モデル予測制御による風力タービンの強化 - MATLAB & Simulink

技術情報

機械学習とモデル予測制御による風力タービンの構造負荷の軽減

著者 Andreas Klein, Thorben Wintermeyer-Kallen, and Maximilian Basler, Institute of Automatic Control, RWTH Aachen, and János Zierath, W2E Wind to Energy GmbH


モデルベースデザインは、当社の開発プロセスに役立ちました。このアプローチにより、実物大の 3 MW 風力タービンでコントローラーの動作をテストすることができました。

2050年までにネットゼロ排出を達成するためには、風力エネルギーの生産を毎年17%の成長率で維持する必要があります。風力タービン(WT)の総設置エネルギー容量が世界中で増加し続ける中、業界では長期的な運用効率の最適化に重点が置かれています。これには、電力出力を最大化するだけでなく、安全性と電力網コンプライアンスを確保しながら、製造コストとメンテナンスコストを最小限に抑えることも含まれます。比例積分 (PI) または比例積分微分 (PID) アルゴリズムに基づく従来の制御戦略を使用して、これらすべての目的を達成することはほとんど不可能です。その結果、研究グループはモデル予測制御 (MPC) を含む、より高度な制御戦略の使用を検討してきました。

MPC は、最適化問題において複数の、時には矛盾する制御目標と制約を集約できるため、WT 制御アプリケーションに適しています。実際、私たちの元同僚は、モデルベースのコントローラ設計と迅速な制御プロトタイピングを使用して、風力タービン制御におけるMPCの有効性を以前に実証しています。

最近、私たち(RWTH Aachenの自動制御研究所の研究者チームとW2E Wind to Energy GmbHのエンジニア)は、この以前の研究を拡張し、機械学習回帰モデルをMPCに統合しました。この改良により、コントローラはブレードのピッチ角と発電機のトルクを積極的に調整し、WT の負荷変動を最小限に抑えて、長期的な摩耗や損傷のリスクを軽減することを目指します。私たちが使用したアルゴリズムは、助成金番号01IS22028A/BのIntelliWind研究プロジェクトに由来します。モデルベースデザインは、私たちの開発プロセスにおいて重要な役割を果たしました。MATLAB®を使用して、MPCの内部予測モデルの動的状態をローターの推力変化にマッピングする機械学習モデルを訓練し、Simulink®とModel Predictive Control Toolbox™を使用してコントローラをモデル化し、広範にシミュレーションしました。また、Simulink Coder™を使用して、Bachmannの産業用制御システムに展開するためのコードを生成しました。このアプローチにより、W2E Wind to Energy が運用する実物大の 3 MW WT でコントローラーの動作をテストできるようになりました (図 1)。これは、この新しいコントローラー設計の生産準備状況を検証する上で重要なステップです。

空き地に設置された風力タービンを地上から見たところ。

図 1. ドイツのRostockにある W2E Wind to Energy GmbH が設計および製造した 3 MW 風力タービン。

機械学習モデルのトレーニングと MPC への組み込み

MPC のパフォーマンスと安定性は、予測モデルの精度と忠実度に大きく影響されます。忠実度の高いモデルは計算負荷が高くなることが多いため、MPC 設計にはトレードオフが存在します。たとえば、MPC への WT の完全な計算流体力学モデルの組み込みは、モデルからの予測の生成に必要な時間がコントローラーのサンプリング時間を大幅に超える可能性が高いため、現実的ではありません。

忠実度と計算量の間のこの設計上のトレードオフを解決するために、機械学習モデル、具体的にはローカル線形ニューロファジーモデル (LLNFM) を使用して、タービンのローターの推力の変化を迅速に予測しました。MPC では、この LLNFM を WT の非線形低次元化モデルと組み合わせました (図 2)。ただし、これを制御設計に組み込む前に、まず機械学習モデルをトレーニングする必要がありました。

低次元化モデルの概略図とローカル線形ニューロファジーモデルの概略図、およびこれらのモデルが風力タービンのローターのどこに組み込まれているかを示す図。

図 2. ローカル線形ニューロファジーモデル (右) を、WT ドライブトレインダイナミクスの機械サブモデル、ロータータワーとブレードダイナミクスの機械サブモデル、および空気力学の 3 番目のサブモデルで構成された低次元化モデル (左) と統合します。

LLNFM を含むあらゆる機械学習モデルのトレーニングにはデータが必要です。我々は、alaska/Windソフトウェアを使用して合成学習データを生成し、外部風力に基づいてローターの内部負荷をモデル化およびシミュレーションしました。特に、さまざまな風速や極端な突風など、さまざまな風条件下でのローターの推力を測定するためのシミュレーションを実行しました。次に、このデータをMATLABにインポートして前処理しました。前処理ステップには、時間微分の計算(推力の変化を時間に対してモデルに訓練させたかったため)と、風の確率変動によって誘発される高周波成分を除去するためのローパスフィルタの適用が含まれていました(図3)。

風力タービンのシミュレーション モデルと収集された生データをプロットしたグラフ、時間と周波数でフィルターされた生データを示す 2 つのグラフ、およびモデル トレーニングの結果を示すグラフ。

図 3. ワークフローの概要: シミュレーション データをキャプチャし、そのデータを前処理し、それを使用してローカル線形ニューロ ファジー モデルをトレーニングします。

私たちは、Siegen大学のMATLABツールボックスであるLMN-Toolが提供するLOLIMOT(LOcal LInear MOdel Tree)アルゴリズムを使用して、LLNFMを構築し、訓練しました。非線形関係を表現しながらも、他の機械学習技術に比べて管理可能な複雑さを提供する LLNFM を使用します。これにより解釈可能性が向上し、プラントへの潜在的な損傷のリスクを最小限に抑えることが重要な懸念事項となる実際の制御アプリケーションでは有利になります。

LLNFMを訓練し、検証した後、シンボリックフレームワークCasADiを使用してモデルに基づくシンボリック表現を作成し、システム状態に関するモデルのヤコビアンを計算しました。このモデルのシンボリック表現とそのヤコビアンに基づいて、S-Functionを作成しました。Simulinkでは、このS-Functionを呼び出して、コントローラの拡張カルマンフィルタ(EKF)内の線形化された状態空間モデルを取得し、Adaptive MPC Controllerブロックによって、動作条件の変化に応じて予測モデルの状態を推定します(図3)。

コントローラのシミュレーションと調整

機械学習モデルを MPC に統合した後、次のステップではシミュレーションを実行してコントローラーを調整し、そのパフォーマンスを評価しました。コントローラーは、構造負荷を最小限に抑えながら出力を最大化するように設計されています。

カットイン風速からカットアウト風速まで、さまざまな風速で多数のシミュレーションを実行しました。次に、 MATLABで結果を分析し、機械学習で強化された新しい MPC のパフォーマンスを既存の MPC およびベースラインの従来型制御システムと比較しました。機械学習で強化された MPC は、部分負荷状態 (低風速) での推力のダイナミクスにわずかな影響しか与えませんでしたが、全負荷状態 (高風速) では、支配的な第 1 タワー固有モード周辺の周波数範囲での推力のダイナミクスを低減しました (図 4)。シミュレーションの結果、機械学習を強化した MPC は既存の MPC と同様の電力を生成することが示されました (図 5)。

全負荷状態と部分負荷状態での推力をプロットした 2 つのグラフ。それぞれ、ベースライン、機械学習なしの MPC、機械学習コントローラーを使用した MPC の結果を示しています。

図 4. ベースライン (黒)、機械学習なしの MPC (青)、機械学習ありの MPC (赤) の 3 種類のコントローラの部分負荷条件 (左) と全負荷条件 (右) での推力のパワー スペクトル密度のプロット。

機械学習で強化した MPC、機械学習のない MPC、およびベースライン制御の場合について、さまざまな風速でのシミュレーションによる電力出力を示すグラフ。

図 5. さまざまな風速でのシミュレーションによる電力出力のプロット。機械学習で強化した MPC (赤)、機械学習のない MPC (青)、ベースライン制御 (黒) の条件で同様の出力を示しています。

実際の風力タービンへの導入とテスト

シミュレーションによって制御設計に自信が持てるようになった一方で、実際の WT でどのように動作するかを確認し、実際の動作条件下での堅牢性を評価することも、私たちの研究プロジェクトにとって非常に重要でした。目標を達成するために、Simulink CoderとM-Target for Simulinkを使用して、Bachmann Electronic GmbHのMH230 PLC用にコントローラのコードを生成しました。このPLCはW2E Wind to Energyの風力タービンに設置されています。フィールドテストは順調に進み、部分負荷および全負荷状態での実物大風力発電機の安定した動作が確認されました (図 6)。

Rostockにある 3 MW タービンを制御する機械学習で強化した新しい MPC の結果を示す一連のグラフ。グラフには、風速、発電機速度、電力、ピッチ角、発電機トルクの変数が時間の経過とともにプロットされます。

図 6. Rostockにある 3 MW 風力タービンを制御する、機械学習で強化した新しい MPC の実験フィールドテスト結果。

したがって、この最初の概念実証では、フルスケールの WT 上の高度な MPC アルゴリズムで機械学習拡張機能を使用する一般的な可能性を実証しました。これにより、将来の実験でより複雑な機械学習アルゴリズムをテストし、風力タービンの動作をさらに改善できるようになります。

近い将来、WT のより広範なフィールドテストと、コントローラーをさらに最適化および調整する機会を楽しみにしています。また、LIDAR センサーを使用してコントローラーにさらに正確な風の伝播推定値を提供したり、ブレードのピッチ制御全体ではなく個別のブレード ピッチ制御を使用して制御の精度とパフォーマンスをさらに向上したりするなど、他のいくつかの潜在的な機能強化も検討しています。

謝辞

図2および図3は、論文Control-Oriented Wind Turbine Load Estimation Based on Local Linear Neuro-Fuzzy Models (2024) から引用されており、Journal of Physics: Conference Series の Creative Commons Attribution 4.0 Licenseの下で掲載されています。図は元のバージョンから変更されています。

公開年 2024

関連する産業分野の記事を見る