Imagen. / MIT

Prácticamente todas las turbinas eólicas, que producen más del 5 por ciento de la electricidad mundial, se controlan como si fueran unidades individuales independientes. De hecho, la gran mayoría son parte de instalaciones de parques eólicos más grandes que involucran docenas o incluso cientos de turbinas, cuyas estelas pueden afectarse entre sí.

Ahora, los ingenieros del MIT y otros lugares han descubierto que, sin necesidad de nuevas inversiones en equipos, la producción de energía de tales instalaciones de parques eólicos se puede aumentar modelando el flujo de viento de toda la colección de turbinas y optimizando el control de unidades individuales. respectivamente.

El aumento en la producción de energía de una instalación determinada puede parecer modesto: es de alrededor del 1,2 por ciento en general y del 3 por ciento para velocidades óptimas del viento. Pero el algoritmo se puede implementar en cualquier parque eólico, y la cantidad de parques eólicos está creciendo rápidamente para cumplir con los objetivos climáticos acelerados. Si ese aumento de energía del 1,2 por ciento se aplicara a todos los parques eólicos existentes en el mundo, sería el equivalente a agregar más de 3600 nuevas turbinas eólicas, o lo suficiente para alimentar unos 3 millones de hogares, y una ganancia total para los productores de energía de casi mil millones. dólares por año, dicen los investigadores. Y todo esto esencialmente sin costo alguno.

La investigación se publica hoy en la revista Nature Energy, en un estudio dirigido por MIT Esther y Harold E. Edgerton, profesor asistente de ingeniería civil y ambiental Michael F. Howland.

“Esencialmente, todas las turbinas a escala de servicios públicos existentes se controlan codiciosamente e independientemente”, dice Howland. El término "codiciosamente", explica, se refiere al hecho de que están controlados para maximizar solo su propia producción de energía, como si fueran unidades aisladas sin impacto perjudicial en las turbinas vecinas.

Pero en el mundo real, las turbinas se espacian deliberadamente juntas en los parques eólicos para lograr beneficios económicos relacionados con el uso de la tierra (en tierra o mar adentro) y con la infraestructura, como caminos de acceso y líneas de transmisión. Esta proximidad significa que las turbinas a menudo se ven fuertemente afectadas por las estelas turbulentas producidas por otras que están a barlovento de ellas, un factor que los sistemas de control de turbinas individuales actualmente no tienen en cuenta.

“Desde el punto de vista de la física del flujo, colocar turbinas eólicas juntas en parques eólicos suele ser lo peor que se puede hacer”, dice Howland. “El enfoque ideal para maximizar la producción total de energía sería ponerlos lo más separados posible”, pero eso aumentaría los costos asociados.

Ahí es donde entra el trabajo de Howland y sus colaboradores. Desarrollaron un nuevo modelo de flujo que predice la producción de energía de cada turbina en el parque en función de los vientos incidentes en la atmósfera y la estrategia de control de cada turbina. Si bien se basa en la física del flujo, el modelo aprende de los datos operativos del parque eólico para reducir el error predictivo y la incertidumbre. Sin cambiar nada sobre las ubicaciones físicas de las turbinas y los sistemas de hardware de los parques eólicos existentes, han utilizado el modelado asistido por datos y basado en la física del flujo dentro del parque eólico y la producción de energía resultante de cada turbina, dadas diferentes condiciones de viento, para encontrar la orientación óptima para cada turbina en un momento dado. Esto les permite maximizar la producción de toda la granja, no solo de las turbinas individuales.

Hoy en día, cada turbina detecta constantemente la dirección y la velocidad del viento entrante y utiliza su software de control interno para ajustar su posición de ángulo de guiñada (eje vertical) para alinearse lo más cerca posible del viento. Pero en el nuevo sistema, por ejemplo, el equipo descubrió que al girar una turbina ligeramente lejos de su propia posición de salida máxima, tal vez 20 grados lejos de su ángulo de salida máxima individual, el aumento resultante en la producción de energía de una o más a favor del viento unidades compensarán con creces la ligera reducción en la producción de la primera unidad. Mediante el uso de un sistema de control centralizado que tiene en cuenta todas estas interacciones, la colección de turbinas se hizo funcionar a niveles de potencia de salida que eran hasta un 32 por ciento más altos en algunas condiciones.

En un experimento de meses de duración en un parque eólico real a escala de servicios públicos en la India, el modelo predictivo se validó primero probando una amplia gama de estrategias de orientación de guiñada, la mayoría de las cuales eran intencionalmente subóptimas. Al probar muchas estrategias de control, incluidas las subóptimas, tanto en la granja real como en el modelo, los investigadores pudieron identificar la verdadera estrategia óptima. Es importante destacar que el modelo fue capaz de predecir la producción de energía de la granja y la estrategia de control óptima para la mayoría de las condiciones de viento probadas, dando confianza de que las predicciones del modelo seguirían la verdadera estrategia operativa óptima para la granja. Esto permite el uso del modelo para diseñar estrategias de control óptimas para nuevas condiciones de viento y nuevos parques eólicos sin necesidad de realizar nuevos cálculos desde cero.

Luego, un segundo experimento de un mes de duración en la misma granja, que implementó solo las predicciones de control óptimas del modelo, demostró que los efectos del mundo real del algoritmo podrían coincidir con las mejoras energéticas generales observadas en las simulaciones. En promedio durante todo el período de prueba, el sistema logró un aumento del 1,2 por ciento en la producción de energía a todas las velocidades del viento y un aumento del 3 por ciento a velocidades entre 6 y 8 metros por segundo (alrededor de 13 a 18 millas por hora).

Si bien la prueba se realizó en un parque eólico, los investigadores dicen que el modelo y la estrategia de control cooperativo se pueden implementar en cualquier parque eólico existente o futuro. Howland estima que, traducida a la flota de turbinas eólicas existente en el mundo, una mejora energética general del 1,2 por ciento produciría más de 31 teravatios-hora de electricidad adicional por año, aproximadamente equivalente a instalar 3600 turbinas eólicas adicionales sin costo alguno. Esto se traduciría en unos $ 950 millones en ingresos adicionales para los operadores de parques eólicos por año, dice.

La cantidad de energía que se obtendrá variará ampliamente de un parque eólico a otro, dependiendo de una serie de factores que incluyen el espaciamiento de las unidades, la geometría de su disposición y las variaciones en los patrones de viento en esa ubicación en el transcurso de un año. Pero en todos los casos, el modelo desarrollado por este equipo puede proporcionar una predicción clara de cuáles son exactamente las ganancias potenciales para un sitio determinado, dice Howland. “La estrategia de control óptima y la ganancia potencial de energía serán diferentes en cada parque eólico, lo que nos motivó a desarrollar un modelo de parque eólico predictivo que se puede usar ampliamente para la optimización en toda la flota de energía eólica”, agrega.

Pero el nuevo sistema puede potencialmente adoptarse rápida y fácilmente, dice. “No requerimos ninguna instalación de hardware adicional. Realmente solo estamos haciendo un cambio de software, y hay un aumento de energía potencial significativo asociado con él”. Incluso una mejora del 1 por ciento, señala, significa que en un parque eólico típico de unas 100 unidades, los operadores podrían obtener la misma producción con una turbina menos, ahorrando así los costos, generalmente millones de dólares, asociados con la compra, construcción y instalando esa unidad.

Además, señala, al reducir las pérdidas por estela, el algoritmo podría hacer posible colocar turbinas más juntas dentro de futuros parques eólicos, aumentando así la densidad de potencia de la energía eólica, ahorrando huellas en tierra (o mar). Este aumento de la densidad de energía y la reducción de la huella podrían ayudar a lograr objetivos apremiantes de reducción de emisiones de gases de efecto invernadero, que exigen una expansión sustancial del despliegue de energía eólica, tanto en tierra como en alta mar.

Además, dice, la mayor área nueva de desarrollo de parques eólicos es en alta mar, y "el impacto de las pérdidas por estela suele ser mucho mayor en los parques eólicos marinos". Eso significa que el impacto de este nuevo enfoque para controlar esos parques eólicos podría ser significativamente mayor.

Howland Lab y el equipo internacional continúan perfeccionando los modelos y trabajando para mejorar las instrucciones operativas que se derivan del modelo, avanzando hacia un control autónomo y cooperativo y esforzándose por obtener la mayor potencia de salida posible a partir de un conjunto determinado de condiciones, dice Howland.

“Este documento describe un importante paso adelante para la energía eólica”, dice Charles Meneveau, profesor de ingeniería mecánica en la Universidad Johns Hopkins, que no participó en este trabajo. “Incluye nuevas ideas y metodologías para controlar de manera efectiva las turbinas eólicas colectivamente bajo el recurso de energía eólica altamente variable. Muestra que las estrategias de control de guiñada implementadas de manera inteligente utilizando modelos de estela basados ​​en la física de última generación, complementados con enfoques basados ​​en datos, pueden aumentar la producción de energía en los parques eólicos”. El hecho de que esto se haya demostrado en un parque eólico en funcionamiento, dice, "es de particular importancia para facilitar la posterior implementación y ampliación del enfoque propuesto".

El equipo de investigación incluye a Jesús Bas Quesada, Juan José Peña Martínez y Felipe Palou Larrañaga de Siemens Gamesa Renewable Energy Innovation and Technology en Navarra, España; Neeraj Yadav y Jasvipul Chawla de ReNew Power Private Limited en Haryana, India; Varun Sivaram anteriormente en ReNew Power Private Limited en Haryana, India y actualmente en la Oficina del Enviado Presidencial Especial para el Clima de los Estados Unidos, Departamento de Estado de los Estados Unidos; y John Dabiri del Instituto de Tecnología de California. El trabajo contó con el apoyo de MIT Energy Initiative y Siemens Gamesa Renewable Energy.

Autor

MIT

Promover la investigación, las innovaciones, la enseñanza y los eventos y las personas de interés periodístico del MIT a la comunidad del campus, los medios de comunicación y el público en general, Comunicar anuncios del Instituto, Publicar noticias de la comunidad para profesores, estudiantes, personal y ex alumnos del MIT. Proporcionar servicios de medios a los miembros de la comunidad, incluido el asesoramiento sobre cómo trabajar con periodistas, Responder a consultas de los medios y solicitudes de entrevistas...