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

Resumo Técnico: Controle Inteligente Otimizado para Rejeição de Turbulência de Vento em WECS Usando ANNs e Abordagem Fuzzy Genética

Definição do Problema
A integração de Sistemas de Conversão de Energia Eólica (WECS) em redes de transmissão é dificultada pela natureza aleatória e não linear da turbulência do vento. Essas flutuações causam vibração, estresse mecânico no trem de potência e instabilidade na potência de saída. Embora turbinas de velocidade variável com controle de passo sejam o padrão para aplicações de classe megawatt, manter a potência de saída dentro de uma faixa ótima e nominal durante condições de rajadas permanece um desafio. Métodos de controle tradicionais, como PID ou modelos preditivos generalizados, frequentemente lutam para atender aos requisitos adaptativos de ambientes altamente turbulentos. O artigo postula que estratégias de controle inteligente e online são necessárias para identificar e rejeitar efetivamente as perturbações de turbulência do vento.

Metodologia
O estudo propõe uma análise comparativa de três estratégias de controle inteligente projetadas para regular o ângulo de passo das pás, visando estabilizar a potência aerodinâmica e o torque. O sistema é modelado usando uma turbina de velocidade variável de 2 MW com um raio de rotor de 37,5 m, onde a velocidade do vento é simulada usando um modelo ARMA (Auto-Regressivo de Médias Móveis) incorporando velocidade média do vento e ruído gaussiano de turbulência.

1. Controladores de Redes Neurais Artificiais (ANN):

   • Perceptron Multicamadas (MLP): Um controlador preditivo com duas entradas (velocidade do vento e potência de saída) e uma saída (ângulo de passo). Ele utiliza uma única camada oculta com cinco neurônios e uma função de ativação sigmoide. A rede é treinada via retropropagação para mapear ângulos de passo ideais para as condições de vento.
   • Função de Base Radial (RBF): Um controlador com três entradas e uma saída, utilizando uma camada oculta com dez neurônios e funções de base radial gaussianas. Assim como o MLP, é treinado em dados de entrada-saída confiáveis para determinar o ângulo de passo apropriado.

2. Sistema Fuzzy Genético (GFS):

   • Os autores propõem um novo Sistema Fuzzy Genético para extrair regras fuzzy if-then diretamente dos dados da rede neural.
   • Abordagem: O sistema emprega a "abordagem Michigan", onde uma população de regras fuzzy evolui. As regras são codificadas como strings numéricas representando valores linguísticos (por exemplo, "muito pequeno" a "muito grande").
   • Função de Aptidão (Fitness Function): A função de aptidão possui dois componentes: um comparando as regras geradas contra valores ótimos e outro calculando a eficácia da regra na regulação da potência com base na fórmula de potência da turbina eólica.
   • Operações Genéticas: Seleção, cruzamento uniforme e mutação são aplicados para evoluir o conjunto de regras. O sistema substitui as regras de pior desempenho por novos descendentes até que uma condição de parada seja atingida, selecionando finalmente cinco regras ideais para o sistema de controle.

Principais Resultados
Simulações foram conduzidas ao longo de um período de 100 segundos com velocidades de vento variáveis (incluindo turbulência) para avaliar os controladores.

• MLP vs. RBF: Ambos os controladores de rede neural regularam com sucesso os ângulos de passo para manter a potência próxima ao valor nominal. No entanto, o controlador MLP demonstrou desempenho superior em comparação ao controlador RBF. Os autores atribuem isso à capacidade do MLP de lidar com o "espalhamento relativamente grande" dos dados de velocidade do vento, enquanto os resultados do RBF foram menos eficazes quando os dados de treinamento não exibiam um modo de agrupamento (cluster mode).
• Desempenho do GFS: O controlador GFS proposto regulou com sucesso a potência e o torque de saída. Quando comparado a outros métodos, incluindo algoritmos de Quadrático Gaussiano Linear (LQG) e controladores PID baseados em redes neurais BP, a abordagem GFS apresentou menos quedas e subidas súbitas de potência. Especificamente, durante reduções intensas na velocidade do vento (por exemplo, 45–70 segundos), o GFS manteve uma saída de potência mais estável em comparação com o método LQG, que exibiu flutuações dramáticas.
• Eficiência de Extração de Regras: Uma comparação com o método FRENGA (Extração de Regras Fuzzy usando Redes Neurais e Algoritmos Genéticos) mostrou que, embora o FRENGA extraia regras mais rapidamente, a abordagem GFS proposta atinge uma precisão quase igual na minimização do erro (menor erro de 0,1226 para GFS vs. 0,1445 para FRENGA sem NN).

Significância e Alegações
O artigo afirma que os controladores inteligentes propostos abordam efetivamente os desafios da rejeição de turbulência do vento. A principal significância reside na capacidade desses controladores "inteligentes" de:

1. Regular a Saída: Manter a potência aerodinâmica e o torque dentro de uma faixa nominal, apesar das flutuações aleatórias do vento.
2. Reduzir o Estresse Mecânico: Ao absorver alterações rápidas de potência através de ajustes dinâmicos do ângulo de passo, os controladores ajudam a mitigar pressões mecânicas na turbina.
3. Adaptabilidade: Os métodos dependem de dados de aprendizado iniciais em vez de condições ambientais específicas, permitindo que sejam aplicados a parques eólicos em diferentes locais sem a necessidade de reescrever programas.

Os autores concluem que, embora tanto as abordagens MLP quanto GFS produzam resultados aceitáveis, o controlador baseado em MLP forneceu a melhor resposta entre os tipos de redes neurais testados, e o controlador GFS ofereceu o desempenho mais robusto quando comparado a algoritmos tradicionais e outros algoritmos inteligentes. O estudo reconhece uma limitação: os métodos propostos requerem um computador de alta velocidade e memória para registrar e processar dados anteriores para treinamento. O trabalho futuro é identificado como o ajuste das funções de pertinência para melhorar ainda mais a precisão e a velocidade de processamento.