ES2978661T3

ES2978661T3 - Método y sistema para controlar una magnitud de una turbina eólica eligiendo el controlador mediante aprendizaje automático

Info

Publication number: ES2978661T3
Application number: ES20713653T
Authority: ES
Inventors: David Collet; Guillaume Sabiron; Domenico Domenico Di; Mazen Al-Amir
Original assignee: Centre National de la Recherche Scientifique CNRS; IFP Energies Nouvelles IFPEN; Institut Polytechnique de Grenoble; Universite Grenoble Alpes
Current assignee: Centre National de la Recherche Scientifique CNRS; IFP Energies Nouvelles IFPEN; Institut Polytechnique de Grenoble; Universite Grenoble Alpes
Priority date: 2019-04-16
Filing date: 2020-03-27
Publication date: 2024-09-17
Anticipated expiration: 2040-03-27
Also published as: EP3956559B1; US20220213868A1; WO2020212119A1; CN113994087A; FR3095246A1; PL3956559T3; EP3956559A1; CN113994087B; US11725626B2; FR3095246B1; EP3956559C0

Abstract

La presente invención se refiere a un método para controlar una cantidad de un aerogenerador mediante la selección automática en línea de un controlador que minimice la fatiga del aerogenerador. Para ello, el método se basa en una base de datos (BDD) (construida offline) de simulaciones de una lista (LIST) de controladores, y en una etapa de aprendizaje automático en línea para determinar el controlador óptimo en términos de fatiga del aerogenerador (EOL). De este modo, el método permite la selección automática en línea de controladores en función de un criterio de fatiga, y la conmutación entre los controladores en función de los cambios en las condiciones de viento medidas. (Traducción automática con Google Translate, sin valor legal)

Description

DESCRIPCIÓN

Método y sistema para controlar una magnitud de una turbina eólica eligiendo el controlador mediante aprendizaje automático

Campo técnico

La presente invención se refiere al campo del control de las turbinas eólicas, en particular al control del ángulo de inclinación individual o del paso individual de al menos una pala de una turbina eólica.

Una turbina eólica permite transformar la energía cinética del viento en energía eléctrica o mecánica. Para convertir el viento en energía eléctrica, consiste en los siguientes elementos:

• una torre que permite colocar un rotor a una altura suficiente para permitir su movimiento (necesaria para las turbinas eólicas de eje horizontal) o colocar el rotor a una altura que le permita su accionamiento mediante un viento más fuerte y constante que a nivel del suelo. La torre alberga, en general, una parte de los componentes eléctricos y electrónicos (modulador, comandos, multiplicadora, generador, etc.) ;

• una góndola montada en la parte superior de la torre, que alberga componentes mecánicos, neumáticos, determinados componentes eléctricos y electrónicos, necesarios para el funcionamiento de la máquina. La góndola puede girar para orientar la máquina en la dirección correcta;

• un rotor, fijado a la góndola, que comprende varias palas (generalmente tres) y el morro de la turbina eólica.

El rotor se acciona con la energía del viento y está conectado mediante un árbol mecánico directa o indirectamente (por medio de un sistema de caja de engranajes y de árbol mecánico) a una máquina eléctrica (generador eléctrico, etc.) que convierte la energía recogida en energía eléctrica. El rotor está equipado, posiblemente, con sistemas de control, tales como palas de ángulo variable o frenos aerodinámicos;

• una transmisión, compuesta por dos ejes (árbol mecánico del rotor y árbol mecánico de la máquina eléctrica) conectados mediante una transmisión (caja de engranajes).

Desde principios de la década de 1990, la energía eólica ha experimentado un renovado interés, especialmente en la Unión Europea, donde la tasa de crecimiento anual es de aproximadamente un 20 %. Este crecimiento se debe a la posibilidad inherente de producir electricidad sin emisiones de carbono. Además, en vista de los objetivos fijados en la COP21, se espera una descarbonización neta de la energía en el próximo siglo. La energía eólica es una de las energías renovables que más se tendrá en cuenta para la próxima transición energética, como lo demuestra el crecimiento de su capacidad de potencia instalada, que se espera que siga aumentando durante varias décadas más. La industria de la energía eólica ya genera cientos de miles de millones de euros y se espera que siga creciendo, por lo que reducir los costes de producción de la energía eólica puede suponer un ahorro de cientos de millones, incluso miles de millones de euros. Además, para maximizar la producción de energía, la industria eólica tiende a aumentar el diámetro del rotor, lo que provoca un aumento de las cargas mecánicas en las palas y el rotor. Para sostener este crecimiento, el rendimiento de las turbinas eólicas debe seguir mejorando. La perspectiva de aumentar la producción de energía eólica requiere el desarrollo de herramientas de producción eficaces y herramientas de control avanzado para mejorar el rendimiento de las máquinas. Por lo tanto, todas las turbinas eólicas están diseñadas con un sistema de regulación de potencia.

Para esta regulación de la potencia, los controladores están diseñados para turbinas eólicas de velocidad variable. Los objetivos de los controladores son maximizar la potencia eléctrica recuperada, minimizar las fluctuaciones de velocidad del rotor y minimizar la fatiga y los momentos extremos de la estructura (palas, torre y plataforma).

Para ello, el control de las turbinas eólicas de velocidad variable se divide en tres categorías:

• El control de guiñada (control de la orientación de la turbina eólica con respecto al viento)

• El control del par de torsión de generador (maximización de la potencia de la turbina eólica cuando el viento es inferior a la velocidad nominal admitida por la turbina eólica)

• El control del paso de las palas (regulación del par de torsión aerodinámico de la turbina eólica cuando el viento es superior al nominal por inclinación de las palas)

El control de las palas se puede dividir en dos tipos de estrategia de control, el control colectivo de las palas (CPC:Collective Pitch Control)para el que cada pala tiene el mismo ángulo de inclinación, y el control individual de las palas (IPC:Individual Pitch Control)para el que cada pala tiene un ángulo de inclinación diferente. El objetivo principal del CPC es regular el par de torsión aerodinámico de la turbina eólica, para evitar una velocidad excesiva, a lo que se puede añadir el objetivo de regular la fuerza de empuje sobre el rotor.

Técnica anterior

El CPC considera un viento medio que atraviesa el rotor y, por lo tanto, admite la hipótesis de que el viento es uniforme en la superficie del rotor. Esta hipótesis es cada vez menos cierta debido al aumento constante del diámetro de los rotores fabricados (que pueden alcanzar casi los 200 m). El IPC se describe, en particular, en los siguientes documentos:

• Bossanyi, E. (2003).Individualblade pitch control for load reduction. Wind Energy,119-128,

• Schlipf, D. (2010).Look-ahead cyclic pitch control using LiDAR. The science of making torque from wind,

•Burton, T. (2011).Wind Energy Handbook,

•Lu, Q., Bowyer, R., & Jones, B. L. (2015).Analysis and design of Coleman transform-based individual pitch controllers for wind-turbine load reduction. Wind Energy,1451-1468

En estos trabajos, el IPC se considera con la transformada de Coleman (Coleman, R. P., & Feingold, A. M. (1957).Theory of self-excited mechanical oscillations of helicopter rotors with hinged blades. National Advisory Committee for Aerounautics)que permite pasar del punto de referencia rotatorio de las palas al punto de referencia fijo del buje de la turbina eólica. A través de esta transformación, los momentos fuera de plano en cada pala se transforman en momentos de cabeceo y guiñada en el buje, que reflejan un desequilibrio de las cargas aerodinámicas en las palas de la turbina eólica. La mayoría de las veces, el IPC se utiliza como complemento del CPC (Burton, 2011; Bossanyi, 2003; Lu, Bowyer, & Jones, 2015; Schlipf, 2010), y el controlador del IPC proporciona un desplazamiento angular en cada pala de modo que la suma de los desplazamientos angulares sea cero, lo que permite que el IPC no perturbe la correcta regulación del CPC (Burton, 2011). Hasta la fecha, en la literatura solo se ha propuesto un controlador que sintetice conjuntamente las regulaciones CPC e IPC (Raach, S., & Schlipf, D. (2014).Nonlinear model predictive control of floating wind turbines with individual pitch control. American Control Conference(ACC), (páginas 4434 4439)).

La evaluación de la vida útil o la fatiga de una turbina eólica es un proceso complejo, ya que las señales resultantes de las simulaciones deben analizarse a través de un algoritmo de conteo y la aplicación de la regla de Palmgrem-Miner (Miner, M. (1945).Cumulative Damage. Fatigue Journal of Applied Mechanics),que relaciona los ciclos de carga con la fracción de vida útil consumida del componente. El conteo no es el resultado de una simple función algebraica, sino de un algoritmo, conocido como algoritmo de conteoRainflow (RainFlow Countingo RFC (Downing & Socie, 1982)). Este conteo hace que la expresión de la fatiga sea discontinua y no integrable en el tiempo. Por otro lado, diversos trabajos han presentado técnicas para predecir la fatiga en función de las características del viento para una turbina eólica en bucle cerrado con un controlador determinado (Dimitrov, N., & Kelly, M. (2018).From wind to loads: wind turbine site-specific load estimation using databases with high-fidelity load simulations. Wind Energy Science Discussions;Murcia, J., Réthoré, P, & Dimitrov, N. (2017).Uncertainty propagation through an aeroelastic wind turbine model using polynomial surrogates. Renewable Energy,910-922). Un estudio ha demostrado que los vientos que puede experimentar un parque eólico se pueden agrupar en diferentes tipos de viento (Clifton, A., & Schreck, S. (2013).Turbine inflow characterization at the national wind technology center. Journal of Solar Energy Engineering).Estos tipos de viento evolucionan en función de las variaciones climáticas entre el día y la noche (debido a las diferencias de incidencia solar y temperatura), y de un día a otro (debido a los movimientos de las masas de aire en la superficie del globo). Por lo tanto, las características del viento evolucionan lentamente.

Además, se han desarrollado diferentes procedimientos de control para mejorar la recuperación de energía al tiempo que se limita la fatiga de la turbina eólica. La fatiga se podría usar como función objetiva en una técnica de control óptimo clásica, pero las especificaciones del cálculo de fatiga y del algoritmo de conteo utilizado, que se acaban de analizar, hacen que este uso sea muy complejo. Para paliar esta complejidad, la fatiga se suele aproximar mediante integrales de funciones cuadráticas; sin embargo, aunque la integral de una función cuadrática permite considerar la fatiga cualitativamente, no permite considerarla cuantitativamente (Knudsen, Bak, & Svenstrup, 2015). Considerar la cantidad de fatiga en diferentes elementos de una turbina eólica es importante ya que permite ponderar correctamente el equilibrio entre su fatiga. En particular, se ha trabajado para minimizar la fatiga adaptando las ponderaciones de un comando predictivo MPC para que la función de coste cuadrático refleje la fatiga (Barradas & Wisniewski, 2016).

Entre estos procedimientos de control, la solicitud de patente FR 2 976 630 (US 10.041.473) se refiere a un procedimiento para optimizar la producción de energía eléctrica de una turbina eólica de eje horizontal, realizando un control no lineal de la orientación de las palas teniendo en cuenta las dinámicas del sistema, al tiempo que se minimiza el impacto mecánico en la estructura. El impacto se minimiza modificando el ángulo de inclinación de las palas para que la fuerza aerodinámica aplicada a la góndola dé lugar a una velocidad cero desde la parte superior de la torre. El procedimiento se basa, en particular, en un modelo físico de la fuerza aerodinámica.

Además, la solicitud de patente FR 2988442 (US 9.458.826) se refiere a un procedimiento por el cual se controla un ángulo de inclinación de dichas palas, mediante las siguientes etapas:

a) determinar una consigna de par de torsión aerodinámico y una consigna de par de torsión de la máquina eléctrica que permitan maximizar la potencia recuperada, a partir de mediciones de velocidad del viento, velocidad del rotor y velocidad de la máquina eléctrica;

b) modificar al menos una de dichas consignas restándole un término proporcional a una divergencia entre la velocidad medida del rotor y la velocidad medida de la máquina eléctrica;

c) determinar un ángulo de inclinación de las palas que permita realizar dicha consigna de par de torsión aerodinámico;

d) orientar las palas de acuerdo con dicho ángulo de inclinación.

Otros documentos, tales como el CN 107654336 A y el US 2017/328346 A1 describen procedimientos de optimización de turbinas eólicas.

Sin embargo, los procedimientos propuestos en el estado de la técnica no son completamente satisfactorios en lo que respecta a la optimización del control mediante la reducción de la fatiga en la turbina eólica, en particular para todas las condiciones de viento, principalmente porque no consideran que la reducción de la fatiga global de la turbina eólica sea una función objetiva.

Resumen de la invención

Con el fin de minimizar el impacto del viento en la fatiga de una turbina eólica, la presente invención se refiere a un procedimiento de control de una magnitud de una turbina eólica mediante una selección automática en línea de un controlador que minimice la fatiga de la turbina eólica. Para ello, el procedimiento se basa en una base de datos (creada fuera de línea) de simulaciones de una lista de controladores, y en una etapa de aprendizaje automático(machine learning)en línea para determinar el controlador óptimo en lo que respecta a la fatiga de la turbina eólica. Por lo tanto, el procedimiento permite seleccionar controladores de manera automática y en línea, en función de un criterio de fatiga, y cambiar de controlador según la evolución de las condiciones de viento medidas.

La invención se refiere a un procedimiento de control de una magnitud de una turbina eólica, para el cual se dispone de una lista de una pluralidad de controladores de dicha magnitud de dicha turbina eólica, en donde se realizan las siguientes etapas:

a) crear, fuera de línea, una base de datos simulando, para cada controlador de dicha lista y para una pluralidad de datos de viento, una función de coste representativa de la fatiga de dicha turbina eólica;

b) medir, en línea, los datos de viento;

c) determinar, en línea, un controlador de dicha lista que minimice la fatiga de dicha turbina eólica para dichos datos de viento medidos mediante aprendizaje automático a partir de dicha base de datos; y

d) controlar, en línea, dicha magnitud de dicha turbina eólica por medio de dicho controlador determinado. De acuerdo con una forma de realización, dicha pluralidad de controladores de dicha lista se seleccionan entre controladores proporcionales e integrales Pl, y/o reguladores Hm con diferentes funciones de ponderación, y/o reguladores cuadráticos lineales LQR con diferentes ponderaciones, y/o comandos predictivos MPC con diferentes ponderaciones y/o controles predictivos basados en mediciones LIDAR.

De acuerdo con una implementación, dicho aprendizaje automático se implementa mediante un método de regresión que predice la fatiga de dicha turbina eólica para cada uno de los controladores de dicha lista o mediante un método de clasificación de dichos controladores de dicha lista que minimiza el criterio de coste en función de los datos de viento medidos.

De manera ventajosa, dicho aprendizaje automático se implementa mediante un método de regresión por medio de las siguientes etapas:

i) estandarizar los datos de viento medidos;

ii) realizar un aumento polinómico de dichos datos de viento medidos; y

iii) realizar una regresión lineal de dichos datos de viento aumentados polinómicamente mediante un cambio de espacio del valor objetivo.

De forma alternativa, dicho aprendizaje automático se implementa por medio de un método de regresión basado en un método de bosque aleatorio, una red neuronal, una máquina de vectores de soporte o procesos gaussianos.

De acuerdo con un aspecto, se controla el ángulo individual o el paso individual de al menos una pala de dicha turbina eólica.

De acuerdo con una opción, dichos controladores de dicha lista tienen en cuenta, además, un error de regulación entre una consigna de regulación de dicha magnitud de dicha turbina eólica y una medición de dicha magnitud de dicha turbina eólica.

Según una característica, dichos datos de viento utilizados para la creación de dicha base de datos provienen de mediciones en el emplazamiento de dicha turbina eólica.

De acuerdo con una forma de realización, dichos datos de viento utilizados para la creación de dicha base de datos provienen de un simulador de viento.

Además, la invención se refiere a un sistema de control de una magnitud de una turbina eólica que implementa el procedimiento de control de acuerdo con una de las características anteriores, comprendiendo dicho sistema de control medios de almacenamiento de dicha lista de controladores y de dicha base de datos creada simulando, para una pluralidad de datos de viento, una función de coste representativa de la fatiga de dicha turbina eólica para cada controlador de dicha lista, medios de medición de datos de viento, medios de determinación de un controlador de dicha lista que minimice la fatiga de dicha turbina eólica para dichos datos de viento medidos mediante aprendizaje automático a partir de dicha base de datos, y medios de control de dicha magnitud de dicha turbina eólica.

Otras características y ventajas del procedimiento de acuerdo con la invención resultarán evidentes tras la lectura de la siguiente descripción de ejemplos no limitativos de formas de realización, con referencia a las figuras adjuntas y descritas a continuación.

Lista de figuras

La figura 1 ilustra las etapas del procedimiento de control de acuerdo con una forma de realización de la invención.

La figura 2 ilustra la etapa de aprendizaje automático por regresión de acuerdo con una variante de realización de la invención.

La figura 3 es una curva entre los valores reales y los valores estimados de la fatiga para un ejemplo de realización de la invención.

Descripción de las formas de realización

La presente invención se refiere a un procedimiento de control de una magnitud de una turbina eólica, con el objetivo de minimizar la fatiga de la turbina eólica, o de al menos una parte de la turbina eólica (es decir, un componente de la turbina eólica), en función de los datos de viento medidos. El procedimiento de acuerdo con la invención se basa en elegir el controlador óptimo (en términos de fatiga) mediante aprendizaje automático (del inglés"machine learning').El principio consiste en desarrollar un algoritmo de aprendizaje automático que permita generar una correlación que vincule las condiciones de viento medidas con una cantidad de fatiga mecánica. Uno de los objetivos de la invención puede ser crear un modelo sustitutivo para estimar la vida útil de la turbina eólica en un parque eólico con una distribución de viento determinada de forma casi instantánea.

En el resto de la descripción, la expresión "fatiga de la turbina eólica" también se refiere a la fatiga de al menos un componente de la turbina eólica.

Cualquier parámetro de la turbina eólica que pueda controlarse se denomina magnitud de turbina eólica. De acuerdo con una forma de realización preferente, la magnitud puede ser el ángulo de inclinación individual o el paso individual de las palas utilizado en el control individual de las palas IPC.

La información relativa al viento que llega a la turbina eólica se denomina datos de viento. Estos datos de viento se pueden medir, en particular, mediante un sensor Lidar (teledetección por láser), un anemómetro o un sensor SODAR(Sonic Detection And Ranging,teledetección de ondas sonoras), etc. Por ejemplo, no limitativo, los datos de viento pueden comprender, en particular, la siguiente información: media y desviación típica de la velocidad promedio del viento en el rotor de la turbina eólica, gradientes horizontales y verticales de la velocidad del viento en el rotor, desalineaciones de cabeceo y guiñada, intensidad de turbulencia del viento promedio en el rotor de la turbina eólica.

Para elegir el control óptimo de la magnitud de la turbina eólica, el procedimiento se basa en el uso de una lista predeterminada de una pluralidad de controladores (al menos dos controladores). El uso de una pluralidad de controladores permite adaptar el control a las diferentes condiciones de viento y, por lo tanto, permite un control óptimo, independientemente de las condiciones de viento. La pluralidad de controladores de la lista se puede elegir entre controladores proporcionales e integrales PI, y/o reguladores Hm con diferentes funciones de ponderación, y/o reguladores cuadráticos lineales LQR y/o comandos predictivos por modelos MPC y/o controladores predictivos basados en un sensor LIDAR con diferentes ponderaciones. La lista de controladores puede comprender varios controladores del mismo tipo, es decir, varios controladores configurados de forma diferente.

El procedimiento de acuerdo con la invención puede consistir en combinar tres aspectos, que son: el control de una magnitud de la turbina eólica (por ejemplo, el control individual de las palas), las características del viento que evolucionan lentamente, así como la predicción de la fatiga de la turbina eólica. Las técnicas de modelo de sustitución para la fatiga se pueden usar para predecir un coste para la turbina eólica sometida al viento actual para diferentes controladores de un conjunto discreto. Esto permite seleccionar controladores de manera automática y en línea, en función de un criterio de fatiga, y permite controlar la magnitud de la turbina eólica cambiando de controlador de acuerdo con la evolución de las condiciones de viento.

El procedimiento de acuerdo con la invención comprende las siguientes etapas:

1) Crear una base de datos

2) Medir datos de viento

3) Determinar el controlador mediante aprendizaje automático

4) Controlar la magnitud de la turbina eólica

La etapa 1) es una etapa realizada de antemano fuera de línea, para limitar la duración del procedimiento de control en línea. Es más, el mayor coste de cálculo del procedimiento de acuerdo con la invención se realiza así fuera de línea.

Las etapas 2) a 4) se realizan en línea durante el funcionamiento de la turbina eólica para elegir el controlador en tiempo real.

La figura 1 representa, esquemáticamente y de manera no limitativa, las etapas del procedimiento de acuerdo con una forma de realización de la invención. Previamente, se determina una lista LIST de controladores de la magnitud de la turbina eólica. A partir de esta lista LIST de controladores y por medio de simulaciones, se crea, fuera de línea, una base de datos BDD representativa de la fatiga de la turbina eólica para los controladores de la lista LIST y para los datos de viento. Los datos de viento X se miden en línea. Estos datos de viento X medidos, la lista de controladores LIST y la base de datos BDD son utilizados por un controlador de alto nivel CHN para determinar, en línea, un controlador K* de la lista LIST que minimice la fatiga de la turbina eólica para los datos de viento medidos X. Esta determinación del controlador K* se implementa mediante aprendizaje automático.

A continuación, el controlador determinado K* se usa para el control CONT, en línea, de la magnitud de la turbina eólica. En la forma de realización ilustrada, el control CONT se realiza teniendo en cuenta un error de regulación E, que corresponde a la diferencia entre la consigna de regulaciónrde la magnitud de la turbina eólica y una mediciónyde la magnitud de la turbina eólica y. El control CONT genera entonces una señal de comandou(por ejemplo, un paso individual de pala) para la turbina eólica EOL. De acuerdo con una opción de realización, la consigna de regulaciónrpuede ser nula la mayoría de las veces para que el control, en particular el control IPC, pueda regular las cargas que desequilibran la turbina eólica hacia 0. De forma alternativa, en particular en el caso de las turbinas eólicas flotantes, la consignarpuede proporcionarse por un controlador externo para estabilizar y/o equilibrar la turbina eólica.

A continuación se describen detalladamente las etapas del procedimiento de control.

1) Creación de la base de datos

En esta etapa, se crea, fuera de línea, una base de datos simulando, para cada controlador de la lista predeterminada y para una pluralidad de datos de viento, una función de coste representativa de la fatiga de la turbina eólica.

De acuerdo con una forma de realización de la invención, la pluralidad de datos de viento utilizados para esta etapa se pueden obtener mediante mediciones previas en el emplazamiento de la turbina eólica. De este modo, la base de datos será lo más representativa posible.

De forma alternativa, la pluralidad de datos de viento utilizados para esta etapa se pueden obtener mediante un simulador de viento, por ejemplo, el software TurbSim™ (NREL,National Renewable Energy Laboratory),que es un simulador de turbulencias estocásticas a gran escala(full-field).

La simulación del comportamiento de la turbina eólica puede ser implementada por un simulador digital, por ejemplo un simulador aeroelástico de turbina eólica, tal como el software FAST™ (NREL,National Renewable Energy Laboratory).

A continuación, se diseña un criterio de coste J, cuya complejidad no es un límite ya que se evalúa fuera de línea. Por lo general, es posible utilizar modelos complejos de fatiga de los elementos mecánicos de la turbina eólica, para tener un criterio de coste más fiel a los daños sufridos por la turbina eólica. La mayoría de estos modelos no se pueden utilizar en línea, ya que se necesita un período de tiempo lo suficientemente largo para evaluar la fatiga con estos modelos. Por lo tanto, una de las ventajas del procedimiento de acuerdo con la invención, es poder utilizar modelos complejos de coste de la fatiga de la turbina eólica, que no se pueden usar directamente en línea.

Según una implementación de la invención, el modelo de fatiga puede ser un modelo de Palmgram-Miner, que realiza un conteo del número de ciclos de histéresis de carga y descarga. Este conteo puede ser discontinuo. Preferentemente, el método de conteo puede ser el conteo "rainflow" RFC(RainFlow Counting,que se puede traducir literalmente como conteo de "flujo de lluvia"). Estos métodos de conteo no permiten expresar la fatiga como la integral de una función algebraica de la carga, lo que se utiliza convencionalmente en control óptimo (coste de integrales de funciones cuadráticas). La integral de una función de coste cuadrático no permite evaluar la cantidad de fatiga, lo que es un problema cuando se quiere evaluar el equilibrio entre la fatiga de diferentes elementos. Una de las principales ventajas del procedimiento de acuerdo con la invención es la de hacer posible la integración del cálculo de fatiga en la estrategia general de control.

Se evalúa cada simulación con el criterio de coste J diseñado anteriormente. Por lo tanto, la simulación de la turbina eólica sometida al viento i, denotado como w, en bucle cerrado con el controlador K<j>que pertenece a la lista K<list>, tiene un coste y<ij>=J(w,K<j>). Por otro lado, para reducir el número de variables y simplificar el problema, es posible extraer de las mediciones de viento características capaces de caracterizar de manera unívoca el viento wy que podrían correlacionarse con el valor del criterio de coste. Se puede entonces definir la función g, la cual proporciona, a partir del viento w, el vector de características del viento X=g(w).

2) Medición de los datos de viento

En esta etapa se miden, en línea, los datos de viento para conocer, en tiempo real, el viento que llega a la turbina eólica.

De acuerdo con una forma de realización, se pueden realizar estas mediciones con un sensor Lidar.

3) Determinación del controlador mediante aprendizaje automático

En esta etapa se determina, en línea, el controlador óptimo en lo que respecta a la fatiga de la turbina eólica para los datos de viento medidos en la etapa anterior. El controlador se determina entre la lista de controladores mediante aprendizaje automático(machine learning)que utiliza la base de datos creada en la etapa 1) y las mediciones de datos de viento de la etapa 2), así como la lista de controladores.

Según una implementación de la invención, se pueden considerar dos formas de combinar estos datos y el aprendizaje automático para la selección de controladores: la predicción del coste a través de técnicas de regresión (una regresión por controlador de la lista), y la clasificación de los controladores que minimizan el criterio de coste en función del viento actual (datos de viento medidos).

De acuerdo con una primera forma de realización, la regresión puede consistir en reconstruir la correlaciónJ(w¡, Kj)=Y(g(wi), Kj)= Y(X,Kj)con una funciónfregtal como:

donde Y es una correlación que asocia el vector de características del viento Xi y el controlador Kj al coste correspondiente,fdefine una clase de funciones, cuyos parámetros se deben optimizar para minimizar la divergencia entre las predicciones del modelo y la correlación. De esta manera, la función f<reg>predice el valor del criterio de coste para la turbina eólica en bucle cerrado con cada uno de los controladores de la lista bajo el viento actual (datos de viento medidos). De esta manera, es posible elegir el controlador K* más adecuado para las condiciones de viento actuales X (datos de viento medidos), utilizando el controlador que minimice el criterio de coste de acuerdo con la función f<reg>:

De acuerdo con una segunda forma de realización, la regresión puede comprender las siguientes etapas: i) estandarizar los datos de viento medidos;

ii) realizar un aumento polinómico de dichos datos de viento medidos; y

La estandarización de los datos de viento permite ajustar los datos de viento medidos a una distribución normal centrada.

El aumento polinómico corresponde a la multiplicación de las coordenadas del vector de datos de viento entre sí hasta un determinado grado predefinido. Por ejemplo, los datos (x1, x2, x3) se pueden transformar en (1, x1, x2, x3, x1x2, x1x3, x2x3, x1<2>, x2<2>, x3<2>) para un aumento polinómico de grado 2.

El cambio de espacio del valor objetivo puede ser una transformación Box-Cox que permite añadir una no linealidad a la salida. La transformación Box-Cox es, en estadística, una familia de funciones que se aplican para crear una transformación monótona de datos utilizando funciones de potencia. Una transformación de este tipo permite estabilizar la varianza, hace que los datos se parezcan más a una distribución de tipo normal y mejora la validez de las mediciones.

De acuerdo con una tercera forma de realización, la regresión se puede basar en un método de bosque aleatorio, una red neuronal, una máquina de vectores de soporte (del inglésSupport Vector Machineo SVM) o procesos gaussianos. De acuerdo con un aspecto de la invención, la clasificación de los controladores puede consistir en sintetizar directamente una función f<cl>que predice el controlador más adecuado para la condición de viento actual X, denotado comoK*=fc(X).La función f<cl>se puede definir de la siguiente manera:

donde la función h da una idea de la correcta clasificación del controlador:

Según los primeros resultados, los dos métodos (regresión y clasificación) parecen equivalentes. Se puede observar que, de acuerdo con la técnica de clasificación empleada, se puede realizar la regresión de una pseudofunción de coste (de la fatiga). Esta función de coste es la probabilidad de que un controlador K sea el controlador más adecuado en una condición de viento X, denotada como p(X,K). Finalmente, el resultado de f<cl>es el controlador que maximiza esta probabilidad bajo una condición de viento.

La regresión tiene la ventaja de predecir el coste (de la fatiga) directamente, por lo que es posible establecer un umbral para el cambio de controlador y limitar así los cambios de un controlador a otro sólo a aquellos cambios que supongan una ganancia neta. La clasificación tiene la ventaja de minimizar directamente el error de clasificación y, por tanto, de limitar el riesgo de escoger el controlador equivocado a la hora de seleccionar el controlador más adecuado, como ocurre con la regresión.

4) Control de la magnitud de la turbina eólica

En esta etapa se controla, en línea, la magnitud de la turbina eólica aplicando el controlador determinado en la etapa 3).

De acuerdo con una forma de realización correspondiente a la forma de realización de la figura 1, se aplica el controlador en el bucle de retorno. El controlador tiene en cuenta el error de regulación entre una consigna de regulación y la medición de la magnitud de la turbina eólica. En este caso, el procedimiento puede comprender una etapa de medición de la magnitud controlada de la turbina eólica.

Además, la presente invención se refiere a un sistema de control de una magnitud de la turbina eólica, capaz de implementar el procedimiento de acuerdo con una cualquiera de las combinaciones de variantes descritas.

El sistema de control comprende al menos:

• medios de almacenamiento de la lista de controladores y de la base de datos creada mediante simulación, • medios de medición de los datos de viento,

• medios de determinación de un controlador, que utilizan la lista de controladores y la base de datos de los medios de almacenamiento y las mediciones de datos de viento de los medios de medición, y

• medios de control para aplicar el controlador determinado a dicha turbina eólica.

De acuerdo con una forma de realización de la invención, los medios de determinación de un controlador y los medios de almacenamiento pueden ser medios informáticos.

Además, el sistema de control puede comprender medios informáticos de simulación numérica para crear la base de datos.

La ventaja de utilizar el procedimiento de acuerdo con la invención en lugar de los métodos de control óptimos convencionales, también destinados a minimizar un criterio de coste, es que se otorga una gran flexibilidad al criterio de coste. De hecho, el procedimiento de acuerdo con la invención permite usar cualquier criterio de coste. Por lo tanto, es posible usar modelos precisos de fatiga mecánica, que sólo pueden utilizarse fuera de línea, a diferencia de los modelos MPC(Model Predictive Control)tradicionales, que requieren que el criterio de coste se reevalúe constantemente en línea.

La segunda ventaja es que el procedimiento de acuerdo con la invención puede optimizar el control sobre una función de coste muy compleja usando técnicas de control relativamente sencillas, y de esta manera tener un coste de cálculo en línea muy bajo. Además, el procedimiento de control de acuerdo con la invención está intrínsecamente diseñado para adaptarse a diversas condiciones de viento, a diferencia de la mayoría de las demás técnicas de control basadas en modelos lineales, que requieren un trabajo adicional para su generalización a los diferentes casos que pueda encontrar la turbina eólica.

Ejemplo

Las características y ventajas del procedimiento de control de acuerdo con la invención resultarán más evidentes tras la lectura del siguiente ejemplo de aplicación.

Para validar el procedimiento de control de acuerdo con la invención, el procedimiento se probó primero en un conjunto de datos de viento generado por el generador de viento TurbSim™ y se simuló en bucles cerrados en el simulador aeroelástico de turbina eólica FAST™, con 4 controladores. Los controladores considerados son controladores IPC proporcionales e integrales Pl, correspondientes a los descritos en el documento de Bossanyi et al. (Bossanyi, 2003). En este ejemplo, un controlador CPC descrito en el documento de Jonkman et al. (Jonkman, 2007), sirve para garantizar la correcta regulación de la velocidad y la potencia del rotor. Un controlador PI utiliza el error de regulación entre la medición y el valor deseadoe(t),definido como la diferencia entre la magnitud medida que debe regularse y la consigna de regulación, para proporcionar la entrada para el sistema a regular u(t) de la siguiente manera:

donde Kp y Ki son los coeficientes proporcional e integrador que definen el controlador. Los parámetros de los 4 controladores PI considerados en el ejemplo son los siguientes:

[Tabla 1]

Los vientos utilizados para crear la base de datos (los datos de aprendizaje) son campos de viento tridimensionales no uniformes con turbulencias coherentes. Para el aprendizaje se generaron 588 vientos con 147 combinaciones de parámetros (velocidad media, dirección, gradiente vertical de velocidad, intensidad de turbulencia).

Para poder predecir la fatiga en función del viento, hay que extraer del viento las características que permitan explicar la fatiga que se podría obtener a partir de algoritmos de reconstrucción de viento.

A partir de los campos de viento de TurbSim™, el vector de vientoV(t,y,z) = [u(t,y,z),v(t,y,z),w(t,y,z)]Tse obtiene en el instanteten el plano rotor, dondeyy z son, respectivamente, las coordenadas horizontales y verticales del campo. Sea V la norma L<2>del vectorV(t,y,z).

Las características del viento consideradas son la media y la desviación típica a lo largo del tiempo de la simulación (300 segundos), comenzando en t<0>y terminando en t<f>, la velocidad media en el rotor, denominada RAWS{Rotor Average Wind Speed),gradientes horizontales y verticales denotados como5yy <5z, y desalineación de cabeceo y guiñada denotada comoQyy Q<z>. Finalmente, la intensidad de turbulencia media en el rotor, denominada RATI(Rotor Averaged Turbulence Intensity),se calcula para cada simulación. Los valores instantáneos de RAWS,5y , 5Z, QyyQz,así como el valor para toda la simulación de RATI, se expresan matemáticamente de la siguiente manera:

siendo S el área del rotor yds=dydzuna superficie infinitesimal del rotor.

En este ejemplo, la función de aprendizaje automáticoftiene la siguiente estructura, ilustrada en la figura 2 (de manera no limitativa):

• Estandarización STD de los datos X (distribución ajustada a una distribución normal centrada)

• Aumento polinómico (multiplicación de las coordenadas del vector entre sí hasta un grado determinado) (por ejemplo,

para un aumento polinómico de grado 2). En este caso, lasxson las características del viento. A continuación, se obtienen los datos X<poli>

• Regresión lineal REG a partir de datos X<poli>

• Transformación Box-Cox TBC del valor objetivo (Box & Cox, 1964) que permite añadir una no linealidad a la salida

•Transformación Box-Cox inversa TBC-INV, que permite calcular la predicción de la fatiga.

w* es un vector que es el resultado de la optimización de estos coeficientes para minimizar la divergencia entre las predicciones y la correlación en el espacio Box-Cox. La ecuación deYmuestra cómo se utiliza w* para predecir el coste en el espacio Box-Cox a partir de X<poli>.

Este esquema de regresión se realiza para cada controladorKj,y el conjunto de estas regresiones da la funciónf.Por lo tanto, se puede decir quef(X,Kj)=Y(X,Kj).

Las pruebas iniciales han demostrado que el modelo de sustitución del procedimiento de evaluación del coste permite predecir el coste correctamente y de manera eficaz con datos de pruebas no utilizados durante el aprendizaje (creación de la base de datos). El algoritmo de regresión aprendió de un conjunto de 294 vientos extraídos al azar sin reemplazo, y se obtuvieron 4 regresiones, una para cada controlador.

El algoritmo se probó con 294 muestras de viento extraídas al azar, sin reemplazo y no utilizadas para el aprendizaje (la base de datos). La figura 3 representa los valores reales VR y los valores estimados VE por el procedimiento de acuerdo con la invención. En la figura 3 se puede observar que el algoritmo predice correctamente el coste de cada simulación; aquí se representan las predicciones para las cuatro simulaciones.

Para evaluar la calidad del procedimiento de acuerdo con la invención, se pueden utilizar dos indicadores:

R<2>da una indicación de la calidad del algoritmo de regresión; cuanto más cerca esté de 1, más calidad tendrá la regresión. R<dec>da una idea de la disminución de la fatiga que podría lograrse utilizando los mejores controladores K* determinados por la regresión, sin tener en cuenta el coste que podría añadirse por cambiar de un controlador a otro.

La tabla 2 proporciona los valores de los indicadores. Las puntuaciones R<2>son superiores a 0,9 para cada regresión. Por lo tanto, el método de regresión es de buena calidad. De acuerdo con las puntuaciones R<dec>, el algoritmo podría reducir de manera eficaz el coste de la turbina eólica en al menos un 20 % en comparación con el mejor controlador del conjunto de candidatos por sí solo.

[Tabla 2]

Claims

REIVINDICACIONES

1. Procedimiento de control de una magnitud de una turbina eólica (EOL), para el cual se dispone de una lista (LIST) de una pluralidad de controladores de dicha magnitud de dicha turbina eólica, en donde se realizan las siguientes etapas:

a) crear, fuera de línea, una base de datos (BDD) simulando, para cada controlador de dicha lista (LIST) y para una pluralidad de datos de viento, una función de coste representativa de la fatiga de dicha turbina eólica;

b) medir, en línea, datos de viento (X);

c) determinar, en línea, un controlador (CONT) de dicha lista (LIST) que minimice la fatiga de dicha turbina eólica para dichos datos de viento medidos mediante aprendizaje automático a partir de dicha base de datos; y

d) controlar, en línea, dicha magnitud de dicha turbina eólica (EOL) por medio de dicho controlador (CONT) determinado.

2. Procedimiento de control de acuerdo con la reivindicación 1, en donde dicha pluralidad de controladores de dicha lista (LIST) se seleccionan entre controladores proporcionales e integrales Pl, y/o reguladores H<m>con diferentes funciones de ponderación, y/o reguladores cuadráticos lineales LQR con diferentes ponderaciones, y/o comandos predictivos MPC con diferentes ponderaciones y/o controles predictivos basados en mediciones LIDAR.

3. Procedimiento de control de acuerdo con una de las reivindicaciones anteriores, en donde dicho aprendizaje automático se implementa mediante un método de regresión (REG) que predice la fatiga de dicha turbina eólica para cada uno de los controladores de dicha lista o mediante un método de clasificación de dichos controladores de dicha lista que minimiza el criterio de coste en función de los datos de viento medidos.

4. Procedimiento de control de acuerdo con la reivindicación 3, en donde dicho aprendizaje automático se implementa mediante un método de regresión por medio de las siguientes etapas:

i) estandarizar (STD) los datos de viento medidos;

ii) realizar un aumento polinómico de dichos datos de viento medidos; y

5. Procedimiento de control de acuerdo con la reivindicación 3, en donde dicho aprendizaje automático se implementa por medio de un método de regresión basado en un método de bosque aleatorio, una red neuronal, una máquina de vectores de soporte o procesos gaussianos.

6. Procedimiento de control de acuerdo con una de las reivindicaciones anteriores, en donde se controla el ángulo individual o el paso individual de al menos una pala de dicha turbina eólica (EOL).

7. Procedimiento de control de acuerdo con una de las reivindicaciones anteriores, en donde dichos controladores de dicha lista (LIST) tienen en cuenta, además, un error de regulación entre una consigna de regulación (r) de dicha magnitud de dicha turbina eólica y una medición (y) de dicha magnitud de dicha turbina eólica.

8. Procedimiento de control de acuerdo con una de las reivindicaciones anteriores, en donde dichos datos de viento utilizados para la creación de dicha base de datos (BDD) provienen de mediciones en el emplazamiento de dicha turbina eólica.

9. Procedimiento de control de acuerdo con una de las reivindicaciones 1 a 7, en donde dichos datos de viento utilizados para la creación de dicha base de datos (BDD) provienen de un simulador de viento.

10. Sistema de control de una magnitud de una turbina eólica que implementa el procedimiento de control de acuerdo con una de las reivindicaciones anteriores, comprendiendo dicho sistema de control medios de almacenamiento de dicha lista (LIST) de controladores y de dicha base de datos (BDD) creada simulando, para una pluralidad de datos de viento, una función de coste representativa de la fatiga de dicha turbina eólica para cada controlador de dicha lista, medios de medición de datos de viento, medios de determinación de un controlador (CONT) de dicha lista que minimice la fatiga de dicha turbina eólica para dichos datos de viento medidos mediante aprendizaje automático a partir de dicha base de datos (BDD), y medios de control de dicha magnitud de dicha turbina eólica (EOL).