Динамическое повышение характеристик регулирования угла шага лопастей для ветроэнергетических установок на основе методов управления с использованием искусственных нейронных сетей

Более умная ветровая энергетика для повседневной жизни

По мере того как доля электроэнергии от ветра растёт, удерживать свет в домах во время порывов и затиший становится тонким балансом. В этом исследовании рассматривается, как обучение компьютеров регулировать наклон лопастей турбины в реальном времени может помочь ветропаркам поставлять более стабильную и эффективную энергию в сеть, даже когда погода непредсказуема.

Почему обеспечить стабильную ветровую энергию сложно

Энергия ветра чистая и обильная, но сам ветер никогда не бывает постоянным. Когда скорость ветра слишком высока, турбины нужно защищать от механических нагрузок; когда она падает, важно улавливать каждое движение. Современные турбины справляются с этим, изменяя угол лопастей — управление шагом — чтобы скорость ротора и электрическая отдача оставались близкими к оптимальным значениям. Традиционные методы управления используют простые правила, настроенные по математической модели турбины. Они работают, но могут испытывать трудности с хаотичным, нелинейным поведением реального ветра, иногда реагируя слишком медленно или с переизбытком.

Обучение турбины «читать» ветер

Исследователи сосредоточились на распространённой крупной конструкции турбины с двунаправленным асинхронным генератором мощностью 1,5 мегаватта. Они сравнили три типа регуляторов угла лопастей. Первый — привычный пропорционально-интегрально-дифференциальный контроллер, который реагирует на разницу между желаемой и фактической мощностью или скоростью. Второй — более гибкая дробная версия этого контроллера. Третья группа использовала искусственные нейронные сети, которые по данным обучаются выбирать оптимальную реакцию. Внутри этой группы команда протестировала три архитектуры: многослойную прямую сеть, каскадную прямую сеть и рекуррентную сеть Эльмана, способную «помнить» прошлое поведение во времени.

Проверка «умного» управления

Чтобы оценить поведение подходов в реалистичных условиях, команда провела детальные моделирования в MATLAB и Simulink с использованием реальных записей скоростей ветра. Они исследовали три типа изменений ветра: резкие ступеньки, плавные наклоны и сильно нерегулярные случайные паттерны. В каждом случае наблюдали, насколько эффективно регуляторы поддерживают механическую мощность турбины близкой к номиналу при одновременном ограничении резких изменений угла лопастей. Все нейронные сети уменьшили ошибку по сравнению с традиционными методами, но особенно выделилась многослойная прямая сеть. Она достигала требуемого уровня мощности быстрее, с меньшими установившимися отклонениями и демонстрировала наименьшую среднюю квадратичную ошибку по всем тестам.

Выигрыш в эффективности и защите

При резких скачках ветра контроллер на нейронной сети поддерживал работу турбины примерно на 98,9% от её номинальной мощности, что заметно выше, чем у стандартных контроллеров. При плавных и случайных изменениях ветра он также обеспечивал большую эффективность и меньшие отклонения мощности. Благодаря более плавной регулировке угла лопастей он помогал сохранять оптимальное сочетание скорости лопастей и улавливания ветра, одновременно снижая механические нагрузки, сокращающие срок службы турбины. Хотя другие нейронные архитектуры также показали хорошие результаты, им требовались большие вычислительные ресурсы и они не достигали такого же баланса скорости и точности.

Что это означает для будущих ветропарков

Проще говоря, исследование показывает, что хорошо обученная нейронная сеть может действовать подобно опытному оператору, наблюдающему за небом и постоянно тонко настраивающему лопасти турбины ради безопасности и выработки. Из протестированных вариантов многослойная прямая сеть обеспечила наиболее точное и адаптивное управление, удерживая мощность близко к целевому уровню и снижая износ оборудования. По мере того как эти «умные» контроллеры перейдут от моделирования к реальным турбинам, они смогут помочь ветропаркам поставлять более надёжную чистую энергию без крупных дополнительных вложений в оборудование, просто более эффективно используя каждый порыв ветра.

Цитирование: 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

Ключевые слова: управление ветровой турбиной, угол шага лопасти, нейронная сеть, возобновляемая энергия, двунаправленный асинхронный генератор