Förbättrad MPPT-prestanda för ett nätanslutet dubbelfodrat asynkrongeneratorbaserat vindkraftverk med hybrid ANFIS-PI-styrstrategi

Smartare vindkraftverk för ett förändrat klimat

Vindkraftparker håller på att bli ryggraden i ren elproduktion, men verklig vind är stökig—byig, ojämn och ständigt föränderlig. Det gör det förvånansvärt svårt för turbinerna att pressa ut varje möjlig watt. Denna artikel undersöker ett nytt sätt att "lära" stora nätanslutna vindkraftverk att reagera mer intelligent på skiftande vindar, så att de kan skörda mer energi från samma vind samtidigt som de matar en stabil energiflöde in i nätet.

Varför det spelar roll att utnyttja varje vindpust

Moderna vindkraftverk snurrar inte i en konstant hastighet. Istället justerar de kontinuerligt hur snabbt de roterar och hur hårt generatorn arbetar, i sökandet efter den så kallade maximal effektpunkten—den optimala punkten där en given vindhastighet ger mest el. Denna uppgift, känd som Maximum Power Point Tracking (MPPT), är särskilt viktig för en mycket använd maskin kallad Doubly‑Fed Induction Generator (DFIG), som är kopplad till nätet via avancerad kraftelektronik. Traditionella regulatorer, som i huvudsak bygger på fasta matematiska regler, har svårt när vindförhållandena ändras snabbt eller när turbinens beteende blir starkt icke-linjärt. Resultatet är att verkliga vindkraftparker ofta understiger sin teoretiska effektpotential.

Att blanda människoliknande regler med maskininlärning

För att hantera dessa begränsningar föreslår författarna en hybrid styrstrategi som kopplar en klassisk industriell regulator—en Proportional‑Integral (PI)-kontroller—with ett Adaptive Neuro‑Fuzzy Inference System (ANFIS). ANFIS förenar två idéer: fuzzylogik, som fångar människoliknande "om‑så"-regler såsom "om vindhastigheten är måttlig, öka vridmomentet något", och neurala nätverk, som lär sig att finslipa dessa regler från data. I denna studie används verkliga vindhastighets- och effektutdata från Etiopiens Adama II vindkraftpark för att träna ANFIS. Den hybrid ANFIS‑PI-regulatorn övervakar sedan back‑to‑back-kraftomriktarna som länkar turbinens rotor och elnätet, och justerar ständigt strömmar och moment för att hålla turbinen nära sin bästa driftpunkt trots fluktuerande vindar.

Inuti den digitala tvillingen av en vindpark

Teamet byggde en detaljerad "digital tvilling" av en nätansluten DFIG-vindturbin i MATLAB‑Simulink, en standardplattform för ingenjörssimuleringar. Deras modell inkluderar aerodynamiken hos en horisontell‑axlad turbin, det mekaniska beteendet hos växellåda och rotor, samt de elektromagnetiska funktionerna i generatorn och omriktarna. De modellerade även nätanslutna komponenter såsom filter och transformatorer som påverkar kvaliteten på den levererade effekten. Ovanpå denna fysiska modell implementerade de tre konkurrerande styrstrategier: den befintliga PI-regulatorn som används vid Adama II (som fungerade som referens från verkliga förhållanden), en fuzzy‑logic‑plus‑PI (FLC‑PI) regulator, och den nya hybrid ANFIS‑PI‑regulatorn. Alla tre testades med verkliga, starkt variabla vindprofiler som sträckte sig från lugna förhållanden till byar runt 17 meter per sekund.

Hur mycket extra effekt kan intelligens leverera?

Den mest synliga fördelen med det nya tillvägagångssättet är en ökning av turbinens maximala elektriska effekt under nominella vindförhållanden. Vid en typisk driftvindhastighet på 12,5 meter per sekund och en bladvinkel på noll grader når referens‑PI‑kontrollen cirka 1,56 megawatt. Den fuzzy‑förstärkta FLC‑PI‑kontrollen höjer detta till ungefär 2,2 megawatt, vilket redan är ett betydande hopp. Den hybrid ANFIS‑PI‑kontrollen går något längre och levererar omkring 2,22 megawatt—en ökning med mer än 42 procent jämfört med den ursprungliga PI‑schemat. En nyckelindikator för effektivitet, effektkoefficienten (ett mått på hur mycket av vindens kinetiska energi som omvandlas till elektricitet), förbättras från cirka 0,41 med PI‑regulatorn till ungefär 0,55 med ANFIS‑PI, vilket närmar sig praktiska gränser för kommersiella turbiner. Simulationerna visar också att rotorns hastighet och moment är bättre koordinerade, vilket gör att turbinen kan följa den rörliga effekt toppen när vinden ökar och avtar.

Vad detta betyder för framtida vindparker

För icke‑specialister är huvudbudskapet enkelt: genom att göra en vindturbinens "hjärna" smartare är det möjligt att få avsevärt mer ren energi från samma maskinvara och samma vind. Den föreslagna ANFIS‑PI‑regulatorn lär sig från verkliga driftsdata och förfinar kontinuerligt hur turbinen reagerar på förändrade förhållanden, och överträffar både traditionella och enklare intelligenta regulatorer. Även om studien fokuserar på en etiopisk vindpark och förutsätter normala, felfria nätförhållanden, kan metoden anpassas till andra platser genom att reträna ANFIS‑modulen med lokala data. I en värld som tävlar om att utöka förnybar energi erbjuder sådana intelligenta styrstrategier ett kostnadseffektivt sätt att öka produktionen och stabiliteten utan att bygga nya turbiner.

Citering: 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

Nyckelord: vindenergi, spårning av maximal effektpunkt, intelligent styrning, dubbelfodrad asynkrongenerator, neuro-fuzzy-system