Loading…
Extreme and fatigue load reducing control for wind turbines
A model predictive control approach using robust state constraints
Körber, Arne
Die Energieerzeugungskosten für Strom aus Windenergie werden von den Kosten für die Windkraftanlagen dominiert. Die meisten Anlagenkomponenten werden durch die mechanischen Belastungen denen sie widerstehen können müssen dimensioniert Deshalb wirkt sich eine Reduktion dieser Belastungen durch intelligente Anlagenregelungsstrategien direkt auf die Anlagenkosten aus.
Modellprädiktive Regelung (engl. Model Predictive Control/ MPC) ist ein fortgeschrittenes Regelungsverfahren, das ursprünglich hauptsächlich in der Prozessindustrie zum Einsatz kam. Inzwischen gibt es allerdings auch Anwendungen in einer Vielzahl anderer Bereiche. Diese Arbeit zeigt exemplarisch welche Vorteile MPC für die Regelung von Windkraftanlagen bietet und wie sie verwendet werden kann um sowohl Extrem- als auch Ermüdungslasten an Windkraftanlagen zu reduzieren.
Ein analytisches, nichtlineares Modell einer Windkraftanlage mit neun Zuständen wird entwickelt wobei die Parameter des Modells anhand des Verhaltens des geschlossenen Regelkreises identifiziert werden. Dieses Modell wird verwendet um einen Erweiterten Kalman-Filter zur Zustands- und Störgrößenschätzung sowie einen Modellprädiktiven Regler zu entwickeln. Dieser Modellprädiktive Regler wird kontinuierlich literarisiert, d.h. in jedem Zeitschritt wird das Streckenmodell neu linearisiert und der Reglerentwurf als Quadratisches Programm (QP) formuliert und numerisch gelöst. Hierbei wird die Stabilität des Reglers durch die Verwendung von finalen Zustandskosten und -beschränkungen sichergestellt. Anhand des Beispiels der Überdrehzahl wird exemplarisch gezeigt wie Zustandsbeschränkungen gegen Unsicherheiten in der Kenntnis der zukünftigen Windgeschwindigkeiten robustifiziert werden können. Der entwickelte MPC berücksichtigt dabei die zukünftigen Windgeschwindigkeiten explizit in der Reglerproblemstellung. Dadurch können eventuelle vorhandene Vorhersagen der zukünftigen Windgeschwindigkeit, zum Beispiel von einem LiDAR (Light Detection and Ranging) System, direkt verwendet werden ohne die Komplexität des Reglers zu erhöhen und unter Beibehaltung aller Vorteile der MPC Regelung wie zum Beispiel der Optimalität und der Berücksichtigung von Beschränkungen.
Die Performance des MPC wird anhand des aero-elastischen Simulationsprograms FAST und der NREL 5 MW Referenzwindkraftanlage untersucht. Die Resultate zeigen, dass ein MPC mit Kenntnis der zukünftigen Windgeschwindigkeit eine deutlich bessere Performance als sowohl ein MPC ohne diese Kenntnisse als auch ein klassisch entworfener Referenzregler hat. Ohne Kenntnisse der zukünftigen Windgeschwindigkeiten sind die Unterschiede zwischen MPC und dem Referenzregler geringer. Allerdings zeigt sich, dass durch die Verwendung der Regel- und Zustandsbeschränkungen, die MPC Regelung gerade in „nicht normalen“ Betriebsbedingungen, wie zum Beispiel extremen Böen oder Anlagenfehlern, Vorteile hat und in diesen Situation die Lasten reduzieren kann bzw. dafür sorgt dass die Anlage länger am Netz bleibt.
Daraus wird geschlossen das MPC die natürliche Wahl für den Reglerentwurf ist falls Informationen über zukünftige Windgeschwindigkeiten vorliegen. Selbst wenn solche Informationen nicht verfügbar sind, bietet MPC immer noch große Vorteile in vielen Betriebsszenarien. Zukünftige Forschung im Bereich der Anwendung von MPC zur Regelung von Windkraftanlagen sollte sich deshalb nicht auf den Fall der Regelung unter der Annahme dass ein LiDAR oder ähnliches System verfügbar ist beschränken.
The cost of energy for power generated using wind turbines is largely driven by the cost of the wind turbines itself. As many turbine components are dimensioned by the mechanical loads, they need to be able to withstand, reducing those loads through the use of smart control algorithms directly impacts turbine costs.
Model Predictive Control (MPC) is an advanced control technique that originated in the process industries but is now used for a large variety of applications. This thesis exemplarily demonstrates the benefits of MPC for wind turbine control and shows how MPC can be employed to reduce both extreme and fatigue loading on wind turbines.
An analytical, nine-state, non-linear model of a wind turbine is developed and its parameters identified via closed-loop system identification. This model is used to design an Extended Kalman Filter for state and wind speed estimation and a Model Predictive Controller. The Model Predictive Controller is continuously linearized, i.e., the plant model is linearized and the optimization problem is formulated as a quadratic program (QP) and solved numerically at each time step. The stability of the linear MPC is ensured through the use of terminal cost and constraint terms in the problem formulation. The controller contains both control and state constraints. Using the example of the rotor overspeed constraint, it is exemplarily demonstrated how state constraints can be robustified against uncertainties in future wind speeds. The developed Model Predictive Controller includes the trajectory of future wind speeds explicitly in the problem formulation. This allows integration of preview signals, for example measured using a turbine mounted Light Detection and Ranging (LiDAR) device, in the controller without increasing complexity and retaining all MPC properties such as optimality and constraint handling.
The performance of the MPC is evaluated in extensive simulations using the aero-elastic simulation tool FAST and the NREL 5 MW reference turbine. Results show that a preview MPC controller significantly outperforms both non-preview MPCs as well as a classically designed baseline controller and significantly reduces extreme and fatigue loads. If no preview information is available, the differences between MPC and the baseline controller are more gradual. However, it is also shown that, due to the use of control and state constraints, the MPC provides benefits especially in non-normal operating conditions such as extreme gusts or turbine fault situations where it reduces loads or helps to keep the turbine online.
It is concluded that MPC is a natural fit for integrating preview signals into the turbine control system. Even if no preview information is available, it offers significant benefits especially in special scenarios. Future research on MPC for wind turbine applications should therefore also consider the case where no LiDAR/ preview is available.