Diese Seite wurde maschinell übersetzt.
Füllen Sie bitte eine 1-Minuten-Befragung zur Qualität dieser Übersetzung aus.
Verbesserung der modellprädiktiven Regelung von Windkraftanlagen durch Machine Learning
Dieser Ansatz trägt zur Reduzierung der dynamischen Belastungen großer Turbinen bei
„Die Vorteile eines Machine-Learning-Verfahrens zur Modellprädiktion können sowohl in Simulationen als auch in realen Feldversuchen demonstriert werden.“
Wichtigste Ergebnisse
- Der durch Machine Learning verbesserte modellprädiktive Regler wurde erfolgreich durch szenariobasierte Tests validiert, die sowohl hochpräzise Simulationen als auch Feldversuche an einer Windkraftanlage in Originalgröße umfassten.
- Simulationen zeigten, dass der Regler die Schubkraftschwankungen deutlich reduzierte, insbesondere im Bereich wichtiger Frequenzen.
- MATLAB und Simulink ermöglichten eine schnelle Vorverarbeitung, Modellentwicklung, Simulation und automatisierte Codegenerierung für die Bereitstellung auf dem realen Turbinenregler.
Ingenieure der RWTH Aachen und der W2E Wind to Energy GmbH beschäftigen sich mit den Herausforderungen, die durch immer größere und leichtere Windkraftanlagen entstehen, da diese anfälliger für dynamische Belastungen und strukturelle Schwingungen sind. Zur Verbesserung der Regelungsstrategien entwickelten sie einen fortschrittlichen modellprädiktiven Regler (MPC), der mit einer Komponente für Machine Learning erweitert wurde, um Schubkraftschwankungen besser vorherzusagen und abzumildern.
Mithilfe von MATLAB® und Simulink® modellierten die Ingenieure die Dynamik der Windkraftanlage und entwarfen den MPC. Sie verwendeten MATLAB zur Datenvorverarbeitung und trainierten ein lokales lineares neuro-fuzzy Modell, um Änderungen der Schubkraft vorherzusagen. Der Regler wurde durch Simulationen und Software-in-the-Loop-Tests validiert und anschließend auf einer 3-Megawatt-Windkraftanlage bei vollem Leistung eingesetzt. Dabei diente Simulink Coder™ zur automatisierten Codegenerierung. Dieser integrierte Ansatz verbesserte die Lastreduzierung und demonstrierte die praktische Machbarkeit der Kombination von Machine Learning und Model-Based Design für die Steuerung von Windkraftanlagen.
Eingesetzte Produkte
Ressourcen zu
