Optimal Intelligent Control for Wind Turbulence Rejection in WECS Using ANNs and Genetic Fuzzy Approach

Resumen Técnico: Control Inteligente Óptimo para el Rechazo de la Turbulencia del Viento en WECS mediante ANN y un Enfoque Fuzzy Genético

Planteamiento del Problema
La integración de los Sistemas de Conversión de Energía Eólica (WECS) en las redes de transmisión se ve obstaculizada por la naturaleza aleatoria y no lineal de la turbulencia del viento. Estas fluctuaciones causan vibración, estrés mecánico en el tren de potencia e inestabilidad en la potencia de salida. Aunque las turbinas de velocidad variable con control de paso (pitch) son el estándar para aplicaciones de la clase megavatio, mantener la potencia de salida dentro de un rango óptimo y nominal durante condiciones de ráfagas sigue siendo un desafío. Los métodos de control tradicionales, como el PID o los modelos predictivos generalizados, a menudo tienen dificultades con los requisitos adaptativos de entornos altamente turbulentos. El artículo postula que son necesarios estrategias de control inteligente en línea para identificar y rechazar eficazmente las perturbaciones de la turbulencia del viento.

Metodología
El estudio propone un análisis comparativo de tres estrategias de control inteligente diseñadas para regular el ángulo de paso de las palas, estabilizando así la potencia y el par aerodinámico de salida. El sistema se modela utilizando una turbina de velocidad variable de 2 MW con un radio de rotor de 37.5 m, donde la velocidad del viento se simula mediante un modelo ARMA (Auto-Regresivo de Media Móvil) que incorpora la velocidad media del viento y ruido gaussiano de turbulencia.

1. Controladores de Redes Neuronales Artificiales (ANN):

   • Perceptrón Multicapa (MLP): Un controlador predictivo con dos entradas (velocidad del viento y potencia de salida) y una salida (ángulo de paso). Utiliza una única capa oculta con cinco neuronas y una función de activación sigmoide. La red es entrenada mediante retropropagación para mapear los ángulos de paso óptimos con las condiciones del viento.
   • Función de Base Radial (RBF): Un controlador con tres entradas y una salida, que utiliza una capa oculta con diez neuronas y funciones de base radial gaussianas. Al igual que el MLP, es entrenado con datos óptimos de entrada-salida creíbles para determinar el ángulo de paso apropiado.

2. Sistema Fuzzy Genético (GFS):

   • Los autores proponen un nuevo Sistema Fuzzy Genético para extraer reglas fuzzy de tipo "si-entonces" directamente de los datos de la red neuronal.
   • Enfoque: El sistema emplea el "enfoque de Michigan", donde una población de reglas fuzzy evoluciona. Las reglas se codifican como cadenas numéricas que representan valores lingüísticos (por ejemplo, "muy pequeño" a "muy grande").
   • Función de Aptitud (Fitness): La función de aptitud tiene dos componentes: uno que compara las reglas generadas contra los valores óptimos, y otro que calcula la efectividad de la regla en la regulación de la potencia basándose en la fórmula de potencia de la turbina eólica.
   • Operaciones Genéticas: Se aplican selección, cruce uniforme y mutación para evolucionar el conjunto de reglas. El sistema reemplaza las reglas con peor desempeño con nuevos descendientes hasta que se cumple una condición de parada, seleccionando finalmente cinco reglas óptimas para el sistema de control.

Resultos Clave
Se realizaron simulaciones durante un periodo de 100 segundos con velocidades de viento variables (incluyendo turbulencia) para evaluar los controladores.

• MLP vs. RBF: Ambos controladores de redes neuronales regularon con éxito los ángulos de paso para mantener la potencia cerca del valor nominal. Sin embargo, el controlador MLP demostró un desempeño superior en comparación con el controlador RBF. Los autores atribuyen esto a la capacidad del MLP para manejar la "dispersión relativamente grande" de los datos de velocidad del viento, mientras que los resultados de la RBF fueron menos efectivos cuando los datos de entrenamiento no presentaban un modo de agrupación.
• Desempeño del GFS: El controlador GFS propuesto reguló con éxito la potencia y el par de salida. Al compararse con otros métodos, incluyendo algoritmos de Gauss-Laplace Lineal (LQG) y controladores PID basados en redes neuronales de retropropagación (BP), el enfoque GFS mostró menos caídas y aumentos repentinos de potencia. Específicamente, durante reducciones intensas de la velocidad del viento (por ejemplo, entre los 45 y 70 segundos), el GFS mantuvo una salida de potencia más estable en comparación con el método LQG, el cual exhibió fluctuaciones dramáticas.
• Eficiencia de Extracción de Reglas: Una comparación con el método FRENGA (Extracción de Reglas Fuzzy mediante Redes Neuronales y Algoritmos Genéticos) mostró que, si bien FRENGA extrae las reglas más rápido, el enfoque GFS propuesto logra una precisión casi igual en la minimización del error (el error más bajo de 0.1226 para GFS frente a 0.1445 para FRENGA sin NN).

Significancia y Reivindicaciones
El artículo afirma que los controladores inteligentes propuestos abordan eficazmente los desafíos del rechazo de la turbulencia del viento. La principal significancia radica en la capacidad de estos controladores "inteligentes" para:

1. Regular la Salida: Mantener la potencia aerodinámica y el par dentro de un rango nominal a pesar de las fluctuaciones aleatorias del viento.
2. Reducir el Estrés Mecánico: Al absorber las rápidas alteraciones de potencia mediante ajustes dinámicos del ángulo de paso, los controladores ayudan a mitigar las presiones mecánicas sobre la turbina.
3. Adaptabilidad: Los métodos dependen de datos de aprendizaje iniciales en lugar de condiciones ambientales específicas, lo que permite su aplicación en parques eólicos en diferentes ubicaciones sin necesidad de reescribir programas.

Los autores concluyen que, si bien tanto los enfoques MLP como GFS arrojan resultados aceptables, el controlador basado en MLP proporcionó la mejor respuesta entre los tipos de redes neuronales probados, y el controlador GFS ofreció el desempeño más robusto al compararse con algoritmos tradicionales y otros algoritmos inteligentes. El estudio reconoce una limitación: los métodos propuestos requieren una computadora de alta velocidad y memoria para registrar y procesar los datos previos para el entrenamiento. El trabajo futuro se identifica como el ajuste de las funciones de pertenencia para mejorar aún más la precisión y la velocidad de procesamiento.