Archivo para octubre 13th, 2012


Las redes neuronales son otra técnica del control inteligente que se basa en la forma como trabaja el cerebro humano a través del aprendizaje automático y del entrenamiento. El control de los Sistemas de Conversión de Energía Eólica – SCEE no ha sido ajena a esta técnica de inteligencia artificial y se han desarrollado diferentes controladores con un objetivo común que es mejorar el desempeño de los SCEE. A continuación se revisan algunas investigaciones que han abordado el tema.

En K. L. Shi y Li (2004); Li y colegas (2005) se mostraron las ventajas de la aplicación de una red neural para una pequeña turbina eólica, en donde se verificó la estimación rápida y precisa de la velocidad del viento actual sin el uso del anemómetro y se observó que la potencia mecánica máxima puede ser obtenida en estado estable y dinámico. Adicionalmente, a la red neural se le agregó una función de compensación con el fin de evitar que el coeficiente de potencia se desviara de su valor óptimo. A continuación se presenta la red implementada:

En 2006, Zhang y Li, propusieron una red neural con el fin de estimar el valor de la velocidad del viento sin la utilización de sensores teniendo cmoo entradas a la potencia en el eje del generador y la velocidad angular de la turbina. Esta red fue implementada en una tarjeta FPGA (fiel-programmable-gate array) y fueron realizadas diferentes simulaciones con una turbina eólica pequeña, con mejores resultados con respecto a métodos tradicionales.

En 2006, Bati y leabi, emplearon un sistema de control adaptivo basado en redes neuronales para el control de SCEE de media escala en diferentes condiciones de operación. Este método propuesto consistía de identificadores hacia adelante  y hacia atrás, usados para modelar la dinámica del sistema en ambos sentidos, y adaptar los parámetros del controlador neural que es utilizado para entregar una señal de control al actuador del ángulo de paso. Los resultados de las simulaciones indicaron que esta estrategia de control propuesta es una gran contribución al campo del control en los SCEE.

En 2007, Xiangming y colegas, desarrollaron un controlador PID para el control del ángulo de paso por medio de redes neuronales utilizando el algoritmo de aprendizaje supervisado Hebbina, para un SCEE de velocidad variable y frecuencia constante de 1 MW de potencia nominal.

Las redes neuronales artificiales – ANN están inspiradas en las redes neuronales biológicas del cerebro humano. Están constituidas por elementos que se comportan de forma similar a la neurona biológica en sus funciones más comunes. Estos elementos están organizados de una forma parecida a la que presenta el cerebro humano. Las ANN al margen de “parecerse” al cerebro presentan una serie de características propias del cerebro. Por ejemplo las ANN aprenden de la experiencia, generalizan de ejemplos previos a ejemplos nuevos y abstraen las características principales de una serie de datos.

  • Generalizar: Extender o ampliar una cosa. Las ANN generalizan automáticamente debido a su propia estructura y naturaleza. Estas redes pueden ofrecer, dentro de un margen, respuestas correctas a entradas que presentan pequeñas variaciones debido a los efectos de ruido o distorsión.
  • Aprender: Adquirir el conocimiento de una cosa por medio del estudio, ejercicio o experiencia. Las ANN pueden cambiar su comportamiento en función del entorno. Se les muestra un conjunto de entradas y ellas mismas se ajustan para producir unas salidas consistentes.
  • Abstraer: Aislar mentalmente o considerar por separado las cualidades de un objeto. Algunas ANN son capaces de abstraer la esencia de un conjunto de entradas que aparentemene no presentan aspectos comunes o relativos.
Anuncios

El control por lógica difusa emula la forma en que un ser humano toma decisiones para controlar un proceso a través de una serie de reglas. En los Sistemas de Conversión de Energía Eólica está técnica también ha sido aplicada y en las siguientes referencias se presenta una revisión de las investigaciones realizadas:

En 1997, Simoes y colegas, diseñaron un sistema de control basado en tres controladores difusos, cada uno con un objetivo diferente. El primero, sigue la velocidad del generador con la velocidad del viento para extraer la máxima potencia. El segundo, programa el flujo de la máquina para el mejoramiento de la eficiencia con cargas ligeras. El tercero, entrega un control de velocidad robusto contra las ráfagas de viento y el toeque oscilatorio de la turbina.

En 1999, Perales y colegas, implementaron un controlador difuso que permite maximizar la extracción de la poetncia eólica y suavizar la variación del torque y en combinado con el control del generador que utiliza el método de control vector.

En 2000, Chen y colegas, persentaron un sistema electrónico de potencia basado en lógica difusa para el control del torque electromagnético para la máxima extracción de potencia y el mejoramiento del desempeño dinámico del Sistema de Conversión de Energía Eólica – SCEE. Esta técnica no necesitó de información sobre la velocidad del viento y a través de simulaciones se demostró la efectividad del método.

En el 2002, Prats y colegas, informan los resultados de su investigación cuyo principal objetivo era el mejoramiento del control de velocidad y la extracción de energía de una turbina eólica de 800 kW. El controlador difuso diseñado para el control del ángulo de paso y el torque, tiene como entradas el error de la velocidad y la medida de la velocidad del rotor, y como salidas tiene el ángulo de paso de referencia y el torque eléctrico de referencia. Con simulaciones realizadas se demostró la robustez del controlador difuso y se observó que puede mejorar el desempeño de la turbina eólica en diferentes velocidades de viento, por encima y por debajo de la nominal.

En 2006, Yang y colegas, desarrollaron dos sistemas de control difuso. El primero tenía como objetivo obtener la máxima transferencia de potencia y mantener la frecuencia constante con velocidad variable por medio del control de la velocidad del generador y alcanzar la máxima relación de velocidad de punta en velocidades de viento bajas. El otro control difuso fue diseñado para mantener la frecuencia y la potencia de salida constantes controlando el ángulo depaso y la velocidad de rotación de la turbina eólica.

En el 2006, Zhang y colegas, diseñaron un controlador difuso para controlar el momento de rotación del rotor aerodinámico y el momento inverso del generador. Se realizaron simulaciones y fueron comparadas con las realizadas por un controlador PID obteniendo resultados mejores.

En el 2006, Kumar y colegas, desarrollaron un control basado en lógica difusa para un Sistema de conversión de energía eólica con un generador de inducción de jaula de ardilla conectado a la red eléctrica y que tenía como objetivo mantener constante la velocidad del generador para diferentes velocidades de viento. En este controlador se definieron como entradas el error y su derivada, y como salida, fue definida la amplitud de corriente del estator.

En el 2007, Amendola y Gonzada, diseñaron un controlador difuso que controla la extracción de la energía eólica, aplicado al control del angulo de paso. la velocidad está regulada por otro controlador difuso que actúa sobre el torque del generador de modo que siga el valor de referencia generado  por un estimulador óptimo de la velocidad angular. Las simulaciones arrojaron buenos resultados en las tres regiones de operación de la turbina y con vientos turbulentos.

La lógica difusa es una extensión de la lógica tradicional (booleana) que utiliza los conceptos de pertenencia de sets más parecidos a la manera de pensar humana. El concepto de un subset difuso fue introducido por L. A. Zadeh en 1965 como una generalización de un subset exacto (crisp subset) tradicional. Los subsets exactos usan lógica Booleana con valores exactos como por ejemplo la lógica binaria que usa valores de 1 ó 0 para sus operaciones. La lógica difusa no usa valores exactos como 1 ó 0 pero usa valores entre 1 y 0 8inclusive) que pueden indicar valores intermedios (Ej.: 0, 0.1, 0.2, … 0.9, 1.0, 1.1, … etc). La lógica difusa también incluye los valores 0 y 1 entonces se puede considerar como un superset o extensión de la lógica exacta.