Dynamisk prestandaförbättring av justerbar bladvinkel för vindkraftssystem baserat på artificiella neuronnätsstyrtekniker

Smartare vindkraft för vardagen

När en större andel av vår el kommer från vind blir det en fin balansgång att hålla lamporna tända vid kastvindar och lugnare perioder. Denna studie undersöker hur datorer som lär sig att justera lutningen på turbinbladen i realtid kan hjälpa vindparker att leverera jämnare, mer effektiv el till nätet, även när vädret är oförutsägbart.

Varför jämn vindkraft är svårt

Vindenergi är ren och riklig, men vinden är aldrig konstant. När vindhastigheten stiger för mycket måste turbiner skyddas från mekaniska påfrestningar; när den faller måste varje rörelse tas tillvara. Moderna turbiner hanterar detta genom att ändra bladens vinkel, en rörelse som kallas pitchkontroll, så att rotorns hastighet och elproduktionen hålls nära sina ideala värden. Traditionella styrmetoder använder enkla regler anpassade efter en matematisk modell av turbinen. Dessa metoder fungerar, men kan få problem med det stökiga, icke-linjära beteendet hos verklig vind, ibland reagera för långsamt eller överskjuta sina målvärden.

Att lära en turbin att läsa vinden

Forskarlaget fokuserade på en vanlig stor turbindesign som använder en tvåmatad asynkronmaskin på 1,5 megawatt. De jämförde tre typer av regulatorer för bladvinkeln. Den första var den välkända proportional–integral–derivative-regulatorn, som reagerar på skillnaden mellan önskad och faktisk effekt eller hastighet. Den andra var en mer flexibel fraktionell variant av denna regulator. Den tredje familjen använde artificiella neuronnät som lär sig från data hur de bäst ska reagera. Inom denna familj testade teamet tre nätverksdesigner: ett multilagers framåtriktat nätverk, ett kaskadframåtnätverk och ett Elman-återkommande nätverk som kan minnas tidigare beteenden över tid.

Att sätta smart styrning på prov

För att se hur dessa angreppssätt beter sig under realistiska förhållanden körde teamet detaljerade simuleringar i MATLAB och Simulink med verkliga vindhastighetsdata. De granskade tre typer av vindförändringar: plötsliga steg, jämna rampningar och mycket oregelbundna slumpmässiga mönster. I varje fall följde de hur väl regulatorerna höll turbinens mekaniska effekt nära dess märkvärde samtidigt som snabba förändringar i bladvinkeln begränsades. Alla neuronnätsregulatorer minskade felet jämfört med de traditionella metoderna, men multilagers framåtriktade designen utmärkte sig. Den nådde önskad effektnivå snabbare, med mindre kvarstående avvikelser, och uppnådde den lägsta genomsnittliga kvadrerade felet över alla testfall.

Vinster i effektivitet och skydd

Vid plötsliga vindhopp höll neuronnätsregulatorn turbinen driftad på cirka 98,9 procent av dess märkffekt, märkbart högre än någon av standardregulatorerna. Under rampande och slumpmässiga vindvariationer levererade den också högre effektivitet och mindre effektavvikelser. Genom att justera bladvinkeln smidigare hjälpte den till att bibehålla den bästa kombinationen av bladhastighet och vindupptagning samtidigt som mekaniska påfrestningar som kan förkorta turbinens livslängd minskade. Även om andra neuronnätsdesigner också presterade väl krävde de mer beräkningsresurser utan att uppnå samma balans mellan snabbhet och noggrannhet.

Vad detta betyder för framtida vindparker

Enkelt uttryckt visar studien att ett vältränat neuronnät kan fungera som en skicklig operatör som iakttar himlen och ständigt finjusterar turbinbladen för både säkerhet och produktion. Bland de testade alternativen gav det multilagers framåtriktade nätverket den mest exakta och anpassningsbara styrningen, höll effekten nära målvärdet och minskade slitaget på hårdvaran. När dessa smarta regulatorer går från simulering till verkliga turbiner kan de hjälpa vindparker att leverera mer pålitlig ren energi utan större ny utrustning, helt enkelt genom att bättre utnyttja varje vindstöt.

Citering: 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

Nyckelord: styrning av vindturbin, bladvinkel, neuronnät, förnybar energi, tvåmatad asynkronmaskin