Cette page a été traduite automatiquement.
Merci de bien vouloir compléter un sondage de 1 minute concernant la qualité de cette traduction.
Réduire les charges structurelles sur les éoliennes grâce au Machine Learning et au contrôle prédictif (MPC)
Par Andreas Klein, Thorben Wintermeyer-Kallen et Maximilian Basler, Institute of Automatic Control, RWTH Aachen, et János Zierath, W2E Wind to Energy GmbH
L’approche Model-Based Design a joué un rôle déterminant dans notre processus de développement. Cette approche nous a permis de tester le fonctionnement du contrôleur sur une éolienne de 3 MW à grande échelle.
Pour atteindre zéro émission nette d'ici 2050, la production d'énergie éolienne doit maintenir une croissance annuelle de 17%. Alors que la capacité énergétique totale installée des éoliennes continue de croître dans le monde entier, l’industrie intensifie ses efforts pour optimiser l’efficacité opérationnelle à long terme. Cela implique non seulement de maximiser la puissance de production, mais également de minimiser les coûts de fabrication et de maintenance, tout en garantissant la sécurité et la conformité au réseau. Atteindre tous ces objectifs est difficilement gérable à l’aide de stratégies de contrôle classiques basées sur des algorithmes PI (Proportionnel, Intégral) ou PID (Proportionnel, Intégral, Dérivé). En conséquence, des groupes de recherche ont exploré l’utilisation de stratégies de contrôle plus avancées, notamment le contrôle prédictif (MPC).
Le MPC est bien adapté aux applications de contrôle d’éoliennes car il peut condenser plusieurs objectifs et contraintes de contrôle, parfois contradictoires, dans un problème d'optimisation. En fait, nos anciens collègues ont déjà démontré l'efficacité du MPC pour le contrôle des éoliennes en utilisant un design de contrôleur basé sur un modèle et un prototypage de contrôle rapide.
Récemment, nous (une équipe de chercheurs de Institute of Automatic Control à RWTH d'Aix-la-Chapelle et d'ingénieurs de W2E Wind to Energy GmbH) avons étendu ce travail antérieur en intégrant un modèle de régression de Machine Learning dans le MPC. Grâce à cette amélioration, le contrôleur ajuste de manière proactive les angles d'inclinaison des pales et le couple du générateur pour minimiser l'alternance de charge sur l’éolienne, visant à réduire les risques d'usure et de dommages à long terme. Les algorithmes que nous avons utilisés proviennent du projet de recherche IntelliWind référencé par le numéro de subvention 01IS22028A/B. L’approche Model-Based Design a joué un rôle déterminant dans notre processus de développement : nous avons utilisé MATLAB® pour former le modèle de Machine Learning qui associe les états dynamiques du modèle de prédiction interne du MPC au changement de la force de poussée sur le rotor, Simulink® et Model Predictive Control Toolbox™ pour modéliser et simuler de manière approfondie le contrôleur, et Simulink Coder™ pour générer du code à déployer sur un système de contrôle industriel Bachmann. Cette approche nous a permis de tester le fonctionnement du contrôleur sur une éolienne de 3 MW, à grande échelle, exploitée par W2E Wind to Energy (Figure 1), une étape importante dans la validation de l'aptitude à la production de cette nouvelle conception de contrôleur.
Apprentissage du modèle de Machine Learning et intégration dans le MPC
Les performances et la stabilité d’un MPC sont fortement influencées par la précision et la fidélité de son modèle de prédiction. Étant donné que les modèles de plus haute fidélité nécessitent souvent plus de calculs, il existe un compromis dans le design du MPC. Par exemple, l’intégration d’un modèle complet de dynamique des fluides computationnelle pour une éolienne dans un MPC n’est pas pratique car le temps nécessaire pour générer des prédictions à partir d’un tel modèle dépasserait probablement de loin le temps d’échantillonnage du contrôleur.
Pour résoudre ce compromis de design entre fidélité et intensité de calcul, nous avons utilisé un modèle de Machine Learning, en particulier un modèle neuro-flou linéaire local (LLNFM), pour prédire rapidement les changements de force de poussée sur le rotor de la turbine. Dans le MPC, nous avons combiné ce LLNFM avec un modèle non linéaire d'ordre réduit de l’éolienne (Figure 2). Cependant, avant de l’intégrer dans notre design de contrôle, nous devions d’abord entraîner le modèle de Machine Learning.
L’apprentissage de tout modèle de Machine Learning, y compris de notre LLNFM, nécessite des données. Nous avons généré des données d’apprentissage synthétiques à l'aide du logiciel Alaska/Vent dans lequel nous avons modélisé et simulé les charges internes sur le rotor en fonction des forces du vent externes. En particulier, nous avons effectué des simulations pour évaluer la force de poussée sur le rotor dans diverses conditions de vent, y compris des vitesses variables, ainsi que des rafales extrêmes. Nous avons ensuite importé ces données dans MATLAB et les avons prétraitées. Les étapes de prétraitement comprenaient le calcul de la dérivée temporelle (car nous voulions entraîner le modèle sur le changement de force de poussée au cours du temps) et l’application d’un filtre passe-bas pour éliminer les parts de haute fréquence induites par la stochastique du vent (Figure 3).
Nous avons construit et formé le LLNFM en utilisant l'algorithme LOLIMOT (LOcal LInear MOdel Tree), fourni par le LMN-Tool, une toolbox MATLAB de l'Université de Siegen. Nous utilisons le LLNFM car il représente des relations non linéaires mais offre une complexité gérable par rapport à d’autres techniques de Machine Learning. Cela conduit à une plus grande interprétabilité, ce qui constitue un avantage dans les applications de contrôle dans le monde réel où la minimisation du risque de tout dommage potentiel à l'installation est une préoccupation majeure.
Une fois que nous avons entrainé et validé le LLNFM, nous avons utilisé le framework symbolique CasADi pour créer une expression symbolique basée sur le modèle et calculer le jacobien du modèle par rapport aux états du système. Nous avons créé une S-function basée sur cette expression symbolique du modèle et de son jacobien. Dans Simulink, cette fonction S est appelée pour obtenir un modèle d'espace d'état linéarisé dans le filtre de Kalman étendu (EKF) du contrôleur et invoquée par le bloc Adaptive MPC Controller pour estimer les états du modèle de prédiction à mesure que les conditions de fonctionnement changent (Figure 3).
Simulation et réglage du contrôleur
Avec le modèle de Machine Learning intégré au MPC, notre étape suivante a consisté à exécuter des simulations pour régler le contrôleur et évaluer sa performance. Le contrôleur est conçu pour maximiser la puissance de sortie tout en minimisant la charge structurelle.
Nous avons effectué de nombreuses simulations à différentes vitesses de vent, allant de la vitesse de démarrage à la vitesse de coupure. Nous avons ensuite analysé les résultats dans MATLAB et comparé les performances du nouveau MPC amélioré par le Machine Learning, par rapport au MPC existant et à un système de contrôle classique de base. Alors que le MPC amélioré par le Machine Learning n'avait qu'une influence mineure sur la dynamique de la poussée en régime de charge partielle (vitesses de vent plus faibles), en régime de pleine charge (vitesses de vent plus élevées), il réduisait la dynamique de la poussée dans la gamme de fréquences autour du premier mode propre dominant de la tour (Figure 4). Les résultats de la simulation ont montré que le MPC amélioré par le Machine Learning produit une puissance similaire au MPC existant (Figure 5).
Déploiement et tests sur une véritable éolienne
Bien que les simulations nous aient donné confiance dans notre design de contrôle, voir comment il fonctionnerait sur la véritable éolienne et évaluer sa robustesse dans des conditions de fonctionnement réelles était également essentiel à notre projet de recherche. Afin d’atteindre cet objectif, nous avons utilisé Simulink Coder avec M-Target for Simulink pour générer du code à partir de notre contrôleur pour le PLC MH230 de Bachmann Electronic GmbH, qui est installé dans l'éolienne W2E Wind to Energy. Les essais sur le terrain se sont bien déroulés, confirmant le fonctionnement stable de l'éolienne à grande échelle en régime de charge partielle et de pleine charge (Figure 6).
Ainsi, dans cette première preuve de concept, nous avons démontré la possibilité générale d'utiliser une extension de Machine Learning dans des algorithmes MPC avancés sur des éoliennes à grande échelle. Cela nous permettra de tester à l’avenir des algorithmes de Machine Learning plus complexes dans le cadre d’expériences et d’améliorer encore le fonctionnement des éoliennes.
À court terme, nous attendons avec impatience des tests sur le terrain plus approfondis sur éolienne et les opportunités qui nous permettront d'optimiser et de régler davantage le contrôleur. Nous explorons également plusieurs autres améliorations potentielles, notamment l’utilisation de capteurs LiDAR pour fournir au contrôleur des estimations de propagation du vent plus précises et l’utilisation d’un contrôle individuel du pas des pales, au lieu d’un contrôle collectif, afin d’augmenter encore la précision et les performances du contrôle.
Remerciements
Les figures 2 et 3 sont adaptées de l'article Control-Oriented Wind Turbine Load Estimation Based on Local Linear Neuro-Fuzzy Models (Estimation de la charge d'une éolienne orientée sur le contrôle, basée sur des modèles neuro-flous linéaires locaux) (2024), publié dans le Journal of Physics : Conference Series, sous la Creative Commons Attribution 4.0 License. Les figures ont été modifiées par rapport à leurs versions originales.
Publié en 2024