionária mais flexível desse controlador. A terceira família utilizou redes neurais artificiais que aprendem a partir de dados qual a melhor resposta. Dentro dessa família, a equipe testou três arquiteturas de rede: uma rede feedforward multicamadas, uma rede cascade forward e uma rede recorrente Elman, que pode reter comportamentos passados ao longo do tempo.

Colocando o controle inteligente à prova

Para ver como essas abordagens se comportavam em condições realistas, a equipe executou simulações detalhadas em MATLAB e Simulink usando registros reais de velocidade do vento. Eles examinaram três tipos de variação do vento: degraus súbitos, rampas suaves e padrões aleatórios altamente irregulares. Em cada caso observaram quão bem os controladores mantinham a potência mecânica da turbina próxima do seu valor nominal, ao mesmo tempo em que limitavam mudanças rápidas no ângulo das pás. Todos os controladores por rede neural reduziram o erro em comparação com os métodos tradicionais, mas a arquitetura feedforward multicamadas se destacou. Ela alcançou o nível de potência desejado mais rapidamente, com diferenças estacionárias menores e obteve o menor erro quadrático médio em todos os casos de teste.

Ganho em eficiência e proteção

Em saltos súbitos de vento, o controlador por rede neural manteve a turbina operando em cerca de 98,9% de sua potência nominal, perceptivelmente acima de qualquer um dos controladores padrão. Durante variações em rampa e aleatórias, também entregou maior eficiência e menores desvios de potência. Ao ajustar o ângulo das pás de forma mais suave, ajudou a manter a melhor combinação entre velocidade das pás e captura do vento, reduzindo também o estresse mecânico que pode encurtar a vida útil da turbina. Embora outras arquiteturas de rede neural também tenham apresentado bom desempenho, elas exigiram mais esforço computacional sem igualar o mesmo equilíbrio entre rapidez e precisão.

O que isso significa para futuros parques eólicos

Em termos práticos, o estudo mostra que uma rede neural bem treinada pode atuar como um operador experiente observando o céu e afinando constantemente as pás da turbina para segurança e produção. Entre as opções testadas, a rede feedforward multicamadas forneceu o controle mais preciso e adaptável, mantendo a potência próxima ao alvo e reduzindo o desgaste do hardware. À medida que esses controladores inteligentes saem da simulação e chegam às turbinas reais, eles podem ajudar parques eólicos a fornecer energia limpa mais confiável sem grandes equipamentos novos, simplesmente usando melhor cada rajada.

Citação: 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

Palavras-chave: controle de turbina eólica, ângulo de passo da pá, rede neural, energia renovável, gerador de indução dupla alimentado