Show simple item record

dc.contributor.advisorAndersson, Leif A.
dc.contributor.advisorImsland, Lars S.
dc.contributor.advisorKölle, Konstanze
dc.contributor.authorSkibelid, Adrian B.
dc.date.accessioned2020-06-04T16:02:57Z
dc.date.available2020-06-04T16:02:57Z
dc.date.issued2019
dc.identifier.urihttps://hdl.handle.net/11250/2656730
dc.description.abstractArbeidet presentert i denne oppgaven utvikler en Model Predictive Control (MPC) kontroller for STAS, SINTEF sin simulator for offshore vindturbiner. STAS er en simulator i frekvensdomenet som ikke er optimert for tidssimulering. Den gir ut lineariserte systemer for to parametere; gjennomsnittlig vindhastighet og prosent av maks kraftproduksjon som vindmøllen opererer ved. En MPC er først utviklet for kun ett slikt linearisert system. De tidligste utgavene av MPC-en kontrollerte generatorhastigheten og den felles pitchen til bladene på en stegvis måte. Dette førte til høyfrekvent støy på enkelte tilstander, så det ble lett etter en bedre løsning, først igjennom å lavpassfiltrere inngangene, så ved å la MPC-en kontrollere lineært varierende innganger. Deretter ble det testet med lavpassfiltrerte, lineært varierende innganger, før det til slutt ble testet å la MPC-en kontrollere settpunktene til en Proportional-Integral (PI)-kontroller. Hovedmålet var å redusere avvik i kraftproduksjonen fra en referanse, noe MPC-en viste at den klarte. Et forsøk på å redusere slitasje på vindturbinen ble gjort igjennom å styre endringen i enkelte strukturmomenter til null. Dette førte til en kraftig redusert kraftkontroll uten å vise til noen særlig reduksjon i antall nullkrysninger for den deriverte til momentene, noe som er blitt vist å være hovedkilden til slitasje på bevegelige strukturer. For å tillate en finere diskretisering i prediksjonssteget til MPC-en uten å gå på bekostning av sanntidsegenskapene til kontrolleren ble det lineære systemet redusert til færre tilstander. Dette ble først gjort igjennom en balansert reduksjon, noe som ga en reduksjon fra 103 til 62 tilstander. Et nytt forsøkt via Principal Component Analysis (PCA) ga en reduksjon til 24 tilstander. Bedre følging av kraftreferansen ble vist igjennom en foroverkoblet MPC basert på simulerte LIDAR-målinger av vindhastigheten foran vindturbinen. For å teste ytelsen til systemet ble to forskjellige støymodeller implementert. Den ene var simpel hvit støy på hver måling, mens den andre brukte en finite difference løsning av transportlikningen. Med perfekte LIDAR-målinger ga systemet en stor reduksjon i Root Mean Square (RMS) feil mellom ønsket og faktisk produsert kraft. En mindre, men betydelig forbedring ble sett selv ved relativt mye støy på målingene. For å få et mer realistisk system når tilstandene er langt unna lineariseringspunktet til STAS-modellen ble det lagd et Linear Parameter-Varying (LPV)-system via interpolering av lineariserte systemer for tre forskjellige parametere. Systemet viste å ha dårligere kraftfølging enn den PI-kontrolleren når det kun ble brukt én statisk projeksjonsmatrise for å redusere system. Bedre ytelse enn PI-kontrolleren ble derimot oppnådd når hvert lineariserte system ble redusert separat og transformert til en form hvor de kunne bli interpolert. Når MPC-en ble kjørt på det fulle interpolerte system med prediksjoner ved bruk av det interpolerte reduserte systemet ga det lavere RMS-feil enn PI-kontrolleren. Dette gir håp om at foroverkoblet MPC kan bli brukt til å redusere feil i kraftfølging og øke energifangsten til offshore vindturbiner.
dc.description.abstractThe work presented in this thesis develops a Model Predictive Control (MPC) controller for SINTEF's offshore wind turbine simulator, STAS. STAS is a frequency domain simulator that is not optimized for time simulation and gives out linearized systems for two linearization parameters; mean wind speed and percent of rated power that the turbine is operating at. The MPC is first developed for only one such linear system. The earliest MPC iterations controlled the generator speed and the collective blade pitch in a step-wise manner, but this caused harmonics to be added to the system. Attemps at reducing the harmonics were made by letting the MPC control a low-passed input, then linearly varying inputs and then low-passed, linearly varying inputs, before finally the MPC was made to control set points of a Proportional-Integral (PI) controller. The main objective is to reduce the power tracking error, which the MPC is shown to do. An attempt is made at reducing the fatigue on the structure by controlling the change in the moments of parts of the turbine to zero. This did however lead to a rather poor power tracking and not much reduction in the number of zero crossings of the derivative, which is the usual reason for fatigue on moving structures. To allow more steps to be taken in the prediction of the MPC whilst keeping the system real time capable, the system is reduced to fewer states. This is first done with a balanced reduction, achieving a reduction from 103 states to 62. Another attempt is made via Principal Component Analysis (PCA), achieving the same performance with only 24 states. Better power tracking is sought after and achieved by simulation of LIDAR measurements of the wind speed of air upstream of the turbine. To test the system performance two noise models are implemented; one is a simple additive Gaussian noise model and the other is based on a finite difference solution to the transport equation. With perfect measurements the feed forward MPC lead to a large reduction in Root Mean Square (RMS) error between desired and actual power, and a smaller, yet significant, improvement is achieved even in the presence of a decent amount of noise on the measurements. To have the system behave more realistically away from the linearization point of the STAS model, a Linear Parameter-Varying (LPV) system is made by interpolation of linearized systems for three different linearization parameters. The system is shown to have worse power tracking than the PI controller when using one static projection matrix to reduce the system. Better performance than the PI controller is obtained when each linearized system is reduced separately and transformed into a form where they can be interpolated. Running the feed forward MPC on the full interpolated system with predictions using the interpolated reduced system gave lower RMS error than the PI controller, showing the promise of feed forward MPC for better power control and energy capture from offshore wind turbines.
dc.languageeng
dc.publisherNTNU
dc.titleModel predictive control of offshore wind turbine
dc.typeMaster thesis


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record