Повышение эффективности MPPT подключенной к сети ветровой электростанции на базе двухсветной индукционной машины с использованием гибридной стратегии управления ANFIS-PI

Более умные ветряки для меняющегося климата

Ветровые парки становятся опорой чистой электроэнергии, но реальный ветер непостоянен — порывистый, нерегулярный и постоянно меняющийся. Из‑за этого турбинам непросто выжать каждый возможный ватт. В этой работе изучается новый подход к «обучению» крупных сетевых ветровых турбин реагировать более интеллектуально на меняющийся ветер, чтобы извлекать больше энергии из того же потока воздуха и при этом подавать в сеть более стабильный поток энергии.

Почему важно извлечь максимум из каждого порыва

Современные ветряные турбины не просто вращаются с одной постоянной скоростью. Вместо этого они непрерывно регулируют скорость вращения и нагрузку генератора, выискивая так называемую точку максимальной мощности — оптимум, при котором при данной скорости ветра вырабатывается наибольшее количество электроэнергии. Задача, известная как отслеживание точки максимальной мощности (MPPT), особенно важна для широко применяемой машины — двухсветного индукционного генератора (DFIG), который подключается к сети через сложную силовую электронику. Традиционные регуляторы, основанные в основном на фиксированных математических правилах, испытывают трудности при быстром изменении ветра или при сильной нелинейности поведения турбины. В результате реальные ветропарки часто не достигают своего теоретического энергетического потенциала.

Сочетание правил вроде человеческих с машинным обучением

Чтобы преодолеть эти ограничения, авторы предлагают гибридную стратегию управления, которая объединяет классический промышленный регулятор — пропорционально-интегральный (PI) — с адаптивной нейро-нечеткой системой вывода (ANFIS). ANFIS сочетает два подхода: нечеткую логику, фиксирующую человеческого типа «если‑то» правила вроде «если скорость ветра умеренная, то немного увеличить крутящий момент», и нейронные сети, которые учатся уточнять эти правила по данным. В исследовании для обучения ANFIS использовались реальные записи скорости ветра и выработки мощности с ветропарка Adama II в Эфиопии. Затем гибридный контроллер ANFIS‑PI курировал двухсторонние преобразователи мощности, связывающие ротор турбины и сеть, постоянно корректируя токи и крутящий момент, чтобы удерживать турбину близко к ее оптимальной рабочей точке несмотря на колебания ветра.

Внутри цифрового двойника ветропарка

Команда создала подробный «цифровой двойник» сетевой DFIG‑турбины в MATLAB‑Simulink, стандартной платформе инженерного моделирования. Их модель включает аэродинамику горизонтально‑осевой турбины, механическое поведение редуктора и ротора, а также электромагнитную работу генератора и преобразователей. Они также смоделировали сетевые компоненты, такие как фильтры и трансформаторы, которые формируют качество поставляемой энергии. Поверх этой физической модели реализованы три конкурирующие стратегии управления: существующий PI‑регулятор, используемый на Adama II (служащий реальным эталоном), контроллер «нечеткая логика плюс PI» (FLC‑PI) и новый гибридный ANFIS‑PI. Все три были протестированы на реальных, сильно изменчивых профильных данных ветра — от штилевых условий до порывов около 17 м/с.

Сколько дополнительной мощности может дать интеллект?

Самое заметное преимущество нового подхода — рост максимальной электрической мощности турбины при номинальных скоростях ветра. При типичной рабочей скорости 12.5 м/с и нулевом угле установки лопастей эталонный PI‑регулятор выдает примерно 1.56 МВт. Контроллер FLC‑PI, усиленный нечеткой логикой, увеличивает это значение примерно до 2.2 МВт, что уже является существенным приростом. Гибридный ANFIS‑PI идет немного дальше, обеспечивая около 2.22 МВт — прирост более чем на 42% по сравнению с исходной схемой PI. Важный показатель эффективности, коэффициент мощности (мерило того, какая доля кинетической энергии ветра преобразуется в электроэнергию), улучшается с примерно 0.41 при PI до около 0.55 с ANFIS‑PI, приближаясь к практическим пределам для коммерческих турбин. Моделирование также показывает, что скорость ротора и крутящий момент лучше согласованы, что позволяет турбине точнее отслеживать движущуюся пиковую точку мощности по мере колебаний ветра.

Что это значит для будущих ветропарков

Для неспециалистов основной вывод ясен: сделав «мозги» турбины умнее, можно получить заметно больше чистой энергии с той же аппаратуры и того же ветра. Предложенный контроллер ANFIS‑PI учится на реальных эксплуатационных данных и непрерывно уточняет реакцию турбины на меняющиеся условия, превосходя как традиционные, так и более простые интеллектуальные регуляторы. Хотя исследование сосредоточено на одном эфиопском ветропарке и предполагает нормальные, безотказные сетевые условия, метод можно адаптировать к другим площадкам путем дообучения модуля ANFIS на локальных данных. В мире, стремящемся расширить долю возобновляемой энергии, такие интеллектуальные стратегии управления предлагают экономически эффективный способ повысить выработку и устойчивость без строительства новых турбин.

Цитирование: 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

Ключевые слова: ветроэнергетика, отслеживание точки максимальной мощности, интеллектуальное управление, двухсветной индукционный генератор, нейро-нечеткие системы