Cette page a été traduite automatiquement.
Merci de bien vouloir compléter un sondage de 1 minute concernant la qualité de cette traduction.
Amélioration du contrôle prédictif d'une éolienne de 3 MW grâce au Machine Learning
Cette approche permet de réduire les charges dynamiques sur les grandes turbines
« Les avantages d’un contrôleur prédictif de modèle amélioré par le Machine Learning peuvent être démontrés à la fois en simulation et dans un environnement de test terrain en conditions réelles. »
Principaux résultats
- Le contrôleur prédictif de modèle, amélioré par le Machine Learning, a été validé avec succès grâce à des tests basés sur des scénarios, comprenant à la fois des simulations haute fidélité et des essais sur le terrain réalisés sur une éolienne à l’échelle réelle.
- Les simulations ont montré que le contrôleur réduisait considérablement les fluctuations de la force de poussée, notamment autour des fréquences clés.
- MATLAB et Simulink ont permis un prétraitement rapide, le développement du modèle, la simulation et la génération automatisée de code pour le déploiement sur le contrôleur de turbine réel.
Les ingénieurs de RWTH Aachen University et de W2E Wind to Energy GmbH travaillent à résoudre les défis posés par des éoliennes de plus en plus grandes et légères, qui sont plus sensibles aux charges dynamiques et aux oscillations structurelles. Pour améliorer les stratégies de contrôle, ils ont développé un contrôleur prédictif de modèle avancé (MPC) augmenté d'un composant de Machine Learning, afin de mieux prédire et atténuer les fluctuations de la force de poussée.
A l’aide de MATLAB® et Simulink®, les ingénieurs ont modélisé la dynamique de l'éolienne et conçu le MPC. Ils ont utilisé MATLAB pour le prétraitement des données et ont entraîné un modèle neuro-flou linéaire local pour prédire les variations de la force de poussée. Le contrôleur a été validé par des simulations et des tests logiciels en boucle, puis déployé sur une éolienne à échelle réelle de 3 mégawatts à l'aide de Simulink Coder™ pour la génération automatisée de code. Cette approche intégrée a permis d'améliorer la réduction de la charge et a démontré la viabilité pratique de la combinaison du Machine Learning et de l’approche Model-Based Design pour le contrôle des éoliennes.
Produits utilisés
Ressources associées
