516682.DiplomskiRad244 Nikola Hure

SVEUČILIŠTE U ZAGREBU
FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA
DIPLOMSKI RAD br. 244
MODELSKO PREDIKTIVNO UPRAVLJANJE

VJETROAGREGATOM U MEGAVATNOJ
KLASI
Nikola Hure
Zagreb, lipanj 2011.

Zahvaljujem se mentoru prof. dr. sc. Nedjeljku Periću na brizi,
podršci i uloženom vremenu od trenutka preuzimanja mentorstva
i doc. dr. sc. Mariju Vašku na stručnim savjetima i pruženoj
pomoći pri izradi ovog rada.
Sadržaj
1 Uvod 5
2 Energija vjetra 7
2.1 Promjenjiva priroda vjetra . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Stohastički modeli brzine vjetra . . . . . . . . . . . . . . . . . . . . . . . 8
3 Opis rada vjetroagregata 11

3.1 Fizikalne osnove vjetroagregata . . . . . . . . . . . . . . . . . . . . . . . 11
3.2 Matematički model vjetroagregata . . . . . . . . . . . . . . . . . . . . . 13
3.3 Osnovne strategije upravljanja vjetroagregatom . . . . . . . . . . . . . . 14
3.3.1 Upravljanje ispod nazivne brzine vjetra . . . . . . . . . . . . . . 16
3.3.2 Upravljanje iznad nazivne brzine vjetra . . . . . . . . . . . . . . 18
3.3.3 Zahtjevi na sustav regulacije vjetroagregatom . . . . . . . . . . . 20
4 Modelsko prediktivno upravljanje 22
5 Po dijelovima afini sustavi 24

5.1 PWA model u prostoru stanja . . . . . . . . . . . . . . . . . . . . . . . . 25
5.2 Identifikacija PWA sustava . . . . . . . . . . . . . . . . . . . . . . . . . 26
5.2.1 Identifikacija temeljena na uskupljavanju . . . . . . . . . . . . . 28
5.3 Modelsko prediktivno upravljanje PWA modelom . . . . . . . . . . . . . 30
5.4 Hibridni sustavi s logičkim i kontinuiranim varijablama . . . . . . . . . . 31
6 Projektiranje modelskog prediktivnog upravljanja vjetroagregatom 33

6.1 Identifikacija PWA modela vjetroagregata . . . . . . . . . . . . . . . . . 34
iii
Sadržaj iv
6.1.1 Generiranje podataka za potrebe identifikacije . . . . . . . . . . 34

6.1.2 Identifikacija PWA mape aerodinamičkog momenta . . . . . . . . 35
6.1.3 Identifikacija PWA mape sile potiska . . . . . . . . . . . . . . . . 40
6.1.4 PWA model vjetroagregata . . . . . . . . . . . . . . . . . . . . . 42
6.2 Validacija identificiranog modela . . . . . . . . . . . . . . . . . . . . . . 44
6.3 Postavljanje problema MPC upravljanja . . . . . . . . . . . . . . . . . . 47
6.3.1 Struktura MPC sustava upravljanja . . . . . . . . . . . . . . . . 48
6.3.2 Korištenje MLD forme za dizajn MPC regulatora . . . . . . . . . 54
6.4 Simulacijski rezultati sustava upravljanja . . . . . . . . . . . . . . . . . 56
6.5 Algoritam traženja optimalnog upravljačkog zakona . . . . . . . . . . . 66
7 Zaključak 67
Sažetak 71
Abstract 72
Životopis 73
Poglavlje 1
Uvod
Porast potražnje za električnom energijom u kombinaciji s povećanjem ekoloških stan-

darda ima za posljedicu povećana ulaganja u području razvoja efikasnosti obnovljivih
izvora energije. Kako bi obnovljivi izvori energije u skoroj budućnosti bili što konkurent-
niji konvencionalnim izvorima energije, potrebno je raditi na istraživanjima naprednih
metoda upravljanja. Među obnovljivim izvorima energije, energija vjetra trenutno ima
vodeću ulogu i prema izvještaju europskog udruženja za energiju vjetra1 predviđeno je
povećanje ulaganja na području iskorištavanja energije vjetra[21].
Sve veći porast dimenzija vjetroagregata diktira i bržu dinamiku razvoja novih
materijala, boljeg dizajna i sve naprednijih upravljačkih algoritama. Samo je sinergijom
svih razvojnih komponenti moguće udovoljiti zahtjevima koji se postavljaju na sustav
upravljanja.
Uz razvijene napredne algoritme upravljanja vjetroagregatom, u bliskoj budućnosti
upravljanja vjetroagregatom zanimljivu ulogu bi moglo odigrati modelsko prediktivno
upravljanje2 . Iako je ispočetka primjena MPC regulatora bila ograničena na regulaciju
sporih procesa, razvijeni matematički algoritmi kao i porast procesne snage računala su
omogućile korištenje MPC paradigme za upravljanje širokim spektrom sustava upravl-
janja. Kako bi se sva pozitivna svojstva MPC regulatora u što većoj mjeri iskoristila,
potrebno je identificirati zadovoljavajući model procesa prije postupka sinteze MPC
regulatora. Dobiveni model je potom moguće iskoristiti za postavljanje problema up-
ravljanja.
Rad je podijeljen u sedam poglavlja. Nakon uvodnog poglavlja, u drugom je
poglavlju dan uvid u karakteristike energije vjetra i način modeliranja vjetra kao sto-
1
engl. European Wind Energy Association
2
engl. Model Predictive Control (MPC)
5
Poglavlje 1. Uvod 6
hastičkog procesa. Potom slijedi u trećem poglavlju opis fizikalnih osnova vjetroagre-
gata, nelinearnog matematičkog modela korištenog u ovom radu i osnovnih strategija
upravljanja vjetroagregatom. U četvrtom poglavlju je uvod u modelsko prediktivno
upravljanje, a u petom slijede opisi matematičkih modela sustava korištenih za potrebe
proračuna optimalnog upravljačkog signala, kao i načina postavljanja problema MPC
upravljanja. U posljednjem dijelu je pokazan postupak projektiranja modelskog predik-
tivnog upravljanja vjetroagregatom, od identifikacije modela procesa do konačne sin-
teze MPC regulatora. Kvaliteta identificiranog modela i projektiranog MPC sustava
upravljanja vjetroagregatom je potvrđena simulacijskim rezultatima.
Poglavlje 2
Energija vjetra
Vjetar je pojava s izraženim karakteristikama promjenjivosti. S aspekta iskorištavanja

energije vjetra, upravo je nestalnost i stohastička priroda vjetra razlog nemogućnosti
procjene proizvodnje energije na duljem periodu, ali i uzrok potrebe za dizajnom
sve naprednijih sustava za njegovu eksploataciju. Promjenjivost vjetra je prostorno-
vremenska, uz promjenjive iznose brzine i smjera. U pogledu razvoja sustava za ek-
sploataciju i procjene isplativosti izgradnje vjetroparka na određenoj lokaciji, temeljna
fizikalna relacija je proporcionalna ovisnost snage vjetra o trećoj potenciji brzine.
2.1 Promjenjiva priroda vjetra

Na globalnoj razini se prostorna promjenjivost očituje postojanjem različitih klimatskih
regija na zemlji. Njihova klima je ponajprije određena geografskom širinom koja utječe
na količinu insolacije. Unutar klimatske regije je prostorna promjenjivost ponajprije
posljedica reljefa i prostornih odnosa kopna i mora. Nadalje, vjetar je snažniji na
vrhovima brda i planina nego u zaštićenim dolinama.
Dugoročne varijacije iznosa energije vjetra iz godine u godinu nije lako predvidjeti
te je stoga teško precizno odrediti ekonomsku isplativost izgradnje vjetroagregata na
određenoj lokaciji. S druge strane, varijacije na razini godišnjih doba je znatno lakše
predvidjeti. Vremensku promjenjivost vjetra na dnevnoj skali, premda je poprilično
dobro shvaćena, najčešće nije moguće pouzdano prognozirati više od par dana unapri-
jed. Te varijacije se nazivaju sinoptičkim i njihova prognoza je direktno povezana sa
kretanjem vremenskih fronta. Ovisno o lokaciji, može postojati značajna ovisnost ak-
tivnosti vjetra na dnevnoj razini. Predviđanje navedene aktivnosti je veoma bitno u
cilju što bolje organizacije elektrana čitavog elektroenergetskog sustava.
7
Poglavlje 2. Energija vjetra 8
Varijacija aktivnosti vjetra u minutama i sekundama spada u područje turbulen-

cije. Turbulencija može imati značajan učinak na učinkovitost i dizajn agregata za
iskorištenje vjetra, kao i na kvalitetu isporučene električne energije u elektroenergetski
sustav. Na Slici 2.1 je prikazan spektar snage vjetra dobiven mjerenjima Van der Hov-
ena 1957. godine u Brookhavenu, u saveznoj državi New York[20]. Moguće je primijetiti
tri maksimuma u karakteristici koji odgovaraju varijacijama na različitim vremenskim
intervalima: sinoptičkim, dnevnim i turbulentnim.
Slika 2.1: Spektralna gustoća snage vjetra
2.2 Stohastički modeli brzine vjetra

Za stohastički opis brzine vjetra se koristi funkcija gustoće vjerojatnosti (FGV) (Slika
2.2). Površina ispod krivulje s brzinom u intervalu (v1 , v2 ) predstavlja vjerojatnost da
brzina vjetra poprimi iznos iz tog intervala.
Z v2
P (v1 ≤ v ≤ v2 ) = f (v)dv, (2.1)
v1
gdje je f (v) FGV brzine vjetra. Za proračun očekivanog iznosa snage vjetra vrijedi
sljedeća relacija: Z ∞
E(v 3 ) = c v 3 f (v)dv, (2.2)
0
f(v)
V V1 V2 Vvj
Slika 2.2: Funkcija gustoće vjerojatnosti brzine vjetra
gdje je c koeficijent proporcionalnosti i ovisi o gustoći zraka, vlažnosti, poprečnom

presjeku kroz koji puše vjetar itd.
Kao adekvatna FGV u modeliranju brzine vjetra se pokazala Weibullova funkcija
[9]: "
k−1 k #
k v v
f (v) = exp − , (2.3)
c c c
gdje je k parametar oblika, a c parametar skaliranja. Weibull-ova FGV predstavlja
početnu točku kod pronalaženja vjernog opisa stohastike u modeliranju brzine vjetra.
Na Slici 2.3 lijevo su prikazane Weibullove funkcije uz fiksan iznos koeficijenta c i
promjenjivi koeficijent k, a na Slici 2.3 desno su iscrtane funkcije uz promjenjiv c i
fiksan k.
Iz iscrtanih krivulja se mogu donijeti zaključci o utjecaju parametra k, odnosno c
na FGV. Uz k = 1, FGV ima oblik eksponencijalne opadajuće funkcije, dok povećanje
iznosa parametra oblika na k = 3 ima za posljedicu dobivanje zvonolikog oblika krivulje.
Iskustveno je pokazano kako je k = 2 najbolji početni izbor za stohastički model vjetra
ako ne postoje dokumentirani podaci mjerenja brzine koja bi vodila na drugačiji izbor
parametra oblika. Uz k = 2, Weibullova FGV se naziva Rayleighovom FGV:
" 2 #
2v v
f (v) = 2 exp − . (2.4)
c c
Za odabir koeficijenta skaliranja c može poslužiti informacija o srednjem mjerenom
iznosu brzine vjetra na dotičnoj lokaciji. Proračunom očekivanog iznosa Rayleighove
c=8 k=2
0.16 0.25
k=1 c=4
0.14 k=2 c=6
k=3 0.2 c=8
0.12
0.1 0.15
Vjerojatnost
0.08
0.06 0.1
0.04
0.05
0.02
0 0
0 5 10 15 20 25 0 5 10 15 20 25
Brzina vjetra [m/s] Brzina vjetra [m/s]
Slika 2.3: Funkcije gustoće vjerojatnosti brzine vjetra uz promjenjive iznose k i c
FGV dolazi se do izraza:

Z ∞ Z ∞ 2 " 2 # √
2v v π
v̄ = v · f (v)dv = exp − = c ≈ 0.88623c, (2.5)
0 0 c2 c 2
odnosno c ≈ 1.128v̄.
Dan je uvid u načine modeliranja stohastike efektivne brzine vjetra na određenoj
lokaciji. Takva informacija može poslužiti za procjenu isplativosti lokacije za izgradnju
vjetroagregata. Za modeliranje vjetra na mnogo kraćoj vremenskoj skali, uz uzimanje u
obzir promjenjivi iznos brzine i smjera vjetra duž prostora i u cilju simuliranja vladanja
vjetroagregata u turbulentnim uvjetima može poslužiti model opisan u [15].
Poglavlje 3
Opis rada vjetroagregata
3.1 Fizikalne osnove vjetroagregata

Zbog karakteristične aerodinamičke konstrukcije, strujanje vjetra uz lopatice vjetroa-
gregata prouzrokuje razliku u statičkom tlaku čiji je rezultat zakretni moment na os-
ovini generatora[15]. Uz komponentu sile koja djeluje u smjeru rotacije lopatica, na
vjetroagregat djeluje i komponenta koja svojim djelovanjem pobuđuje oscilacije tornja.
Snaga sadržana u masi zraka koja se giba brzinom vvj unutar presjeka polumjera
R jednakom dužini lopatice iznosi:
1
Pvj = ρz · R2 πvvj
3
, (3.1)
2
h i
kg
gdje je ρz specifična gustoća zraka m3
.
S obzirom da vjetar koji prolazi kroz rotor vjetroagregata ne gubi svu snagu, uvodi
se koeficijent snage vjetroagregata Cp koji predstavlja stupanj iskorištenja snage vjetra.
U skladu s prethodno navedenim slijedi izraz za mehaničku snagu vjetroagregata:
1
Pm = Cp ρz R2 πvvj
3
. (3.2)
2
Koeficijent snage Cp je statička funkcija sa brzinom vrtnje ω, kutom zakreta lopatica β
i brzinom vjetra vvj kao ulaznim varijablama. Maksimalni teoretski iznos koeficijenta
snage je poznat pod nazivom Betzov koeficijent. On iznosi 16/27 ≈ 59.3% i postiže se
kada je brzina vjetra iza rotora jednaka trećini ulazne brzine vjetra u rotor[9]. Koefi-
cijent snage se kod današnjih vjetroagregata kreće oko 50%.
Relacija za aerodinamički moment slijedi iz izraza (3.2) i dobiva se dijeljenjem
mehaničke snage vjetroagregata s brzinom vrtnje vjetroturbine:
1 Cp ρz R2 πvvj
3
Ma = . (3.3)
2 ω
11
Poglavlje 3. Opis rada vjetroagregata 12
U matematičkim opisima vjetroagregata se često koristi omjer obodne brzine rotora

na vrhu lopatice i brzine vjetra:
|ωR|
λ= . (3.4)
vvj
Koeficijent λ je u engleskoj literaturi poznat kao tip speed ratio. Na Slici 3.1 je prikazana
ovisnost koeficijenta snage CP o λ uz različite iznose kuta zakreta. Iz funkcija na slici
je očito kako koeficijent ima maksimum za određen iznos λ. Maksimalna korisnost
se postiže za kut zakreta β = 0◦ , a povećanjem kuta zakreta se korisnost smanjuje i
pomiče prema području s manjim iznosima koeficijenta λ.
Funkcija koeficijenta snage proizlazi iz aerodinamičkih karakteristika vjetroagregata
i moguće ju je eksperimentalno odrediti mjerenjem zakretnog momenta turbine uz poz-
nate iznose brzine vjetra, kuta zakreta i brzine vrtnje. Izmjereni zakretni moment se
množi s brzinom vrtnje ω kako bi se dobila mehanička snaga na vjetroturbini. Djeljen-
jem dobivenog iznosa snage s izračunatom snagom vjetra se dobije iznos koeficijenta
snage. Na sličan način moguće je eksperimentalno odrediti krivulje sile potiska na rotor
Ft u ovisnosti o λ i β.
Slika 3.1: Krivulje ovisnosti koeficijenta snage CP o λ uz fiksni β[15]
Jednadžba 3.1 pokazuje ovisnost snage vjetra o trećoj potenciji brzine. Takva
drastična nelinearnost uvjetuje potpuno različite strategije upravljanja za brzine vje-
tra ispod i iznad nazivne. Pritom je nazivna brzina vjetra minimalna brzina uz koji
vjetroagregat postiže nazivnu snagu. Kako bi se stvorili preduvjeti za sintezu upravl-
jačkog mehanizma potrebno je poznavati matematički model procesa kojim se upravlja.
U tu svrhu je u sljedećem podpoglavlju opisan model vjetroagregata koji je korišten u
sintezi modelskog prediktivnog upravljanja vjetroagregatom.
3.2 Matematički model vjetroagregata

Polazni model vjetroagregata koji će se koristiti za sintezu modelsko prediktivnog up-
ravljanja predstavlja pojednostavljeni matematički model vjetroagregata. Postojeći
složeni matematički modeli[20] s detaljnijim opisom vladanja vjetroagregata se bazi-
raju na implicitnim jednadžbama koje otežavaju proračun i onemogućavaju primjenu
razvijenih postupaka sinteze upravljanja. Model opisan u nastavku modelira sve bitne
fizikalne pojave na vjetroagregatu koje je potrebno uzeti u obzir pri sintezi sustava
upravljanja.
Uz zanemarenje sile trenja, dinamika rotora se može opisati diferencijalnom jed-
nadžbom:
Jt ω̇ = Ma − Mg , (3.5)
gdje je Jt moment inercije rotora, ω je kutna brzina rotora i generatora na istoj osovini
i uz zanemarenu torziju. Ma je aerodinamički moment, a Mg je moment generatora. U
modelu vrijedi pretpostavka Mg ≈ Mg,ref , jer je dinamika momenta generatora znatno
brža od bilo koje druge dinamike u modelu vjetroagregata. Uz dinamiku rotora, bitno je
u obzir uzeti i oscilacije konstrukcije vjetroagregata. Zajedno s periodičkim opterećen-
jem koje je posljedica karakterističnog vertikalnog profila vjetra[20], oscilacije konstruk-
cije zbog promjene sile potiska na rotor predstavljaju glavni razlog zamora materijala
i skraćivanja radnog vijeka vjetroagregata. Iako su strukturne vibracije vjetroagregata
veoma složene, modalnom analizom je moguće pronaći dominantnu frekvenciju kojom
se postiže veoma dobra aproksimacija složenih vibracija. Dominantna frekvencija je
ujedno i prva prirodna frekvencija sustava. Uzevši u obzir prethodne konstatacije,
oscilacije se mogu opisati sljedećom diferencijalnom jednadžbom:
M ẍt + Dẋt + Cxt = Ft , (3.6)
gdje xt predstavlja odmak vrha tornja od ravnotežnog položaja, Ft je sila potiska

na rotor, a varijable M , D i C su modalna masa, koeficijent prigušenja i koeficijent
elastičnosti, respektivno.
S obzirom da se toranj njiše, brzina vjetra na glavčini vjetroagregata se može izraziti
kao:
r
vvj = vvj − ẋt . (3.7)
Matematički model korišten u identifikaciji sadrži i opis dinamike servo motora

zakreta lopatica. Njegovu dinamiku je moguće opisati diferencijalnom jednadžbom
drugog reda s realnim svojstvenim vrijednostima:
T1 T2 β̈ + (T1 + T2 )β̇ + β = βref . (3.8)
Važnost uzimanja u obzir dinamike zakreta lopatica očituje se u postupku sinteze mod-
elskog prediktivnog upravljanja. Naime, bitno je imati u vidu maksimalnu moguću
brzinu zakreta koju algoritam upravljanja mora poštivati.
Nelinearnost modela vjetroagregata proizlazi iz nelinearnosti statičkih funkcija Ma
i Ft čije su ulazne vrijednosti brzina vrtnje rotora, kut zakreta lopatica i brzina vjetra
r ) i F = g(ω, β, v r ). Statičke funkcije
u odnosu na vrh tornja, odnosno Ma = f (ω, β, vw t w
su utvrđene pomoću profesionalnog simulatora vjetroagregata GH Bladed[1]. Kako
bi se mogao identificirati po dijelovima afini model vjetroagregata, navedene statičke
nelinearnosti je potrebno aproksimirati s po dijelovima afinim preslikavanjem. Zbog
preglednosti se još jednom navode jednadžbe kojima je opisan model vjetroagregata
korišten u ovom radu:
r )−M ,
Jt ω̇ = Ma (ω, β, vvj g
r ),
M ẍt + Dẋt + Cxt = Ft (ω, β, vvj (3.9)
T1 T2 β̈ + (T1 + T2 )β̇ + β = βref .
3.3 Osnovne strategije upravljanja vjetroagregatom

Vjetroagregatom se upravlja s ciljem maksimiziranja proizvedene energije uz pošti-
vanje nazivnih vrijednosti generatora vjetroturbine. Radna područja vjetroagregata su
određena brzinom vjetra u odnosu na nazivnu brzinu koja predstavlja minimalnu brz-
inu vjetra uz koju se postiže nazivna snaga vjetroagregata. Ovisno o radnom području,
regulacijski sustav ima različito djelovanje u cilju ispunjenja upravljačkih ciljeva. Is-
pod nazivne brzine vjetra se upravlja momentom generatora kako bi se sustav doveo u
radnu točku s maksimalnim stupnjem aerodinamičke pretvorbe s obzirom na dostupnu
brzinu vjetra. Pritom je potrebno pripaziti na minimalnu i maksimalnu dopuštenu brz-
inu vrtnje koja je određena karakteristikama generatora. Na području iznad nazivne
brzine vjetra generator proizvodi nazivnu snagu te se zakretanjem lopatica propušta
višak energije vjetra i održava se nazivna brzina vrtnje rotora vjetroagregata. Načelna
shema sustava upravljanja je prikazana na Slici 3.2.
Regulacija brzine M
g, ref
vrtnje momentom Generator
generatora Mg
ω ref Vjetar Mjerenje

brzine vrtnje
Regulacija brzine β
βref Servo
vrtnje zakretom
motor
lopatica
Slika 3.2: Načelna shema sustava upravljanja vjetroagregatom
Na Slici 3.3 su prikazane statičke karakteristike vjetroagregata snage 1[MW]. Statičke

karakteristike su rezultat upravljanja momentom generatora ispod nazivne brzine vjetra
i zakretom lopatica1 iznad nazivne brzine vjetra. Prekoračenje maksimalne dopuštene
brzine vjetra vvj,max = 30[ ms ] rezultira aktiviranjem sigurnosnog signala koji povećan-
jem zakreta lopatica na 90◦ osigurava iščezavanje aerodinamičkog momenta na rotoru
vjetroagregata i njegovo zaustavljanje.
Slika 3.3: Statičke karakteristike vjetroagregata snage 1[MW][15]
1
eng. Pitch control
3.3.1 Upravljanje ispod nazivne brzine vjetra
Upravljanjem ispod nazivne brzine vjetra se nastoji maksimalno iskoristiti energija dos-
tupna u vjetru. U podpoglavlju 3.1 je pokazana ovisnost koeficijenta iskoristivosti snage
vjetra CP o kutu zakreta β i omjeru brzina λ. S obzirom da je ispod nazivne brzine
vjetra kut zakreta lopatica fiksan, koeficijent snage ima maksimum za poznati iznos op-
timalnog omjera brzina λopt . Prema tome, brzina vrtnje uz koju će se postići optimalno
iskorištenje je određena brzinom vjetra. Promjenjivi iznos brzine vjetra rezultira zaht-
jevom za jednako promjenjivim iznosima brzine vrtnje. S obzirom na veliku tromost
rotacijske mase na generatoru, vjetroagregat u takvim uvjetima ne može dostići mak-
simalnu efikasnost. Sa stajališta prijenosa energije u mrežu, moderni vjetroagregati su
opremljeni frekvencijskim pretvaračima s istosmjernim međukrugom te je bez obzira o
brzini vrtnje rotora moguće osigurati mrežnu frekvenciju na priključku vjetroagregata
na elektroenergetski sustav.
Postoji više načina upravljanja vjetroagregatom u cilju postizanja maksimalne isko-
ristivosti. Prvi način, koji koristi MPC regulator realiziran u ovom radu, podrazumi-
jeva mjereni/estimirani iznos brzine vjetra. Regulator brzine vrtnje ovisno o dostupnoj
informaciji o brzini vjetra generira odgovarajući upravljački signal momenta genera-
tora. Blokovska shema sustava upravljanja je prikazana na Slici 3.4. Nedostatak ovog
načina upravljanja je što brzinu vjetra nije moguće pouzdano mjeriti s obzirom da su
anemometri postavljeni na gondoli vjetroagregata, nekoliko metara iza rotora. Vjetar
kojeg mjeri anemometar predstavlja zakašnjeli mjerni signal koji je uz to degeneriran
zbog prolaska vjetra preko lopatica rotora. Stoga je za uspješnu realizaciju ovakvog
načina upravljanja potrebno implementirati odgovarajući estimator brzine vjetra.
Mjerenje i
λopt/R Vjetar
estimacija vjetra
Regulacija brzine M Mg
+ g, ref
vrtnje momentom Generator
- generatora
Mjerenje
brzine vrtnje
Slika 3.4: Blokovska shema upravljanja momentom generatora ispod naz. brzine vjetra
Većina modernih vjetroagregata kao i regulator koji se koristi u završnom dijelu

rada za usporedbu vladanja s MPC regulatorom, za optimiranje proizvedene snage
ispod nazivne brzine vjetra koristi upravljački zakon koji se izvodi u nastavku. Iz
dostupne brzine vjetra vvj slijedi optimalan iznos brzine vrtnje prema relaciji:
λopt vvj
ωopt = . (3.10)
R
Uz optimalan iznos brzine vrtnje i poznatu brzinu vjetra, moguće je izračunati opti-
malan iznos aerodinamičkog momenta koji u stacionarnim uvjetima odgovara iznosu
momenta generatora:
1 ρz R3 πvvj
2 C (λ , β )
P opt opt 1 ρz R5 πCP (λopt , βopt ) 2
Ma,opt = Mg,opt = = ωopt . (3.11)
2 λopt 2 λ3opt
Budući da su iznosi λopt kao i βopt kojima se postiže maksimalan stupanj iskorištenja
poznati, koeficijent CP (λopt , βopt ) zapravo predstavlja konstantu CP,max te je izraz
(3.11) moguće zapisati kao:
2
Mg,opt = Kλ ωopt , (3.12)
gdje je koeficijent optimalnog momenta Kλ definiran kao:

1 ρz R5 πCP,max
Kλ = . (3.13)
2 λ3opt
Koeficijent optimalnog momenta (3.13) ima konstantnu vrijednost. Premda izve-
deni optimalni upravljački zakon podrazumijeva postavljanje brzine vrtnje na opti-
malnu vrijednost s obzirom na dostupnu brzinu vjetra, brzina vjetra se u algoritmu
(3.12) eksplicitno ne koristi. Naime, algoritam se bazira na pretpostavci da je uz opti-
malan omjer brzina λopt postignut optimalan aerodinamički moment. S obzirom da u
stacionarnim uvjetima aerodinamički moment mora odgovarati momentu generatora,
optimalan iznos momenta generatora ima za posljedicu postizanje optimalnog iznosa
brzine vrtnje rotora. U skladu s navedenim, upravljački zakon je izveden uvažavajući
pretpostavke stacionarnosti. Međutim, pokazuje se kako je i u dinamičkim uvjetima
moguće koristiti izraz (3.12) za upravljanje brzinom vrtnje s ciljem maksimiziranja isko-
rištenja energije sadržane u vjetru. Povećanje brzine vrtnje iznad optimalne vrijednosti
ima za posljedicu povećanje momenta generatora što ima kočni efekt na vrtnju rotora.
S druge strane, smanjenje brzine vrtnje ispod optimalnog iznosa ima za posljedicu
smanjenje momenta generatora što ima za posljedicu ubrzavanje rotora vjetroagregata.
Očito je kako je upravljanjem u otvorenom krugu uz statički izveden kvadratni up-
ravljački zakon (3.12) postignut stabilan sustav upravljanja. Blokovska shema sustava
upravljanja je prikazana na Slici 3.5.
Vjetar
Mg, ref Mg
Mg,ref=Kλω 2 Generator
Mjerenje
brzine vrtnje
Slika 3.5: Blokovska shema upravljanja momentom generatora ispod naz. brzine vjetra
S obzirom da je dinamika regulacije brzine vrtnje koja se postiže primjenom up-

ravljačkog zakona (3.12) poprilično spora, u regulacijski algoritam se dodaje dodatni
derivacijski član kojim se fiktivno smanjuje moment tromosti vjetroturbine. Nadalje,
upravljanjem ispod nazivne brzine vjetra je potrebno paziti na minimalno i maksi-
malno dopušten iznos brzine vrtnje rotora. Stoga se na rubovima radnog područja
ispod nazivne brzine vrtnje ne slijedi optimalan upravljački zakon već se upravlja brzi-
nom vrtnje s ciljem poštivanja zadanih ograničenja. Za upravljanje na rubovima radnog
područja se najčešće koriste PI(D) regulatori. Regulacija brzine vrtnje ispod nazivne
brzine vjetra također mora osigurati preskakanje kritičnih frekvencija na kojima sustav
može doći u rezonanciju. Do rezonancije može doći ako se frekvencija vrtnje rotora ili
njen višekratnik podudara s vlastitom frekvencijom tornja ili neke druge komponente
sustava. Dodatne komponente sustava upravljanja koje je potrebno nadodati optimal-
nom upravljačkom zakonu ovdje su samo ukratko navedene te se čitatelja za više detalja
upućuje na [15].
3.3.2 Upravljanje iznad nazivne brzine vjetra
Na brzinama vjetra iznad nazivne je snaga koja se može dobiti iz vjetra veća od nazivne
snage za koju je projektiran generator vjetroagregata. Zadatak sustava upravljanja je
zakretanjem lopatica ograničiti snagu koju generator preuzima iz vjetra. Upravljanje
kutom zakreta se najčešće realizira u kaskadnoj strukturi. U podređenoj regulacijskoj
petlji se nalazi servo pogon zakreta lopatica, a referentni iznos zakreta zadaje nadređena
regulacijska petlja po brzini vrtnje rotora vjetroagregata.
Vrtnja rotora vjetroagregata se nastoji zadržati na nazivnoj vrijednosti uz djelovanje
promjenjivog iznosa brzine vjetra. Za regulaciju se najčešće koriste PI(D) regulatori
zbog njihove jednostavnosti i razvijenih postupaka sinteze. Izražena nelinearnost sus-

tava upravljanja uvjetuje uključenje adaptacije parametara regulatora ovisno o radnoj
točki u kojoj se regulator nalazi.
Sintezu regulatora moguće je izvesti na više načina[15]. Parametriranje regula-
tora brzine vrtnje je najosjetljiviji zadatak u sklopu projektiranja sustava upravljanja
vjetroagregata. Uz postojanje nelinearnosti sustava upravljanja koja komplicira postu-
pak sinteze regulatora, nepravilno podešen regulator zakreta lopatica može prouzročiti
prekomjerno njihanje tornja vjetroagregata i u konačnici uništenje konstrukcije vjetroa-
gregata. Stoga je pri parametriranju potrebno pripaziti na raspored polova zatvorenog
kruga upravljanja. Preveliko pojačanje regulatora može imati za posljedicu prelazak
slabo prigušenih polova dinamike tornja u desnu poluravninu čime sustav ulazi u po-
dručje nestabilnosti.
Fizikalna pozadina mogućnosti prelaska sustava u stanje nestabilnosti leži u spreg-
nutosti sustava regulacije brzine vrtnje s njihanjem tornja vjetroagegata. Naime, nji-
hanje tornja vjetroagregata u smjeru suprotnom od smjera puhanja vjetra ima za
posljedicu veću efektivnu brzinu koju osjeća rotor vjetroagregata, a samim time i ubrza-
vanje rotora. Regulator će u cilju održavanja nazivne brzine povećati kut zakreta lopat-
ica što uzrokuje smanjenje sile potiska. S obzirom da sila potiska djeluje na toranj u
smjeru puhanja vjetra, njeno smanjenje ima za posljedicu dostizanje većeg stupnja
nagnutosti tornja. Nakon što toranj nastavi njihanje u smjeru vjetra, efektivna brzina
vjetra se smanjuje, a zajedno se njom i brzina vrtnje rotora. Regulator lopatica djeluje
smanjenjem kuta zakreta čime se povećava sila potiska na rotor. Povećanje sile po-
tiska ima za posljedicu veći nagib tornja u smjeru vjetra. Očito je kako se iz periode
u periodu amplitude oscilacija povećavaju te je stoga potrebno osigurati dovoljno malo
pojačanje regulatora brzine vrtnje kako bi on bio neosjetljiv na promjene u brzini koje
nastaju uslijed njihanja tornja vjetroagregata.
U praksi se primjenjuju različite metode parametriranja regulatora brzine vrtnje.
Uz projektiranje regulatora minimizacijom integralnih kriterija kakvoće, često se koristi
i sinteza na temelju frekvencijskih karakteristika otvorenog regulacijskog kruga. Tako je
npr. regulator koji se koristi za usporedbu vladanja s MPC regulatorom u podpoglavlju
6.4 projektiran uz presječnu frekvenciju ωc = 0.9[ rad ◦
s ] i fazno osiguranje γ = 60 [15]. Ti
parametri su pokazali dobre karakteristike sa stajališta brze regulacije brzine vrtnje uz
smanjenu aktivnost njihanja tornja.
Kako bi karakteristike sustava upravljanja bile zadovoljavajuće u čitavom rad-
nom području, nužno je uključiti adaptaciju parametara regulatora. Stoga je sustav
potrebno linearizirati u više radnih točaka i za svaku radnu točku provesti sintezu reg-
ulatora. Parametri regulatora se zapisuju u preglednu tablicu2 . Radna točka u kojoj
se nalazi vjetroagregat je određena iznosom brzine vjetra. S obzirom da je mjerenje
brzine vjetra nepouzdano, u praksi se pokazalo kako je identifikaciju radnog područja
moguće izvesti korištenjem informacije o zakretu lopatica vjetroagregata. Naime, pod
pretpostavkom ispravnog rada regulatora brzine vrtnje, kut zakreta lopatica je u di-
rektnoj vezi s brzinom vjetra što slijedi iz statičke karakteristike vjetroagregata (Slika
3.3). Pokazuje se kako je i u dinamičkim uvjetima moguće koristiti navedenu vezu u
svrhu parametriranja regulatora[15]. Blokovska shema regulacije brzine vrtnje zakre-
tom lopatica je prikazana na Slici 3.6.
Adaptacija Vjetar
Kr,Ti,Td parametara
β
PID regulator βref Servo β
ωn
+ brzine vrtnje motor
-
Mjerenje
brzine vrtnje
Slika 3.6: Blokovska shema upravljanja brzinom vrtnje iznad naz. brzine vjetra
3.3.3 Zahtjevi na sustav regulacije vjetroagregatom
Primarni ciljevi upravljanja vjetroagregatom su svakako maksimiziranje proizvodnje

električne energije i poštivanje ograničenja zbog tehničkih karakteristika generatora.
Pri ispunjavanju primarnih ciljeva treba pripaziti i na štetan utjecaj koji regulacija
može imati na strukturna opterećenja. Postoji dakako još mnogo čimbenika koje je
potrebno imati u vidu. Potpuniji popis zahtjeva na regulator slijedi u nastavku.
Projektni zahtjevi koje sustav regulacije mora ispunjavati su[20]:
1. regulacija aerodinamičkog momenta na brzinama vjetra iznad nazivne;
2. minimiziranje "špiceva" u momentu generatora;
3. spriječiti pretjeranu aktivnost zakretanja lopatica;

2
engl. Look up table
4. minimiziranje opterećenja baze tornja kontroliranjem oscilacija tornja;
5. smanjivanje opterećenja na korijenu lopatica.
Treba imati u vidu kako se u ovom radu ne razmatra individualno zakretanje lopat-
ica i u tom smislu se ne može utjecati na umanjenje opterećenja na korijenu lopatica
koje se potom prenosi na konstrukciju vjetroagregata. Stoga MPC sustav regulacije
koji se projektira u ovom radu mora zadovoljiti sve zahtjeve izuzev posljednjeg koji nije
uključen u matematički model vjetroagregata za sintezu sustava upravljanja.
Poglavlje 4
Modelsko prediktivno upravljanje
Razvoj modelskog prediktivnog upravljanja1 započinje u kasnim 70-im godinama prošlog

stoljeća[7]. Od onda je postignut značajan napredak, ali je i dalje otvoren prostor
za brojne znanstvene radove na gotovo neiscrpnom području MPC regulacije. Mod-
elsko prediktivno upravljanje koristi poznatu dinamiku modela procesa za proračun
upravljačkog signala kojim će se postići minimum zadanog kriterija upravljanja. Dok
je ispočetka primjena bila vezana isključivo za spore industrijske procese, u današnje
vrijeme se MPC regulatori koriste za upravljanje raznolikim spektrom sustava.
Prednosti MPC-a pred ostalim metodama upravljanja su (i) svojstvo kompenzacije
transportnog kašnjenja i djelovanja poremećaja na sustav, (ii) razvijeni regulator je
moguće dobiti u obliku linearnog upravljačkog zakona kojeg je moguće jednostavno im-
plementirati u stvarni sustav, (iii) omogućuje eksplicitno poštivanje ograničenja na pro-
cesne i upravljačke varijable, (iv) u potpunosti se mogu iskoristiti saznanja o budućim
trajektorijama referentne veličine itd. Nedostatak MPC regulatora je što je dobivanje
upravljačkog algoritma znatno složenije nego što je to slučaj kod klasičnih linearnih
regulatora kao što je PID. U slučaju da se parametri procesa ne mijenjaju značajno ti-
jekom rada procesa, odgovarajući upravljački algoritam se može proračunati offline, dok
se u slučaju adaptivnog upravljanja procesom sav proračun mora izvršavati u svakom
koraku diskretizacije.
Uz uključenje ograničenja, proračun optimalnog upravljačkog zakona postaje još
zahtjevniji. Međutim, računski zahtjevi MPC-a sve manje dolaze do izražaja s obzirom
na sve veću procesnu snagu računala koji se koriste u upravljanju procesima. U cilju
što potpunijeg iskorištenja svih prednosti MPC regulatora, potrebno je identificirati što
1
engl. Model Predictive Control (MPC)
22
Poglavlje 4. Modelsko prediktivno upravljanje 23
bolji matematički model procesa.

Uz strategiju MPC regulatora veže se pojam pomičnog horizonta2 . U svakom ko-
raku diskretizacije se horizont upravljanja pomiče unaprijed uz djelovanje prvim up-
ravljačkim signalom optimalne sekvence na sustav upravljanja. Pritom se optimalna
sekvenca proračunava u svakom trenutku uzorkovanja. Upravljanjem na takav način je
postignut efekt regulacije u zatvorenoj petlji.
Djelovanje MPC regulatora je moguće podijeliti na sljedeće sastavne dijelove:
1. Budući izlazi iz sustava upravljanja u horizontu upravljanja N se predviđaju u

svakom trenutku uzorkovanja k korištenjem poznatog modela procesa. Predikcija
izlaza y(t+k|t), za k = 0, . . . , N −1 ovisi o prošlim ulazima i izlazima te o budućim
upravljačkim signalima u(t + k|t), za k = 0, . . . , N − 1, koji se šalju na aktuator.
2. Sekvenca upravljačkih signala se proračunava minimiziranjem kriterija upravl-

janja. Kriterij je najčešće zadan u obliku kvadratne funkcije i u slučaju problema
praćenja odgovara kvadratu odstupanja referentne trajektorije od izlaza sustava.
U kriterij se najčešće uključuje i penaliziranje upravljačkog signala kako bi se
spriječilo forsiranje upravljačkog signala. U slučaju postojanja linearnog modela
procesa, kvadratičnog ograničenja i nepostojanja ograničenja, moguće je dobiti
eksplicitno rješenje upravljačkog algoritma. U protivnom se za proračun opti-
malnog zakona upravljanja koriste iterativne metode optimizacije.
3. Upravljački signal u(t|t) se primjenjuje na proces dok se ostali proračunati signali

unutar optimalne sekvence odbacuju, jer se već u idućem trenutku uz poznato
mjerenje y(t + 1) provodi korak 1. S obzirom na dostupnu novu informaciju iz
sustava, iznos upravljačkog signala u(t + 1|t + 1) se razlikuje od u(t + 1|t) u skladu
s konceptom pomičnog horizonta.
S obzirom da predikcija vladanja sustava ima direktan utjecaj na proračun sekvence

upravljačkog signala, matematički model sustava mora sadržavati što vjerniji opis di-
namike procesa duž horizonta predikcije. Bez obzira na manjak teoretskih rezultata
na području dokazivanja stabilnosti i robusnosti modelsko prediktivnih sustava upravl-
janja, zbog svojih prednosti se MPC u praksi pokazuje kao odličan izbor u upravljanju
industrijskim procesima.
2
engl. Receding horizon
Poglavlje 5
Po dijelovima afini sustavi
Matematički opis sustava afinim podmodelima koji su definirani na određenom rasponu

ulaznih i procesnih varijabli naziva se po dijelovima afinim modelom. PWA sustavi
se dobivaju dijeljenjem cjelokupnog skupa ulaza i stanja sustava na konačan broj
poliedarskih područja (politopa)[10], nad kojima vrijedi afina funkcija preslikavanja
vrijednosti ulaznih veličina i stanja procesa na izlaz (podmodel) (Slika 5.1). PWA
modelom moguće je s proizvoljnom preciznošću opisati nelinearnu dinamiku i zbog svo-
jih svojstava može ga se koristiti za ekvivalentan opis hibridnih sustava koji uz opis
dinamičkog vladanja sadrže i elemente logike. Jednako dobra mogućnost estimacije
kontinuiranih i diskontinuiranih modela sustava osigurava mu svojstvo univerzalnog
aproksimatora.
x
u
Slika 5.1: Po dijelovima afina funkcija s diskontinuitetima i tri podmodela
24
Poglavlje 5. Po dijelovima afini sustavi 25
S obzirom na postupak dijeljenja skupa ulaza i stanja sustava postoje dva pristupa
modeliranju. Prvi pristup postupak dijeljenja obavlja a priori, što znači da je na već pre-
dodređenim poliedarskim područjima potrebno izvršiti aproksimaciju linearnog modela
sustava. Do parametara podmodela se potom dolazi uvriježenim linearnim metodama
identifikacije[14] (npr. metoda najmanjih kvadrata). Veliki nedostatak navedenog pris-
tupa je što se pri postupku identifikacije ne uzima u obzir konfiguracija ulazno-izlaznih
podataka, te je najčešće potreban veliki broj podmodela za osiguravanje zadovoljava-
jućeg opisa sustava. U drugom pristupu se obavlja utvrđivanje granica podmodela
uzimajući u obzir identifikacijske podatke i konačni efekt je postizanje manje aproksi-
macijske pogreške uz manji broj podmodela. Glavni problem ovog pristupa je potreba
za istovremenim postupcima klasifikacije podataka, estimacije parametara podmod-
ela i koeficijenata hiperravnina koji omeđuju područja definicije podmodela. Postupak
identifikacije postaje još složeniji ukoliko je nepoznat broj podmodela, te ga je utoliko
potrebno estimirati.
Dva temeljna opisa PWA sustava su opis u prostoru stanja i opis u regresijskom
obliku1 . Opis u regresijskom obliku dijeli se u zasebne podklase: (i) HHARX[12] te
(ii) Hammerstein i Wienerov PWARX[19] sustav. Zbog konzistentnosti slijedi samo
opis PWA sustava u prostoru stanja, budući da se jedino takav model sustava koristi u
praktičnom dijelu ovog rada.
5.1 PWA model u prostoru stanja

Analogno zapisu sustava u prostoru stanja, slijedi općeniti zapis PWA sustava u pros-
toru stanja:
xk+1 = Aσ(k) xk + Bσ(k) uk + bσ(k) , (5.1a)
yk = Cσ(k) xk + Dσ(k) uk + dσ(k) , (5.1b)
gdje je k korak diskretizacije, xk ∈ Rn je vektor stanja procesa, uk ∈ Rp je vektor ulaza

u sustav, yk ∈ Rq je vektor izlaza iz sustava. Varijabla σ(k) određuje aktivni podmodel
te poprima vrijednosti iz konačnog diskretnog skupa {1, . . . , s}, gdje s predstavlja broj
afinih podmodela, a vektori bσ(k) i dσ(k) predstavljaju afinu komponentu opisa sustava
u prostoru stanja.
S obzirom na zapis sustava (5.1) može se zaključiti kako je PWA sustav u prostoru
stanja afini model sustava s varijabilnim koeficijentima gdje se odabir skupa parametara
1
engl. PieceWiseAffine autoRegressive eXogenous (PWARX)
vrši s obzirom na varijablu σ(k). Općenito se aktivni podmodel u prostoru stanja u

koraku diskretizacije k određuje iz pozicije stanja i ulaznih vrijednosti u prostoru X
koji je razapet varijablama stanja procesa i ulazima u sustav:
σ(k) = i, ako je (xk , uk ) ∈ Xi . (5.2)
Prostor X je podijeljen u s politopa Xi . Nad svakim politopom je definiran jedan

afini podmodel. Aktivni politop se određuje zadovoljenjem sljedeće relacije:
   
 x 
Xi = (x, u) ∈ Rn × Rp : Hi   ≤ Ki , (5.3)
 u 
gdje matrica Hi i vektor Ki definiraju granice i-tog politopa. Kako bi se mogao iden-
tificirati PWA model vjetroagregata, potrebno je nelinearne statičke funkcije u modelu
vjetroagregata aproksimirati funkcijama s PWA svojstvima.
5.2 Identifikacija PWA sustava

Kako bi se mogla obaviti sinteza regulacijskog kruga, potreban je matematički model
sustava kojim se upravlja. Katkada je moguće osigurati kvalitetnu regulaciju koristeći
linearizirani model u okolini radne točke u kojoj se upravlja. Međutim, kada nelin-
earnosti procesa nisu zanemarive s obzirom na radno područje u kojem se proces nalazi,
potreban je podrobniji model sustava. Po dijelovima afini sustavi imaju univerzalna
aproksimacijska svojstva i odgovarajućim odabirom broja podmodela je moguće svesti
pogrešku aproksimacije u okvir zadanih zahtjeva. Identifikacija se izvodi offline koris-
teći se ulazno-izlaznim podacima prikupljenim u eksperimentima. Postoji više načina
po kojima se može obaviti identifikacija, a svima je cilj pronaći PWA model koji će
predstavljati vjerodostojni pandan stvarnom procesu, odnosno kojim će se minimizirati
predikcijska pogreška. Problem identifikacije PWA sustava može se razložiti na sljedeće
zadatke:
1. estimacija potrebnog broja podmodela;
2. estimacija parametara podmodela koji definiraju afinu funkciju ovisnosti izlaza o

ulazu;
3. utvrđivanje koeficijenata hiperravnina koje razgraničavaju područja ulaznog hiper-

prostora.
Dodatan problem identifikacije je klasifikacijske prirode jer je potrebno svaki identi-

fikacijski par (y, u) dodijeliti vlastitom podmodelu, pa će problem predstavljati podaci
koji se nalaze na rubovima afinih podmodela. Broj podmodela predstavlja veoma važan
parametar jer njime je u konačnici određena kvaliteta provedene identifikacije. Pre-
malen broj podmodela neće zadovoljavajuće dobro opisati sve nelinearnosti sadržane u
procesu dok se za npr. broj podmodela koji odgovara broju identifikacijskih podataka
postiže efekt premodeliranja (model "nauči" šum). Istovremena optimalna estimacija
svih prethodno navedenih zadataka predstavlja računski zahtjevan i često neprove-
div zadatak te se pristupa suboptimalnim postupcima identifikacije. Većina takvih
algoritama pretpostavlja fiksan broj podmodela ili ga određuje iterativno kako bi se
poboljšala estimacija.
Izlaz iz PWA modela opisan je preslikavanjem:
yk = φ>
k θi + e k , (5.4)
gdje je θi vektor parametara podmodela, φk je vektor identifikacijskih podataka, a ek

je šum prisutan u mjernim podacima. Pritom za šum vrijedi pretpostavka E[ek ] = 0
što znači da će za dovoljan broj identifikacijskih podataka po podmodelu, u idealnom
slučaju, utjecaj šuma na pogrešku estimacije biti beznačajan. Vektor identifikacijskih
podataka može predstavljati vektor ulaznih podataka u slučaju aproksimacije nelin-
earne statičke funkcije ili može sadržavati prošla stanja i upravljačke signale u slučaju
identifikacije PWARX modela.
Ako je dostupno N ulazno-izlaznih identifikacijskih podataka i a priori poznat broj
podmodela s, tada se problem estimacije može svesti na problem minimizacije sljedeće
kriterijske funkcije:
N
1 X
V (θ, Hi , Ki ) = l(yk − f (xk )) (5.5)
N k=1
gdje f (xk ) predstavlja identificiranu mapu preslikavanja (definicija u odjeljku 5.2.1), a l
je općenito nenegativna parna funkcija. Najčešći odabir funkcije l je kvadratna funkcija
(ISE kriterij):
l(x) = x2 , (5.6)
ili apsolutna vrijednost (IAE kriterij):
l(x) = |x|. (5.7)
Premda je pretpostavljen poznati broj podmodela, problem minimizacije kriterijske

funkcije predstavlja zahtjevan zadatak i moguća su zaglavljenja u lokalnim minimu-
mima. Glavni problem predstavlja utvrđivanje područja definicije politopa, odnosno
ispravne klasifikacije mjernih podataka kojom se postiže najbolja estimacija. Određi-

vanje politopa je usko povezano s identifikacijom parametara podmodela. Nadalje, za-
htjeva se da unija svih politopa pokriva cjelokupno područje vrijednosti stanja i ulaza
nad kojima je definiran model.
Glavne poteškoće u identifikaciji po dijelovima afinog sustava su:
1. proračun dobrog modela stvarnog sustava, s po mogućnosti što manje potrebnih

optimizacijskih parametara;
2. spriječavanje zaglavljivanja u lokalne minimume prilikom postupka minimizacije;
3. računska složenost procesa identifikacije.
Pronalazak globalnog minimuma garantira mixed-integer programming pristup[12],

ali ga karakterizira visoka složenost algoritma. U nastavku slijedi opis postupka is-
tovremene identifikacije parametara podmodela i rasporeda politopa na principu usku-
pljavanja koji se koristi za identifikaciju PWA modela vjetroagregata u ovom radu.
5.2.1 Identifikacija temeljena na uskupljavanju
Slijedi sažeti opis algoritma identifikacije temeljenog na uskupljavanju, a detaljan opis

algoritma je moguće pronaći u [8]. Treba naglasiti kako je opis postupka u ovom
radu prilagođen kontekstu aproksimacije nelinearne statičke funkcije dok je u izvornom
članku metoda predstavljena u cilju identifikacije PWARX modela. Na samom početku
postupka identifikacije je potrebno prikupiti N parova ulazno-izlaznih podataka (uk , yk ).
Nelinearnu statičku funkciju
yk = f (uk ) + ek , (5.8)
gdje je ek šum prisutan u mjernim podatcima2 , moguće je aproksimirati PWA mapom

preslikavanja:   
 uk 
θ1>  ako je uk ∈ X1







 1
..

f (uk ) = . (5.9)

  


 uk 
θ>  ako je uk ∈ Xs


 s


1
gdje su parametri afine funkcije označeni s θi . Cilj postupka identifikacije je rekon-
struirati mapu f iz prikupljenog skupa podataka. Identifikacija temeljena na uskuplja-
vanju podrazumijeva poznati broj podmodela čije je parametre potrebno identificirati.
2
Za slučaj aproksimacije poznate statičke nelinearne funkcije u PWA obliku vrijedi e = 0.
U slučaju potrebe istodobne estimacije broja podmodela, postupak identifikacije se do-

datno komplicira. Više o takvom postupku moguće je pronaći u [2]. U nastavku slijedi
kratki opis temeljnih koraka identifikacije temeljene na uskupljavanju.
Lokalna regresija. Izgrađuju se lokalni skupovi podataka3 tzv. LD-ovi (često se
označavaju sa Ck ), gdje svaki Ck kao elemente sadrži točku (uk , yk ) i c-1 točaka uj
najbližih točki uk . Udaljenost među točkama se računa u Euklidskoj metrici, a vektori
parametara θLSk se računaju za svaki Ck pomoću metode najmanjih kvadrata. Kako
bi se izbjegli tzv. outlier-i u vektorima parametara, bitno je da parametar c koji
određuje broj točaka po lokalnom skupu podataka bude prikladno podešen. Outlieri
su ponajprije posljedica miješanih LD-ova. Pojam miješani LD se odnosi na lokalne
skupove podataka čije su izlazne vrijednosti generirane s više podmodela. S druge
strane, lokalni skupovi podataka koji sadrže samo točke generirane jednim podmodelom
su čisti LD-ovi. Kako bi se postigli zadovoljavajući aproksimacijski rezultati, potrebno
je da omjer između miješanih i čistih LD-ova bude malen.
Izgradnja vektora svojstava. Vektor parametara θLSk zajedno sa srednjom vrijed-
nošću ulaznih vrijednosti u skupu Ck izgrađuje vektor svojstava
h i>
ξk = (θLSk )> m>
k . (5.10)
pri čemu je srednja vrijednost ulaznih vrijednosti u skupu Ck definirana kao

1 X
mk = u (5.11)
c u∈C
k
Vektor svojstava objedinjuje informaciju o poziciji Ck zajedno sa njegovim parametrima.

Varijanca Rk estimacije parametara se formira kao dijagonalna matrica s kovarijancom
Vk i matricom raspršenosti Qk kao sastavnim dijelovima. Varijanca Rk se koristi za pro-
račun mjere pouzdanosti vektora svojstava ξk . Veća kovarijanca vektora parametara
pojedinog LD-a, odnosno veća raspršenost točaka unutar LD-a imaju za posljedicu
manju pouzdanost vektora ξk .
Uskupljavanje. Vektori svojstava se razdjeljuju u s skupina4 {Fi }si=1 . Skupine se
formiraju korištenjem tzv. K-means algoritma[18] koji koristi prethodno proračunate
mjere pouzdanosti vektora svojstava. Mjera pouzdanosti se koristi za smanjenje nega-
tivnog utjecaja LD-ova za koje postoji sumnja da su miješani.
Estimacija parametara podmodela. Kako je preslikavanje točaka identifikacijskih
podataka u prostor vektora svojstava bijektivno, svaki par točaka (uk , yk ) se pridjeljuje
3
engl. Local Dataset (LD)
4
engl. Cluster
jednom od podskupova podataka Di prema relaciji:
(uk , yk ) ∈ Di , ako je ξk ∈ Fi . (5.12)
Vektor parametara podmodela θi se estimira korištenjem metode najmanjih kvadrata

s otežanjem5 nad podskupom podataka Di . Težine se dobivaju iz mjera pouzdanosti
vektora svojstava.
Estimacija regija. Estimacija regija se svodi na traženje potpune poliedarske par-
ticije skupa regresora (bez praznina). Traženi politopi Xi za i = 1, . . . , s pronalaze
se rješavanjem višekategorijskog klasifikacijskog problema. U konkretnom slučaju se
koristi tzv. MRLP6 [13]. Uskupljeni regresori omeđuju se razgraničavajućim hiperravn-
inama među skupinama identifikacijskih podataka uz minimiziranje kriterijske funkcije
povezane s krivo klasificiranim regresorima.
5.3 Modelsko prediktivno upravljanje PWA modelom

Uz definirana ograničenja na varijable stanja i upravljačke signale sustava, potrebno je
pronaći sekvencu upravljačkog signala kojom se ostvaruje minimum zadanog kriterija
upravljanja. Uz kriterij upravljanja
N
X −1
J(UN , x(0)) = kP xN kp + kQxk kp + kRuk kp , (5.13)
k=0
slijedi zapis problema proračuna optimalnog upravljačkog signala s ograničenjima7
J0∗ (x(0)) = min J(UN , x(0)),

 UN  

 xk


 xk+1 = Ai xk + Bi uk + fi ako   ∈ Xi , i = 1, . . . , s
uk





uz ograničenja uk ∈ U


xk ∈ X






xN ∈ Xf .


(5.14)
P , Q i R sadrže koeficijente kriterijske funkcije uz kriterij u p-normi. Treba primi-
jetiti kako se u slučaju kvadratnog kriterija (p = 2) sumator u izrazu (5.13) proširuje
dodatnim članom potenciranja umnoška varijabli stanja i upravljačkih signala. UN je
5
engl. Weighted least squares
6
engl. Multi-category Robust Linear Programming MRLP
7
engl. Constrained Finite Time Optimal Control (CFTOC)
vektor upravljačkih signala na horizontu [u> >

0 , . . . , uN −1 ], a Xf ciljana regija na kraju
predikcijskog horizonta k = N .
Kako bi navedeni upravljački problem bio rješiv8 , pretpostavlja se pozitivna semidefinit-
nost matrica Q, R i P u slučaju kvadratnog kriterija.
Ako se CFTOC problem (5.14) rješava u svakom diskretnom koraku upravljanja
tada je riječ o online MPC upravljanju. U ovom radu se razmatra upravo online imple-
mentacija MPC regulatora vjetroagregata jer takav oblik omogućuje bržu simulacijsku
provjeru vladanja sustava uz zadana ograničenja i kriterij upravljanja.
Nakon pronalaska online MPC regulatora sa zadovoljavajućim vladanjem, moguće
je pristupiti offline proračunu optimalnog upravljačkog zakona u eksplicitnom obliku[6].
Upravljački zakon u takvom obliku se može iskoristiti za implementaciju u mikroraču-
nalu za rad u stvarnom vremenu.
5.4 Hibridni sustavi s logičkim i kontinuiranim varijablama

Sinteza online MPC regulatora vjetroagregata provest će se uz matematički model
vjetroagregata u MLD obliku. MLD sustav objedinjuje logički karakter procesa i nje-
govu dinamičku komponentu što ga čini ekvivalentnim PWA sustavu. Transformacija
sustava iz PWA u MLD oblik zasniva se na postupcima transformacije propozicijske
logike PWA sustava u skup linearnih nejednadžbi[4]. Uz problem upravljanja zapisan
u MLD obliku, moguće je za online proračun optimalnog upravljačkog signala na up-
ravljačkom horizontu koristiti različite rješavače što olakšava bržu sintezu prototipa
modelskog prediktivnog upravljanja. Općeniti zapis MLD sustava je:
xk+1 = Ak xk + B1k uk + B2k δk + B3k zk (5.15a)
yk = Ck xk + D1k uk + D2k δk + D3k zk (5.15b)
E2k δk + E3k zk ≤ E1k uk + E4k xk + E5k (5.15c)
gdje je δk vektor binarnih varijabli čije vrijednosti označavaju aktivni podmodel, a

zk vektor kontinuiranih varijabli. Vektori varijabli stanja i upravljačkih signala, xk i
uk , mogu sadržavati kontinuirane i binarne varijable. Pri tome binarna stanja mogu
predstavljati primjerice stanje releja ili ventila, a binaran upravljački signal naredbe
za uključivanje, odnosno isključivanje. Kontinuiranim varijablama se opisuje dinamika
kontinuiranih procesa unutar sustava. Zapis sustava u MLD obliku nije jednoznačan,
8
engl. feasible
ali ako je sustav (5.15) dobro postavljen tada za svaki xk i uk iz zatvorenog poliedarskog
prostora X postoje jedinstveni vektori zk i δk .
Dodatna ograničenja na varijable stanja i upravljačke signale (npr. maksimalni
i minimalni dopušteni iznosi) moguće je uključiti u MLD sustav proširenjem skupa
nejednadžbi u (5.15). Prema tome, u sustav upravljanja je moguće uključiti ograničenja
sljedećeg oblika:
F xk + Guk ≤ H. (5.16)
Ograničenjem tipa F xN ≤ H, gdje su s xN označena stanja sustava na kraju horizonta

moguće je postaviti ograničenja na ciljnu regiju. Jedan od mogućih postupaka rješa-
vanja problema upravljanja u MLD obliku je metoda grananja i granica9 o kojoj se više
može pronaći u [11].
9
engl. Branch and bound method
Poglavlje 6
Projektiranje modelskog
prediktivnog upravljanja
vjetroagregatom
Modelsko prediktivno upravljanje vjetroagregatom podrazumijeva najprije vjerodosto-

jan model procesa kojim će se upravljati. Bez dobrog modela procesa nije moguće
očekivati iskorištenje prednosti koje nudi modelsko prediktivna paradigma. Stoga je
najprije potrebno na adekvatan način izvršiti identifikaciju procesa. U ovom radu će
se nelinearan model vjetroagregata identificirati u obliku po dijelovima afinog mod-
ela jer takav oblik omogućava korištenje razvijenih postupaka sinteze MPC regulatora,
međuostalim i proračun optimalnog upravljačkog zakona u eksplicitnom obliku. Pro-
računati optimalni zakon je potom moguće bez većih poteškoća koristiti za upravljanje
procesom u stvarnom vremenu. Za potrebe razvoja prototipa, uz danu dimenziju prob-
lema, je postupak proračuna eksplicitnog upravljačkog zakona predugotrajan i stoga
nepraktičan. S obzirom na navedeno, u ovom radu se rješava problem sinteze MPC
regulacije u implicitnom obliku koji nije pogodan za primjenu na stvarnom procesu već
za simulacijsku provjeru performansi koje je moguće postići uz MPC sustav upravljanja
vjetroagregatom.
Ovo poglavlje je podijeljeno na četiri dijela. U prvom dijelu je opisan postupak iden-
tifikacije PWA modela vjetroagregata. U drugom podpoglavlju slijedi prikaz rezultata
dobivenih simulacijskom provjerom vladanja identificiranog PWA modela u usporedbi
s polaznim nelinearnim modelom. Potom slijedi, u trećem podpoglavlju, postavljanje
problema MPC upravljanja u obliku MLD sustava uz minimiziranje odgovarajućih kri-
terija upravljanja. Navedeno iziskuje prethodnu transformaciju PWA sustava u ekvi-
33
Poglavlje 6. Projektiranje modelskog prediktivnog upravljanja vjetroagregatom 34
valentan MLD oblik. U posljednjem podpoglavlju su prikazani simulacijski rezultati

projektiranog sustava upravljanja uz kritički osvrt na ostvarene rezultate.
6.1 Identifikacija PWA modela vjetroagregata

Nelinearnost modela vjetroagregata koji se koristi za sintezu sustava upravljanja u ovom
radu proizlazi iz nelinearnih funkcija aerodinamičkog momenta (Ma ) i sile potiska (Ft ).
Obje nelinearnosti se mogu opisati u hiperprostoru razapetom sljedećim veličinama:
brzina vrtnje rotora (ω), kut zakreta lopatica (β) i relativna brzina vjetra na glavčini
r ). Kako bi se dobio PWA model vjetroagregata, potrebno je nelin-
vjetroagregata (vvj
earne statičke funkcije Ma i Ft identificirati kao PWA mape uz minimiziranje pogreške
aproksimacije. Kao aparat za PWA identifikaciju je korištena metoda temeljena na
uskupljavanju uz dodatnu uporabu kvadratnih programa s ograničenjima za svlada-
vanje zamijećenih nedostataka identificiranog modela.
6.1.1 Generiranje podataka za potrebe identifikacije
S obzirom na raspone varijabli stanja, teoretski je moguće da se vjetroagregat pronađe

u bilo kojem dijelu hiperkocke razapete procesnim varijablama. No uzimajući u obzir
upravljanje u zatvorenoj petlji u realnim radnim uvjetima, za očekivati je kako će
se stanja vjetroagregata nalaziti u okolini optimalne statičke karakteristike1 . U [5] je
provedena identifikacija u cijelom rasponu procesnih varijabli, a njeni rezultati pokazuju
najveće odstupanje upravo u području statičke karakteristike. Stoga je u ovom radu
identifikacija provedena s naglaskom na dobro poznavanje dinamike u okolini statičke
karakteristike vjetroagregata.
Statička karakteristika je osobni identifikator svakog vjetroagregata i određena je
konstrukcijom i primjenjenim upravljanjem. Njena dva sastavna dijela se odnose na up-
ravljanje ispod i iznad nazivne brzine vjetra. U slučaju upravljanja ispod nazivne brzine
vjetra, nastoji se iskoristiti maksimalan iznos energije dostupan u vjetru. Lopatice se
pritom postavljaju na nagib koji omogućuje maksimalno iskorištenje energije vjetra.
Najčešće se taj kut postavlja kao ishodišna pozicija i predstavlja 0◦ zakreta. Uz lopat-
ice zakrenute pod optimalnim kutom, statička karakteristika proizlazi iz optimalnog
iznosa λopt koji osigurava maksimalan stupanj iskorištenja aerodinamičke pretvorbe.
Iznad nazivne brzine vjetra, višak energije vjetra se propušta zakretanjem lopatica. U
tom slučaju je u stacionarnom stanju aerodinamički moment jednak nazivnom momentu
1
U daljnjem tekstu statička karakteristika
generatora, a brzina vrtnje nazivnoj brzini. Statička karakteristika je iz tehničkih i sig-

urnosnih razloga omeđena minimalnom i maksimalnom dopuštenom relativnom brzi-
nom vjetra[15]:
r r r
vw,min < vw < vw,max . (6.1)
Za potrebe rekonstrukcije PWA mapa preslikavanja aerodinamičkog momenta i sile

potiska, potrebno je generirati dovoljan broj identifikacijskih podataka u okolini statičke
r identifikacijskom prostoru (Slika 6.1, lijevo).
karakteristike predstavljene u ω-β-vw
Kako bi se osigurala jednaka distribucija podataka u odnosu na sve ulazne varijable,
kvadar koji omeđuje statičku karakteristiku je normiran na kocku jedinične duljine
stranice. Skupovi podataka korišteni u identifikaciji su generirani po Gaussovoj raz-
diobi sa očekivanom vrijednosti na statičkoj karakteristici i disperzijom σ 2 oko statičke
karakteristike. Za svaku generiranu točku P u identifikacijskom prostoru se pomoću
poznatih nelinearnih funkcija Ma i Ft proračunavaju iznosi Ma (P ) i Ft (P ) u svrhu
pronalaženja parametara PWA mape preslikavanja koji će rezultirati najmanjim izno-
som pogreške aproksimacije.
6.1.2 Identifikacija PWA mape aerodinamičkog momenta
Identifikacija PWA mape aerodinamičkog momenta je provedena s posebnim naglaskom

na kvalitetu aproksimacije u okolini statičke karakteristike. Generirana su tri različita
skupa podataka s različitim iznosom disperzije oko statičke karakteristike (Slika 6.1,
desno). Prvi skup je generiran s najmanjim iznosom disperzije σ12 = 0.01 u cilju iden-
tifikacije užeg područja oko statičke karakteristike. Drugim skupom s disperzijom
σ22 = 0.1 nastoji se prikupiti informacija u široj okolini statičke karakteristike. Na-
jraspršeniji skup s disperzijom jednakom σ32 = 1 ima za cilj prikupljanje informacija u
r . Prikupljeni parovi ulazno-izlaznih podataka se potom koriste
cijelom prostoru ω-β-vw
u identifikaciji temeljenoj na uskupljavanju.
Algoritam identifikacije temeljen na uskupljavanju podrazumijeva poznati broj pod-
modela s i točaka po lokalnom skupu podataka c. Kako bi se odredila najbolja kombi-
nacija (s, c), identifikacija je provedena za mnogo različitih kombinacija parametara. Za
svaki izvršeni proces identifikacije je izračunata srednja pogreška kao korijen srednjeg
kvadratičnog odstupanja (RMSE):
v
uN
RM SE = t (Ma,P W A (i) − Ma (i))2 .
uX
(6.2)
i=1
30 1
20
vvj [m/s]
vvj,norm
0.5
10
0 0
40 1
30 1
20 20 0.5 0.5
β [°] 0 10 ω [o/min] βnorm 0 0 ωnorm
r prostoru i identifikacijski podaci

Slika 6.1: Statička karakteristika u ω-β-vw
Dobiveni rezultati pogreške aproksimacije su poslužili za odabir kombinacije param-

etara s najmanjim brojem podmodela uz koji se postiže zadovoljavajuća aproksimacija.
Uz uvjet što manje pogreške aproksimacije i minimalan broj podmodela, odabrani su
parametri s = 13 i c = 7. Pri tome je 10 podmodela identificirano u bližoj okolini
statičke karakteristike, a 3 u njenoj daljoj okolini (Slika 6.2). S obzirom na značajno
manju postignutu pogrešku aproksimacije, identificirana je PWA mapa s diskontinuite-
tima između podmodela.
Slika 6.2: Raspored politopa identificiranog modela s 13 regija
Identificirani PWA model može sadržavati određene fizikalne neregularnosti koje

je potrebno ispraviti. Naime, aerodinamički moment mora uvijek biti pozitivan pa je
područja s negativnim iznosom momenta potrebno izdvojiti i aerodinamički moment
nad njima postaviti na nulu. Izdvajanjem regija s negativnim momentom, u PWA

modelu je dodano 13 novih podmodela. Prilikom postupka validacije je primijećeno
nefizikalno ponašanje modela uz identificiranu mapu aerodinamičkog momenta. U po-
dručju iznad nazivne brzine vjetra je utvrđeno postojanje graničnih ciklusa za određene
iznose brzine vjetra. Granični ciklus se manifestira kao neprestano prebacivanje između
susjednih podmodela i nusprodukt je diskontinuiranog karaktera PWA mape aerodi-
namičkog momenta (Slika 6.3).
28
PWA model
27.5 Nelinearan model
ω [o/min]
27
26.5
295 300 305 310 315 320 325 330 335 340 345
15
10
Regija
0
295 300 305 310 315 320 325 330 335 340 345
t[s]
Slika 6.3: Odzivi brzine vrtnje rotora i aktiviranih regija u graničnom ciklusu
Granični ciklus je posljedica neregularnih diskontinuiteta aerodinamičkog momenta

između susjednih regija Xi i Xj . Na Slici 6.4 je prikazana ilustracija za fizikalno ob-
r koordinatni
jašnjenje razloga uspostave graničnog ciklusa. Slika je projekcija na β-vw
sustav, jer je iznad nazivne brzine vjetra brzina vrtnje rotora približno jednaka nazivnoj
brzini i njezina dinamika je daleko sporija u usporedbi s ostalim dinamikama u procesu.
Zbog inherentnog postojanja pogreške aproksimacije, aerodinamički moment uz samu
granicu je većeg iznosa u jednoj regiji nego u drugoj. Na ovom konkretnom primjeru
aerodinamički moment ima manji iznos u gornjem području nego u donjem području.
Prijelaz iz donjeg u gornje područje ima za posljedicu pad aerodinamičkog momenta
koji se nastoji kompenzirati smanjenjem zakreta lopatica. Smanjenje zakreta lopatica
vraća stanja vjetroagregata u donje područje uz skok aerodinamičkog momenta. Up-
ravljački algoritam tada djeluje povećanjem zakreta lopatica kako bi se održala nazivna
brzina vrtnje. Na takav način se stanja vjetroagregata prebacuju na gornje područje
čime se ostvaruje zatvoreni krug. Jednom uspostavljen granični ciklus se održava dok
god se stanja vjetroagregata ne odmaknu od kritičnog prijelaza.
GRANICA
IZME ĐU R E G IJ A
GORNJA REGIJA
SMANJIVANJE ZAKRETA
STANJE S STANJE S
MANJIM Ma V E Ć IM Ma
P OV E Ć ANJ E ZAK R E T A
DONJA REGIJA
vvj
P OČ E T NO
β STANJE
Slika 6.4: Ilustracija pojave graničnih ciklusa
Može se primijetiti kako je osiguranjem porasta odnosno pada aerodinamičkog mo-

menta pri prijelazu moguće postići da se stanja vraćaju prema kritičnom prijelazu ili
udaljavaju od njega (Slika 6.5). Na slici se može primijetiti kako je uvjet koji susjedne
regije moraju zadovoljiti veći moment uz prijelaz u regiji u koju se prelazi povećanjem
kuta zakreta. GRANICA
Prema tome, algoritam koji za dvije susjedne regije iznad nazivne brzine
GRANICA
IZME ĐU R E G IJ A IZME ĐU R E G IJ A
vjetra uređuje odnose momenataK ONAČ
je sljedeći:
NO K ONAČ NO
P P P STANJE STANJE
Ako βnorm ≤ f (ωnorm , vvj,normr ), onda na granici MaP ≤ MaD , inače MaP ≥ MaD ,
AZ , vvj,norm )
βnorm = f (ωnorm − uvjet koji vrijediPRIna
J
granici,
EL EL
IJ AZ (6.3)
PR
gdje je P prva, a D druga od susjednih regija. Uvjet u izrazu (6.3) služi za provjeru
O A R
SM RA NT
P OČ E T NO P OČ E T NO
EN TA
PO OM
M OR JE
relativne pozicije regija, gledano s obzirom na smjer definicije varijable β. STANJE

Ako je regija
TA
JE ST A
M
M S
P SM
STANJE
R A
P svvjlijeve strane, tada njen aerodinamički moment na prijelazu mora biti manjeg ili
E
β
jednakog iznosa od aerodinamičkog momenta regije D. U suprotnom mora vrijediti
MaP ≥ MaD . Nejednadžbu u (6.3) je dovoljno provjeriti za Čebiševljev centar regije P .
Za potrebe ispunjenja navedenog zahtjeva se rješava kvadratni program uz ograničenja
definirana u skladu sa (6.3) i uvjetom pozitivnog iznosa aerodinamičkog momenta nad
svim regijama. Uvjet pozitivnog iznosa aerodinamičkog momenta je dovoljno zadovoljiti
DONJA REGIJA
vvj
P OČ E T NO
Poglavlje 6. Projektiranje modelskog
β prediktivnog upravljanja
STANJEvjetroagregatom 39
za ekstremalne točke regije nad kojom je afina funkcija momenta definirana. Konačan
identificirani model aerodinamičkog momenta (Ma,P W A ) sadrži 26 regija, a PWA mapa
preslikavanja je definirana kao:
i i i r i
Ma,P W A = θM ω
a ,ω norm
+ θM β
a ,β norm
+ θM a ,v
r vvj,norm + θM ,af ,
a
(6.4)
vj
gdje je θ vektor koeficijenata afine funkcije, a i aktivni podmodel.

GRANICA GRANICA
IZME ĐU R E G IJ A IZME ĐU R E G IJ A
K ONAČ NO K ONAČ NO
STANJE STANJE
Z PR
ELA IJ
EL
IJ AZ
PR
O A R
SM RA NT
P OČ E T NO P OČ E T NO
EN TA
PO OM
M OR JE
TA
JE ST A
M
M S
P SM
STANJE STANJE
R A
vvj
E
β
Slika 6.5: Preporuka za izbjegavanje graničnih ciklusa
Na Slici 6.6 lijevo su prikazane identificirane regije Xi , a na istoj slici desno kvalitati-
van prikaz pogreške uzduž statičke karakteristike. Najveći iznos pogreške aproksimacije
je za velike iznose brzine vjetra što je i očekivano s obzirom na izraženu nelinearnost po
brzini vjetra. Također je oko prijelaza između radnih režima nešto lošija aproksimacija.
RMSE aproksimacije iznosi 4.8% nazivne vrijednosti momenta generatora.
Slika 6.6: Politopi aerodinamičkog momenta i kvalitativan prikaz pogreške aproksi-

macije (plavo - najmanji iznos pogreške, crveno - najveći iznos pogreške)
6.1.3 Identifikacija PWA mape sile potiska
Konačna PWA mapa preslikavanja mora objedinjavati mape aerodinamičkog momenta

i sile potiska. Objedinjavanje dviju mapa u jedinstvenu mapu se provodi pronalaženjem
presjeka svake pojedine regije jedne mape sa svim regijama druge mape preslikavanja[16].
Rezultirajući model u pravilu sadrži mnogo više regija od polaznih modela. Ako bi se
identifikacija sile potiska provela nezavisno o identifikaciji aerodinamičkog momenta,
model koji bi nastao kao rezultat presjecanja obiju mapa bi sadržavao broj regija koji
onemogućuje praktičnu primjenu modela. Stoga je u ovom radu sila potiska identifi-
cirana nad regijama aerodinamičkog momenta. Prema tome, iz praktičnih razloga je
identifikacija mape sile potiska provedena na suboptimalan način.
U postupku identifikacije PWA mape sile potiska se pokazalo kako najmanja pogreška
aproksimacije proizlazi uz skup ulaznih podataka za identifikaciju razbacanu u najužoj
okolini statičke karakteristike (Slika 6.7, lijevo). Prikazanim skupom podataka se može
zadovoljavajuće dobro identificirati nelinearna statička funkcija za potrebe modeliranja
njihanja tornja uz stanja vjetroagregata u blizini statičke karakteristike. Treba na-
glasiti kako je kao dodatan zahtjev na PWA mapu sile potiska u regijama koje se
nalaze na statičkoj karakteristici postavljen uvjet kontinuiranog prijelaza. Diskontinu-
itet sile potiska kod prijelaza prouzrokuje uspostavu oscilacija i može imati za posljedicu
nepoželjno ponašanje regulacijskog mehanizma. U svrhu identifikacije parametara uz
zahtjev kontinuiranosti rješava se kvadratni program. Nadalje, iznos sile potiska za
svaku točku u kocki identifikacijskog prostora mora biti pozitivan što se osigurava
postavljanjem dodatnih uvjeta nad ekstremalnim točkama svih regija. Parametri regija
koje ne uključuju statičku karakteristiku se dobivaju korištenjem uvriježene metode na-
jmanjih kvadrata uz skup ulaznih podataka za identifikaciju na Slici 6.7, desno. Prema
tome, kontinuiranost se ne zahtjeva za prijelaze s podmodelima čija se područja ne pro-
stiru na području statičke karakteristike jer bi takav zahtjev imao za posljedicu veću
pogrešku aproksimacije, a nije nužan za pravilno vladanje sustava upravljanja.
PWA mapa preslikavanja sile potiska je analogno aerodinamičkom momentu opisana
s:
Ft,P W A = θFi t ,ω ωnorm + θFi t ,β βnorm + θFi t ,vr vvj,norm
r
+ θFi t ,af , (6.5)
vj
gdje je s i određen aktivan podmodel. Kvalitativan prikaz pogreške aproksimacije sile

potiska uzduž statičke karakteristike je na Slici 6.8. Može se primijetiti kako je pogreška
aproksimacije približno jednako raspodijeljena na svim dijelovima statičke karakteris-
tike. RMSE aproksimacije u okolini statičke karakteristike iznosi 4.07% maksimalnog
iznosa sile potiska.
1 1
vvj,norm
vvj,norm
0.5 0.5
0 0
1 1
1 1
0.5 0.5 0.5 0.5
βnorm 0 0 ωnorm βnorm 0 0 ωnorm
Slika 6.7: Podaci za identifikaciju PWA mape sile potiska
0.8
0.6
vvj,norm
0.4
0.2
1
0
0 0.5
0.2
0.4
0.6
0.8 0
1 βnorm
ωnorm
Slika 6.8: Kvalitativan prikaz pogreške aproksimacije sile potiska (plavo - najmanji
iznos pogreške, crveno - najveći iznos pogreške)
S obzirom da je rekonstrukcija PWA mape sile potiska (Ft,P W A ) provedena nad iden-
tificiranim regijama aerodinamičkog momenta, raspored politopa konačne PWA mape
odgovara onom na Slici 6.6, lijevo. Predstavljeni postupak identifikacije je primjenjiv
za bilo koji tip vjetroagregata čije se ponašanje može zadovoljavajuće dobro opisati
modelom opisanim u poglavlju 3.2. Sistematičnost opisanog postupka identifikacije je
važna u slučaju potrebe modifikacije modela, kao npr. zbog promjene broja podmod-
ela, dok god se ne postigne zadovoljavajuće vladanje sustava s modelskim prediktivnim
upravljanjem.
6.1.4 PWA model vjetroagregata
Uključenjem PWA mapa aerodinamičkog momenta i sile potiska u nelinearni model se

dobiva PWA model vjetroagregata:
i
Jt ω̇ = Ma,P W A − Mg ,
i
M ẍt + Dẋt + Cxt = Ft,P (6.6)
W A,
T1 T2 β̈ + (T1 + T2 )β̇ + β = βref ,
gdje je s i označena aktivna regija. Dinamika servo motora zakreta lopatica je u ko-
rištenom modelu vjetroagregata opisana linearnom diferencijalnom jednadžbom pa se
u nepromijenjenom obliku koristi u PWA modelu vjetroagregata. Rezultat transfor-
macije u ekvivalentan oblik u prostoru stanja i diskretizacije modela ZOH metodom je
sljedeći diskretan PWA model vjetroagregata:
x(k + 1) = Φi x(k) + Γi u(k), (6.7)
uz vektor stanja definiran kao:

h i>
x(k) = β(k), β̇(k), ω, xt (k), ẋt (k), vvj (k) . (6.8)
Može se primijetiti kako je brzina vjetra uključena u vektor stanja sustava iako ona
predstavlja vanjsku poremećajnu veličinu. S obzirom na nepoznatu dinamiku brzine
vjetra, pretpostavlja se njen konstantan iznos duž predikcijskog horizonta. Navedeni
postupak je opravdan jer se u realnim uvjetima ne može očekivati znatna promjena
vjetra u vremenu trajanja predikcije. Razlog priključenja brzine vjetra procesnim var-
ijablama je što se samo varijable kojima se direktno upravlja može postaviti u vektor
upravljačkih signala po kojem će se tražiti minimum kriterija duž predikcijskog hori-
zonta:  
βref
u(k) =  . (6.9)
Mg
Preostaje opisati način na koji se određuje aktivan podmodel Xi . Politopi PWA
r
modela su definirani u normiranom prostoru ωnorm -βnorm -vvj,norm . Stoga je kako bi
cjelokupan model bio konzistentan potrebno varijable PWA modela vjetroagregata
normirati. Za potrebe normiranja se uvodi slijedeća transformacija:
x(k) = xmin + ∆x · x̃(k),

(6.10)
u(k) = umin + ∆u · ũ(k),
odnosno:
x̃(k) = ∆x−1 (x(k) − xmin ),
(6.11)
ũ(k) = ∆u−1 (u(k) − umin ),
gdje su x̃(k) i ũ(k) normirani vektori varijabli stanja i upravljačkih ulaza, xmin i umin
njihovi minimalni iznosi, a ∆x i ∆u dijagonalne matrice definirane kao:
 
∆β 0 0 0 0 0
 

 0 β̇max 0 0 0 0 
  
 
 0 0 ∆ω 0 0 0  ∆βref 0
∆x =  , ∆u =  , (6.12)
 

 0 0 0 ∆xt 0 0 
 0 Mn
 

 0 0 0 0 ẋt,max 0 

0 0 0 0 0 ∆vvj
pri čemu operator ∆ nad pojedinim varijablama vraća razliku njihovih maksimalnih
i minimalnih vrijednosti. Na ovaj način su sve varijable stanja i upravljački signali
normirani na raspon (0, 1), izuzev derivacija varijabli stanja koje su normirane na in-
terval (−1, 1). Pronalaženje aktivnog podmodela vjetroagregata se svodi na traženje
područja Xi koje zadovoljava sljedeću nejednakost:
 

ωnorm 
Hi  βnorm  ≤ Ki , (6.13)
 
 
r
vw,norm
gdje matrica Hi i vektor Ki definiraju granice svakog politopa Xi . Nejednakost iz

izraza (6.13) je u načelu zadovoljena samo za jedno područje jer ne postoje politopi
koji se preklapaju, pa prema tome vrijedi ∪s1 Xi = X . Iznimka od pravila je područje
razgraničenja gdje oba susjedna modela zadovoljavaju nejednakost. U tom slučaju se
aktivira prvi pronađeni od susjednih podmodela. Prije postupka sinteze MPC regula-
tora preostaje provesti validaciju dobivenog PWA modela vjetroagregata.
6.2 Validacija identificiranog modela

Za potrebe validacije je izgrađena blokovska shema strukture kao na Slici 6.9. Paralelno
su postavljene dvije regulacijske petlje, jedna s nelinearnim modelom vjetroagregata,
a druga s diskretnim PWA modelom u prostoru stanja. Oba modela su upravljana
regulatorima s identičnim karakteristikama uz isti pobudni signal brzine vjetra. Za
očekivati je kako će uz PWA model koji zadovoljavajuće dobro aproksimira vladanja
nelinearnog modela odzivi obje regulacijske petlje imati visoki stupanj korelacije.
Mg,ref
Regulator PWA model
ω PWA vjetroagregata βref vjetroagregata
Vjetar
Mg,ref
ω NE Regulator Nelinearan model
vjetroagregata βref vjetroagregata
Slika 6.9: Blokovska shema validacijske strukture
Premda validacija u teoriji podrazumijeva isti upravljački signal za oba modela,

u validacijskom postupku u ovom radu se za regulaciju koriste dva zasebna regula-
tora. Razlog korištenja strukture sa Slike 6.9 je u diferencijalnoj jednadžbi dinamike
rotora. Naime, kutna brzina rotora vjetroagregata je rezultat integriranja razlike aero-
dinamičkog momenta i momenta generatora. S obzirom da PWA mapa aerodinamičkog
momenta ima odstupanje od nelinearne statičke karakteristike, brzina vrtnje modela,
čija se povratna veza ne bi koristila, bi se počela zanositi u mjeri u kojoj odstupaju oba
aerodinamička momenta.
Kako bi se izvela validacija PWA modela vjetroagregata u cijelom radnom području,
generirana je stepeničasta funkcija brzine vjetra od minimalnog do maksimalnog iznosa
uz ekvidistantne razmake među skokovima ∆T = 30[s] (Slika 6.10). Skokovi vjetra
iznose ∆vvj = 1[ ms ]. Na Slici 6.11 se može vidjeti usporedni prikaz odziva brzine vrtnje
nelinearnog i PWA modela, a na Slici 6.12 usporedba odziva brzina njihanja tornja.
Najveće odstupanje u odzivima brzine vrtnje nelinearnog i PWA modela vjetroagre-
gata se pojavljuje na području preskakanja kritične brzine vrtnje. Pokazuje se kako je
30
25
20
vvj[m/s]
15
10
0
0 100 200 300 400 500 600 700 800
t[s]
Slika 6.10: Simulirana brzina vjetra za validaciju PWA modela
30
25 Odziv PWA modela

Odziv nelinearnog modela
20
ω [rad/s]
15
10
5
0 100 200 300 400 500 600 700 800
t[s]
Slika 6.11: Odzivi brzine vrtnje nelinearnog i PWA modela
navedeno područje najosjetljivije na pogrešku aproksimacije aerodinamičkog momenta,

jer malo odstupanje ima za posljedicu značajnije razlike upravljačkog signala momenta
generatora (Slika 6.13) što se očituje na odzivima brzine vrtnje. Odstupanje amplituda
njihanja tornja između PWA i nelinearnog modela vjetroagregata je posljedica sub-
optimalne identifikacije sile potiska. Na modelsku neizvjesnost u području dinamike
njihanja tornja je potrebno obratiti dodatnu pozornost pri projektiranju MPC sustava
upravljanja.
Kao dodatna provjera PWA modela u području pojave graničnih ciklusa se može
iskoristiti pobudni signal vjetra u obliku sporo rastuće rampe. Ako postoje uvjeti za
0.1
0.05
xdott [m/s]
−0.05
Odziv nelinearnog modela
−0.1
Odziv PWA modela
−0.15
0 100 200 300 400 500 600 700 800
t[s]
Slika 6.12: Odzivi njihanja tornja nelinearnog i PWA modela

5
x 10
3
Odziv PWA modela
2.5 Odziv nelinearnog modela
2
Mg [Nm]
1.5
0.5
140 150 160 170 180 190 200 210 220
t[s]
Slika 6.13: Usporedba upravljačkih signala momenanata generatora za područje kritične

brzine
postojanje graničnog ciklusa, pri prelasku između kritičnih regija će doći do pojave
preskakivanja između podmodela. Odzivi brzine vrtnje i aktivnih regija uz vjetar u
obliku sporo rastuće rampe potvrđuju ispravnost identificiranog modela (Slika 6.14).
Ovim validacijskim provjerama je pokazano kako u kvalitativnom smislu PWA
model vjetroagregata zadovoljavajuće dobro aproksimira nelinearnu dinamiku vjetroa-
gregata. U skladu s tim je model moguće iskoristiti za projektiranje MPC regulatora.
30
ω [o/min]
20
10
0
0 200 400 600 800 1000 1200 1400
15
Aktivne regije
10
0
0 200 400 600 800 1000 1200 1400
t[s]
Slika 6.14: Odzivi brzine vrtnje i aktivnih regija na signal vjetra u obliku rampe
6.3 Postavljanje problema MPC upravljanja

Matematički model vjetroagregata koji se koristi za sintezu sustava upravljanja pokazuje
postojanje značajnih razlika u brzini dinamika njihanja tornja i brzine vrtnje rotora.
Zato je važno na pravilan način postaviti strukturu MPC regulatora kako bi se adek-
vatno mogle regulirati obje dinamike. Postavljanje strukture MPC regulatora bit će
detaljnije analizirano u nastavku ovog podpoglavlja.
U ovom radu se projektira MPC regulator u implicitnom obliku. Regulator u takvoj
formi ne može poslužiti za online primjenu na stvarnom vjetroagregatu, već samo za
potrebe simulacijske provjere sustava upravljanja na matematičkom modelu stvarnog
procesa. Za postavljanje problema upravljanja će se iskoristiti MLD opis sustava, a de-
taljniji opis slijedi u podpoglavlju 6.3.2. Prijelaz iz PWA u MLD ne predstavlja problem
i za te potrebe se koriste razvijeni algoritmi dostupni unutar MPT toolboxa[3]. Ra-
zlog korišenja MLD opisa sustava za proračun optimalne upravljačke sekvence je u
mogućnosti korištenja rješavača MILP2 i MIQP-a3 koji u znatnoj mjeri olakšavaju pos-
tupak pronalaženja optimalne putanje varijabli stanja u prostoru stanja i upravljačkih
signala uz hibridni model s kontinuiranim i logičkim varijablama.
MPC regulator ostvaruje zadane performanse upravljanja minimiziranjem kriterija
duž predikcijskog horizonta. Pod uvjetom da identificirani model u značajnoj mjeri
2
engl. Mixed Integer Linear Program (MILP)
3
engl. Mixed Integer Quadratic Program (MIQP)
odgovara stvarnom modelu, odgovarajuće postavljeni kriteriji upravljanja i ograničenja

uz dovoljno dugi predikcijski horizont i dovoljno kratak diskretni vremenski interval up-
ravljanja moraju osigurati unaprijeđenje karakteristika sustava upravljanja u usporedbi
s konvencionalnim regulatorom. Stoga će se simulacijski rezultati vladanja MPC sus-
tava upravljanja u podpoglavlju 6.4 usporediti s rezultatima dobivenim uz regulator
bez uključene predikcije modela.
6.3.1 Struktura MPC sustava upravljanja
Bitnija fizikalna vladanja na vjetroagregatu uključuju njihanje tornja i dinamiku ro-

tora vjetroagregata. Zadatak kojeg mora izvršavati MPC regulator je maksimalno
iskorištenje energije vjetra ispod nazivne brzine vjetra i održavanje vjetroagregata na
nazivnoj brzini vrtnje iznad nazivne brzine vjetra. Navedeno je uključeno u regulaciji
brzine vrtnje rotora. Međutim, s obzirom da njihanje tornja ima za posljedicu zamor
materijala i samim time skraćenje radnog vijeka vjetroagregata, potrebno je upravl-
janjem kompenzirati štetne posljedice po vjetroagregat zbog udara vjetra. Stoga MPC
sustav regulacije mora uključivati i prigušenje oscilacija tornja.
Na Slici 6.15 se mogu vidjeti odzivi njihanja tornja u otvorenom krugu upravljanja
i brzine vrtnje uz uključenu regulaciju po momentu.
0.5
xdott [m/s]
−0.5
0 0.5 1 1.5 2 2.5 3 3.5
2.5
ω [rad/s]
1.5
0 5 10 15
t[s]
Slika 6.15: Usporedba dinamika njihanja tornja i brzine vrtnje
Premda je dinamika brzine vrtnje određena radnom točkom u kojoj se sustav nalazi,
očito je kako je vremenska konstanta brzine vrtnje daleko većeg iznosa od periode nji-
hanja tornja. Prema tome, vremenska duljina predikcijskog horizonta je određena
daleko sporijom dinamikom brzine vrtnje rotora, dok je diskretni interval upravljanja
određen znatno bržom dinamikom oscilacija tornja vjetroagregata. Prema tome, rezul-
tirajući regulator bi trebao imati poprilično veliki broj koraka predikcije N što otežava
proračun upravljačke sekvence i predstavlja veliku prepreku u praktičnoj implementaciji
MPC regulatora s takvim svojstvima. Iz prethodno navednih razloga će se problem
MPC upravljanja vjetroagregata razdvojiti na dvije komponente: (i) upravljanje brzi-
nom vrtnje i (ii) upravljanje u cilju smanjenja oscilacija tornja. Shematski prikaz
sustava upravljanja je prikazan na Slici 6.16.
Mjerenje
brzine vjetra
MPC Vjetar
vvj kompenzator
njihanja tornja ~
β
βref,0
+
βref,0 + βref
MPC regulator Nelinearan model
ω
brzine vrtnje vjetroagregata
Mg
Slika 6.16: Struktura MPC sustava upravljanja
Na temelju mjernih signala, MPC regulator vrtnje rotora zadaje referentne iznose
momenta generatora Mg i kuta zakreta βref,0 kojima će se postići odgovarajuća brzina
vrtnje. Koristeći dostupne mjerne signale i iznos upravljačkog signala kuta zakreta od
nadređenog regulatora, kompenzator oscilacija proračunava iznos upravljačkog signala
β̃ za servo motor zakreta koji se superponira na signal βref,0 u cilju prigušenja oscilacija.
Uz takvu strukturu je omogućeno da svaki regulator neovisno o drugome koristi sebi
prilagođeno vrijeme predikcije i diskretni interval koraka predikcije. Navedena struk-
tura regulacije podsjeća na upravljanje vjetroagregatom s individualnim zakretanjem
lopatica. Naime, uz regulaciju po brzini vrtnje rotora, individualnim zakretanjem lopat-
ica se nastoji kompenzirati opterećenje na lopaticama koje se potom prenosi na čitavu
konstrukciju[15]. Pritom je dinamika individualnog zakreta znatno brža od dinamike
kolektivnog zakretanja s ciljem postizanja odgovarajuće brzine vrtnje.
Projektiranje MPC regulatora brzine vrtnje rotora
Proizvedenu mehaničku energiju vjetroagregata koja je u direktnoj vezi s proizvedenom

električnom energijom na agregatu moguće je eksplicitno izraziti:
Z T
max JE = min − Mg (0)ω(t)dτ. (6.14)
u 0
Korištenjem eksplicitnog izraza za mehaničku energiju u MPC regulator se uključuje

maksimiziranje proizvedene energije, pritom poštujući prisutna ograničenja na vari-
jable stanja i upravljačke signale vjetroagregata. Uz eksplicitno izveden kriterij za
mehaničku energiju (6.14) mogao bi se ostvariti regulator koji ispod nazivne brzine
vrtnje uz postizanje željene statičke karakteristike za maksimalno iskorištenje energije
vjetra sadrži svojstvo prijelaza među različitim točkama na statičkoj karakteristici kojim
će se maksimizirati proizvedena energija. Navedeno svojstvo nije uključeno u regula-
toru kojim se upravlja na temelju statičkih zakonitosti maksimalnog iskorištenja i može
doći do izražaja na turbulentnim brzinama vjetra. Kriterij zadan u (6.14) vrijedi uni-
verzalno u cijelom radnom području vjetroagregata. Nedostatak kriterija postavljenog
na ovaj način je postizanje stacionarne vrijednosti brzine vrtnje na brzinama vjetra
ispod nazivne. Naime, u kriterij bi trebalo uključiti i akumuliranu rotacijsku energiju
rotora kako bi se spriječila mogućnost da MPC regulator djeluje na principu genera-
torskog kočenja u cilju izvlačenja što veće količine energije na predikcijskom horizontu.
Otegotna okolnost korištenja (6.14) je što je rezultat integriranja kvadratna funkcija
po upravljačkim signalima i varijablama s različitim koeficijentima za svaki podmodel.
Poznato je kako minimizacija kvadratnog kriterija uz postojanje ograničenja ne pred-
stavlja bezazlen problem. Čak štoviše, u problem proračuna upravljačke sekvence je
potrebno uključiti sve mogućnosti prijelaza između podmodela na predikcijskom hor-
izontu čime se problem dodatno komplicira. Stoga je logičan pristup linearizacija
kvadratnog kriterija kako bi se problem računski pojednostavnio. Međutim, analiza
analitičke funkcije kriterija je pokazala svojstva koja isključuju mogućnost linearizacije.
Naime, funkciju nije moguće aproksimirati linearnim kriterijem zbog njenog oblika koji
ne odgovara paraboli već nalikuje sedlu (nekonveksnost u x − u prostoru). Prema tome,
kriterij sa snagom izraženom u eksplicitnom obliku preostaje pokušati iskoristiti ko-
rištenjem dinamičkog programiranja unatrag u vremenu što svakako otvara mogućnost
za daljnji rad. U ovom radu je kriterij preformuliran u oblik koji po svojoj naravi
odgovara problemu praćenja, pri čemu je referentna veličina definirana kao optimalan
iznos brzine vrtnje koji je u ovisnosti o brzini vjetra određen statičkom karakteristikom
vjetroagregata.
Za razumijevanje različitih strategija upravljanja brzinom vrtnje ispod i iznad nazivne

brzine vjetra je priložen graf na Slici 6.17. Ispod nazivne brzine vjetra optimalna brz-
ina vrtnje u statičkim uvjetima proizlazi iz optimalnog omjera brzina λopt koji osig-
urava maksimalno iskorištenje aerodinamičke pretvorbe. Upravljanje mora paziti na
minimalni iznos brzine vrtnje koji omogućava normalan rad generatora kao i na mak-
simalan iznos određen nazivnom brzinom vrtnje generatora. Upravljanje također mora
ukloniti mogućnost naglih promjena reference za moment generatora koja mogu imati za
posljedicu mehaničko trošenje unutarnjih komponenti u generatoru i rezultirati kvarom.
Zakret lopatica ispod nazivne brzine vjetra mora biti postavljen na kut kojim se osigu-
rava maksimalno iskorištenje energije vjetra. U ovom radu se maksimalno iskorištenje
postiže uz lopatice postavljene na 0◦ . Iznad nazivne brzine vjetra se vrtnja održava
na nazivnoj brzini uz moment generatora jednak nazivnom momentu. Kod naglih
naleta vjetra se smije dopustiti forsiranje momenta generatora kojim će se ublažiti po-
rast brzine vrtnje. Lopatice se postavljaju na nagib kojim će se omogućiti održavanje
nazivne brzine vrtnje. Kriterij za čitav horizont predikcije proizlazi iz prethodnog opisa
i zapisan je u nastavku:
I Ispod nazivne brzine vjetra:

N
X
Jhorizont = (|ω(k)R − λvvj (k)| + α|Mg (k) − Mg (k − 1)| + Ω) + γ|ω(1) − ω(0)|,
k=1
(6.15)
pri čemu je posljednja komponenta uključena u cilju spriječavanja naglih promjena
momenta generatora. S Ω je označena funkcija penaliziranja brzine vrtnje koja je
manja od minimalne i veća od nazivne.
II Iznad nazivne brzine vjetra:

N
X
Jhorizont = (|ω(k) − ωn | + α|Mg (k) − Mg,n |) . (6.16)
k=1
Simulacijama je pokazano kako se uz odabir T = 1[s] i N = 5 ostvaruje zadovol-

javajuće vladanje MPC regulatora te je u predikciji uključena cijela prijelazna pojava
brzine vrtnje uslijed promjene brzine vjetra. Preostaje u opis problema MPC regula-
tora uključiti ograničenja. Ispod nazivne brzine vjetra referenca kuta zakreta lopatica
mora iznositi 0◦ dok je iznad nazivne brzine dozvoljen raspon vrijednosti:
0◦ ≤ β ≤ 40◦ . (6.17)
ω naz
Ciljana
brzina
vrtnje
ω min
vvj,min vvj,naz vvj,max

Brzina vjetra
Slika 6.17: Funkcija ciljane brzine vrtnje u ovisnosti o brzini vjetra
Maksimalan dopušten iznos momenta generatora iznosi 110% nazivne vrijednosti i

dozvoljava se za ublažavanje nadvišenja brzine vrtnje uslijed udara brzine vjetra. Forsir-
anje momenta se dozvoljava samo kratkotrajno jer se odstupanje od nazivnog iznosa pe-
nalizira na predikcijskom horizontu. Važno je voditi računa o maksimalnoj dopuštenoj
brzini zakreta lopatica. S obzirom da se u vremenu diskretnog koraka T postiže sta-
cionarno stanje zakreta, ograničenje maksimalnog iznosa brzine zakretanja nije moguće
osigurati provjeravanjem varijable stanja s periodom T . Zato se PT2 član dinamike
servo motora zamjenjuje PT1 članom koji ima isto statičko pojačanje i isti maksimalan
nagib prijelazne funkcije.
β 1 1
GP T 2 = = ⇒ GP T 1 = , (6.18)
βref (as + 1)(as + 1) aes + 1
gdje je e = 2.718282 iracionalna konstanta. Poštivanje maksimalnog nagiba prijelazne
funkcije PT1 člana u izrazu (6.18) garantira poštivanje ograničenja maksimalne brzine
zakretanja lopatica uz servo mehanizam opisan PT2 članom (6.18):
|βref − β|
β̇ ≤ , (6.19)
ae
što predstavlja uvjet koji direktno proizlazi iz PT1 prijenosne funkcije i uz koji se
osigurava ograničenje na maksimalan iznos brzine zakreta lopatica. Ostale varijable
u modelu su ograničene graničnim iznosima koja su nedostižna u normalnim radnim
uvjetima i predstavljaju ograničenja unutar kojih je model definiran.
Simulacijama vladanja MPC regulatora s nelinearnim modelom vjetroagregata uz
opisani kriterij i ograničenja se pokazalo kako je za postizanje stabilnog vladanja u
zatvorenoj petlji po brzini vrtnje moguće isključiti dinamiku njihanja tornja. Njihanje
tornja superponira sinusoidalnu komponentu u odzivu brzine vrtnje i sa aspekta sta-
bilnosti sustava upravljanja regulator brzine vrtnje na tu komponentu ne smije biti
osjetljiv. Nadalje, ne uzimanjem u obzir njihanja tornja se prostor stanja reducira i

problem proračuna optimalne upravljačke sekvence višestruko pojednostavljuje.
Projektiranje MPC regulatora za smanjenje njihanja tornja
Prethodno opisani MPC regulator generira reference momenta generatora i kuta za-
kreta uz koje će se postići brzina vrtnje rotora prema statičkoj karakteristici. Kod jačih
udara brzine vjetra potrebno je obratiti pozornost i na brzinu njihanja tornja koja ne
bi smjela premašivati maksimalno dopuštene iznose. Prednost MPC regulatora je što
može garantirati poštivanje ograničenja u slučaju da je model procesa dovoljno dobro
opisan. S obzirom da je u ovom radu identifikacija sile potiska izvedena na subopti-
malan način, nije moguće garantirati poštivanje ograničenja te se stoga za ograničavanje
brzine njihanja tornja u radu ne koristi tvrdo već meko ograničenje4 . Nadalje, izvjesna
pogreška aproksimacije sile potiska ima za posljedicu određenu pogrešku predikcije nji-
hanja tornja. Rezultat može biti postojanje njihanja u predikciji iako se toranj nalazi
u ravnotežnoj točki. Stoga funkcija penaliziranja mora imati zonu neosjetljivosti kako
bi se izbjegli negativni efekti pogreške aproksimacije nelinearne statičke karakteristike
sile potiska. Kriterijska funkcija kompenzatora njihanja tornja je definirana kao:
PN
Jhorizont

= k=1 f (ẋt , k) + Kβ̃ |β̃(k)|
 ẋ (k) − ẋ
t t,max za ẋt (k) ≥ ẋt,max , (6.20)
f (ẋt , k) =
 ẋ
t,min− ẋ (k)
t za ẋt (k) ≤ ẋt,min .
Zbog simetrije vrijedi ẋt,max = −ẋt,min .

Jedini upravljački signal kojeg generira MPC za smanjenje njihanja tornja je aditivni
signal β̃. Matematički model za potrebe proračuna optimalne upravljačke sekvence β̃
sadrži opis dinamike njihanja tornja i servo motora lopatica u obliku PT2 člana. Za
brzinu vjetra i vrtnju rotora se pretpostavlja da su konstantni duž predikcijskog hori-
zonta. Navedeno pojednostavljenje je fizikalno opravdano i olakšava problem proračuna
optimalne sekvence. Upravljački signal β̃ se u model dodaje kao dodatan upravljački
signal servo motoru:
T1 T2 β̈ + (T1 + T2 )β̇ + β = βref,0 + β̃, (6.21)
gdje je βref,0 poznati signal regulatora brzine vrtnje i dodaje se u model kao varijabla
stanja konstantna u vremenu predikcije. S obzirom da je vremenska duljina predikcije
kompenzatora njihanja kraća od diskretnog intervala regulatora brzine vrtnje, signal
4
engl. Hard and Soft Constraints
βref,0 je zaista konstantan duž čitavog predikcijskog horizonta MPC regulatora za sman-
jenje njihanja.
Uz kriterij upravljanja zadan kao apsolutan iznos brzine njihanja provučene kroz
zonu neosjetljivosti, jasno je kako je u predikcijskom horizontu dovoljno uključiti polu-
periodu oscilacija tornja. Korištenjem preporuke da se jedan period slobodnih oscilacija
otvorenog kruga uzorkuje sa 10 do 15 uzoraka[17]:
1
TS ≈ , (6.22)
2Ω0
određeno je vrijeme diskretizacije T = 130[ms]. Broj koraka predikcije iznosi N = 7.
Maksimalan apsolutan iznos kompenzacijskog signala β̃ je ograničen na 1◦ kako se ne bi
značajnije utjecalo na dinamiku brzine vrtnje. Ovime završava opis pojedinih dijelova
strukture MPC sustava regulacije.
Model procesa koji se koristi za proračun optimalne sekvence za upravljanje brzi-
nom vrtnje rotora se razlikuje od modela korištenog za kompenziranje njihanja tornja.
Redukcije u modelima su izvedene u cilju postizanja zadovoljavajućeg vladanja sustava
upravljanja uz uvažavanje opravdanih i praktičnih pojednostavljenja.
6.3.2 Korištenje MLD forme za dizajn MPC regulatora
Kriterijske funkcije optimalnog upravljanja je zajedno s ograničenjima i PWA modelom

sustava moguće iskoristiti za dobivanje eksplicitnog oblika MPC regulatora
u = F i x + Gi , (6.23)
gdje je parametre matrice Fi i vektora Gi moguće proračunati unatrag u vremenu

dinamičkim programiranjem[6]. Indeks i u izrazu (6.23) označava aktivni afini upravl-
jački zakon. Zbog svoje jednostavnosti je upravljački zakon (6.23) moguće uključiti
u mikrokontroler za rad u stvarnom vremenu. U ovom podpoglavlju je opisan postu-
pak postavljanja problema za proračun optimalne upravljačke sekvence u implicitnoj
formi MPC-a koji se koristi za provjeru vladanja zatvorenog MPC regulatora unutar
simulatora. S obzirom da je proračun eksplicitnog upravljačkog zakona dinamičkim
programiranjem računski veoma zahtjevan, simulacijska provjera vladanja sustava uz
postavljena ograničenja i kriterij s regulatorom u implicitnom obliku može značajno
ubrzati postupak razvoja prototipa. MLD struktura omogućuje zapis dinamike poje-
dinih podmodela i uvjete njihovog aktiviranja kao i ograničenja i kriterija unutar iste
matematičke strukture. Prije uključivanja kriterija i ograničenja u problem implicitnog
MPC regulatora, potrebno je opisati dinamiku sustava duž cijelog horizonta u ovisnosti
o početnom stanju i upravljačkoj sekvenci. Za tu svrhu se koristi alias PWA opisa

sustava u MLD obliku:
xk+1 = B3 zk (6.24a)
E2 δk + E3 zk ≤ E1 uk + E4 xk + E5 (6.24b)
pri čemu su sve varijable osim binarne δk kontinuirane i ograničene maksimalnim i

minimalnima iznosima.
Nejednadžbu (6.24b) za jedan korak diskretizacije je potrebno iskoristiti za opis
dinamike duž čitavog horizonta upravljanja:
E2 δ(0) + E3 z(0) ≤ E1 u(0) + E4 x(0) + E5 ,

E2 δ(1) + E3 z(1) ≤ E1 u(1) + E4 B3 z(0) + E5 ,
.. (6.25)
.
E2 δ(N − 1) + E3 z(N − 1) ≤ E1 u(N − 1) + E4 B3 z(N − 2) + E5 .
Problem kojeg implicitni regulator mora riješiti se odnosi na minimiziranje kriterijske

funkcije duž upravljačkog horizonta uz uključena ograničenja:
min J = Jv (0) + Jv (1) + . . . + Jv (N − 1), (6.26a)

u
h(x, u) ≤ 0, (6.26b)
gdje je N broj koraka predikcije, a Jv (k) iznos kriterija unutar jednog koraka diskretizacije.
Minimiziranje se provodi s obzirom na sekvencu upravljačkog signala na horizontu
pritom poštujući sva ograničenja na sustav upravljanja uključena u izrazu (6.26b). Kri-
terij je za kompenzator njihanja tornja jednoznačno određen dok u slučaju regulacije
brzine vrtnje oblik kriterija ovisi o radnom režimu u kojem se vjetroagregat nalazi. Za
detekciju radnog režima je uvedena dodatna δv varijabla za koju vrijedi:
δv = 1 ako vvj ≤ vvj,n , inače δv = 0. (6.27)
Prevođenjem propozicijske logike u skup nejednadžbi se dobivaju sljedeće nejednakosti:
vvj − δv vvj,n ≤ (1 − δv )vvj,max ,

(6.28)
vvj − (1 − δv )vvj,n ≥ ε.
gdje je s ε označena tolerancija5 . Nakon što je uvedena varijabla koja signalizira radni
režim, iznos kriterija duž predikcijskog horizonta se može zapisati kao:
Jhorizont = J0,v δv0 + J0,v̄ (1 − δv0 ) + . . . + JN −1,v δvN −1 + JN −1,v̄ (1 − δvN −1 ), (6.29)
5
Tolerancija se najčešće određuje prema preciznosti računala
gdje Jk,v predstavlja kriterij koji vrijedi ispod nazivne brzine vjetra u koraku k, a
Jk,v̄ kriterij koji vrijedi iznad nazivne brzine vjetra. Treba primijetiti kako izraz (6.29)
sadrži umnoške dviju varijabli i u srži predstavlja proporzicijsku logiku odabira modela.
Kriterij duž predikcijskog horizonta je korištenjem pomoćnih varijabli z moguće zapisati
u linearnom obliku:
Jhorizont = z0,v + z0,v̄ + . . . + zN −1,v + zN −1,v̄ ,

Jk,v ≤ zk,v + Cmax (1 − δvk ), (6.30)
Jk,v̄ ≤ zk,v̄ + Cmax δvk ,
gdje je Cmax maksimalan mogući iznos kriterija u koraku diskretizacije. Pomoćne z

varijable je potrebno dodatno ograničiti:
zk,v ≤ Cmax (1 − δvk ),

(6.31)
zk,v̄ ≤ Cmax δvk .
Optimalna upravljačka sekvenca se dobiva kao razultat traženja minimuma izraza

(6.30). Nejednadžbama sadržanim u (6.30) i (6.31) se proširuje MLD struktura za-
pisana u (6.25). Nakon što su u MLD model uključeni kriteriji i opis dinamike duž
predikcijskog horizonta, moguće je pristupiti uključivanju ograničenja. Ograničenja na
varijable stanja i ulazne signale vjetroagregata se analogno dodaju u problem upravl-
janja dodatnim proširenjem skupa nejednadžbi (6.25).
Prethodno opisani problem koji uključuje minimizaciju linearne kombinacije vari-
jabli uz nejednadžbe s uključenim kontinuiranim i binarnim varijablama pripada MILP
kategoriji problema i moguće ga je riješiti korištenjem odgovarajućeg rješavača. U ovom
radu se za proračun optimalne upravljačke sekvence implicitnog regulatora koristi IBM-
ov cplex[2] rješavač.
6.4 Simulacijski rezultati sustava upravljanja

Validacijska provjera MPC sustava upravljanja je provedena za tri područja brzine vje-
tra. Vladanje MPC regulatora je uspoređeno s vladanjem regulatora bez uključene
predikcije[15] za brzine vjetra ispod nazivne, u blizini nazivne i iznad nazivne. Kri-
terij ocjenjivanja vladanja ispod nazivne brzine vjetra je prije svega brzina stabilizacije
brzine vrtnje rotora na optimalan iznos uz koji se ostvaruje maksimalan iznos mehaničke
snage vjetroagregata. Iznos proizvedene električne energije dakako ovisi o koeficijentu
korisnosti elektromehaničke pretvorbe što nije uključeno u model vjetroagregata ko-
rištenog u ovom radu. U brzinama oko nazivne brzine vjetra bi trebalo doći do izražaja
predikcijsko svojstvo MPC-a. Naime, očekuje se znatno manje nadvišenje brzine vrt-
nje kod prijelaza iz područja ispod nazivne u područje iznad nazivne brzine vjetra.
Nadalje, u području iznad nazivne brzine vjetra se od sustava regulacije očekuje brzo
stabiliziranje brzine vrtnje na nazivnu brzinu uslijed naglih propada i porasta brzine
vjetra. U svim radnim područjima se od sustava upravljanja očekuje kompenzacijsko
djelovanje u cilju smanjenja intenziteta oscilacija tornja.
I Ispod nazivne brzine vjetra
20 Konvencionalni regulator
MPC regulator
βref [°]
−20
0 10 20 30 40 50 60 70
5
x 10
4
Mg,ref [Nm]
0
0 10 20 30 40 50 60 70
20
β [°]
−20
0 10 20 30 40 50 60 70
40
Referenca brzine vrtnje
ω [o/min]
30
20
0 10 20 30 40 50 60 70
0.1
xdott [m/s]
−0.1
0 10 20 30 40 50 60 70
12
vvj [m/s]
10
8
0 10 20 30 40 50 60 70
Slika 6.18: Simulacijski odzivi sustava upravljanja ispod nazivne brzine vjetra
Komentar odziva
Za provjeru vladanja sustava upravljanja ispod nazivne brzine vjetra je generirana

stepeničasta funkcija brzine vjetra prikazana crvenom bojom na najdonjem odzivu
sa Slike 6.18. U vremenu od 0 do 15[s] se brzina vrtnje s nazivne vrijednosti nas-
toji što prije stabilizirati na nešto manji iznos koji je određen koeficijentom λopt .
Zato MPC regulator brzine vrtnje djeluje povećanjem momenta generatora koji se
nakon nekog vremena stabilizira na optimalnoj vrijednosti. U trenutku t = 15[s] je
generiran pad brzine vjetra. Stoga MPC regulator u trenutku promjene brzine vje-
tra djeluje naglim povećanjem momenta kako bi se brzina vrtnje što prije postavila
na optimalnu vrijednost. Skokom vjetra u trenutku t = 30[s] se povećava referenca
brzine vrtnje i MPC regulator djeluje naglim smanjenjem momenta koji se potom
postepeno stabilizira na optimalnu vrijednost. Može se primijetiti kako je u ovom
dijelu odziva vrijeme smirivanja sustava upravljanja s MPC regulatorom kraće od
vremena kojeg postiže konvencionalni regulator. Nadalje, MPC regulator postiže
aperiodsko smirivanje brzine vrtnje, dok je odziv brzine vrtnje uz konvencionalni
regulator oscilatoran. Daljnje promjene brzine vjetra imaju za posljedicu reakciju
regulatora koja je slična opisanim situacijama te ih stoga nije potrebno dodatno
pojašnjavati.
U odzivima sustava upravljanja se može primijetiti kako MPC sustav upravl-

janja uspijeva regulirati brzinu vrtnje samo korištenjem upravljačkog signala po
momentu generatora. Zakret lopatica se postavlja na fiksan iznos uz male po-
make oko ravnotežne pozicije s ciljem kompenziranja njihanja tornja. Iz odziva na
Slici 6.18 se može primijetiti kako je kompenzator ispunio svoju ulogu prigušenja
prekomjernih oscilacija tornja vjetroagregata. Konvencionalni regulator za reg-
ulaciju brzine vrtnje ispod nazivne brzine vjetra koristi i upravljanje zakretom
lopatica jer mu brzina vrtnje uslijed skokova premašuje nazivni iznos. S druge
strane, MPC regulator je spriječio prelaženje brzine vrtnje ispod nazivnog iznosa
u cijelom vremenu simulacije.
II Prijelaz iz područja ispod nazivne u područje iznad nazivne brzine vjetra
10
βref [°]
−10
0 10 20 30 40 50 60 70
5
x 10
4
Mg,ref [Nm]
2
Konvencionalni regulator
MPC regulator
0
0 10 20 30 40 50 60 70
10
β [°]
−10
0 10 20 30 40 50 60 70
30
ω [o/min]
25
20
0 10 20 30 40 50 60 70
0.5
xdott [m/s]
−0.5
0 10 20 30 40 50 60 70
15
vvj [m/s]
10
5
0 10 20 30 40 50 60 70
Slika 6.19: Simulacijski odzivi sustava upravljanja oko nazivne brzine vjetra
Komentar odziva
Za validaciju sustava upravljanja oko nazivne brzine vjetra su generirani skokovi

vjetra s brzinom vjetra u rasponu (9.3, 12.2)[ ms ]. Do trenutka t = 15[s] je brzina
vjetra u području ispod nazivne brzine, a u tom trenutku je generiran skok vjetra
na brzinu vvj = 12.2[ ms ] koja se nalazi u području iznad nazivnog iznosa brzine
vjetra. MPC regulator djeluje maksimalnim dozvoljenim porastom brzine zakreta
lopatica i postavljanjem momenta generatora na nazivnu vrijednost uz minimalno
forsiranje momenta kako bi se spriječilo prelaženje brzine vrtnje iznad nazivnog
iznosa. Konvencionalni regulator u ovom dijelu simulacije ima znatno inertniju
reakciju i puno veće nadvišenje brzine vrtnje. U trenutku t = 30[s] je simuliran
mali pad brzine vjetra. Pritom je brzina vjetra i dalje u području iznad nazivnog
iznosa. MPC regulator na propad reagira privremenim smanjenjem momenta gen-
eratora i brzim smanjenjem zakreta lopatica. Moment se potom stabilizira na
nazivnu vrijednost, a lopatice na iznos koji omogućuje držanje brzine vrtnje na
nazivnom iznosu. I u ovom dijelu simulacije je moguće primijetiti znatno sporiju
reakciju upravljačkih veličina konvencionalnog regulatora koje se u roku od 15[s] ne
uspijevaju stabilizirati (prije iduće promjene brzine vjetra). U trenutku t = 45[s]
je simuliran propad brzine vjetra ispod nazivnog iznosa. U tom trenutku MPC
regulator reagira postavljanjem zakreta lopatica na 0◦ i postepenim smanjenjem
iznosa momenta generatora uz koji će se brzina vrtnje držati na optimalnom iznosu.
Reakciju MPC regulatora nakon porasta brzine vjetra u trenutku t = 60[s] nije
potrebno dodatno komentirati jer situacija odgovara onoj u trenutku prvog skoka
brzine vjetra.
Prema snimljenim odzivima sustava upravljanja oko nazivne brzine vjetra moguće
je donijeti određene zaključke. Vrijeme reakcije konvencionalnog regulatora je
znatno sporije što i nije neočekivano s obzirom na nesposobnost predikcije vladanja
sustava uslijed naglih promjena brzine vjetra. MPC regulator karakterizira brza
reakcija s ciljem što kraćeg vremena dostizanja referentnog iznosa brzine vrtnje. U
odzivima brzine vrtnje se može primijetiti kako odziv brzine vrtnje MPC regula-
tora uz skokove brzine vjetra između radnih režima vjetroagregata ima aperiodski
oblik. Dakle, brzina vrtnje ne prelazi nazivni iznos pri prelasku iz područja is-
pod nazivne u područje iznad nazivne brzine vjetra. Navedeno nije slučaj kod
konvencionalnog upravljanja gdje uslijed sporije reakcije regulatora brzina vrtnje
ima poprilično nadvišenje. Vezano uz oscilacije tornja, uslijed puno brže reakcije
sustava zakreta lopatica veći je i intenzitet oscilacija. Intenzitet oscilacija MPC

sustava upravljanja je nešto veći u prvom dijelu simulacije (t < 45[s]) dok je u
ostatku simulacije njihanje uz MPC regulator manje od onog koje se ostvaruje uz
konvencionalni regulator.
III Iznad nazivne brzine vjetra
20
Konvencionalni regulator
MPC regulator
βref [°]
10
0
0 10 20 30 40 50 60 70
5
x 10
4
Mg,ref [Nm]
2
0 10 20 30 40 50 60 70
20
β [°]
10
0
0 10 20 30 40 50 60 70
30
ω [o/min]
28
26
0 10 20 30 40 50 60 70
0.2
xdott [m/s]
−0.2
0 10 20 30 40 50 60 70
14
vvj [m/s]
12
10
0 10 20 30 40 50 60 70
Slika 6.20: Simulacijski odzivi sustava upravljanja iznad nazivne brzine vjetra
Komentar odziva
Za provjeru vladanja sustava upravljanja iznad nazivne brzine vjetra su generirani

skokovi unutar raspona brzine vjetra u intervalu (11.5, 14.5)[ ms ]. Prvi skok vjetra se
događa u trenutku t = 15[s]. Moguće je primijetiti kako MPC regulator na informaciju
o porastu brzine vjetra djeluje hitro, maksimalnom brzinom povećanja kuta zakreta
lopatica i kratkotrajnim forsiranjem momenta generatora u cilju što manjeg porasta
brzine vjetra iznad nazivnog iznosa. U vremenu od 2[s] se brzina vrtnje kao i odziv kuta
zakreta MPC sustava upravljanja stabiliziraju dok vrijeme stabilizacije konvencionalnog
regulatora iznosi 10-ak sekundi. Također se može primijetiti znatno manje nadvišenje
brzine vrtnje koje se postiže uz MPC regulator. U trenutku t = 30[s] se događa mali
pad brzine vjetra. Nakon detekcije pada, MPC regulator drži moment na nazivnom
iznosu, a djeluje spuštanjem zakreta lopatica. Posljedica je skoro neprimjetan propad u
odzivu brzine vrtnje. S druge strane, kod konvencionalnog regulatora se u ovom dijelu
odziva pojavljuju slabo prigušene oscilacije brzine vrtnje oko nazivnog iznosa koje su
posljedica aktivnosti sustava zakreta lopatica. Zgodno je primijetiti djelovanje MPC
regulatora u trenutku t = 60[s] u kojem se događa nagli propad brzine vjetra s 14.5
na 12.6 [ ms ]. Može se primijetiti kako MPC regulator propad aerodinamičkog momenta
kompenzira smanjenjem zakreta lopatica kao i padom reference momenta generatora.
Rezultat je skoro neprimjetan propad brzine vrtnje vjetroagregata dok brzina vrtnje uz
konvencionalni regulator ima puno veći propad uz pojavu oscilacija u brzini vrtnje.
I u režimu rada iznad nazivne brzine vjetra je ostvarena kompenzacija prekomjernih
oscilacija tornja superponiranjem signala β̃ na referentni signal regulatora brzine vrtnje.
Iz snimljenih odziva iznad nazivne brzine se može zaključiti kako je uz MPC regula-
tor postignuta znatno bolja kompenzacija naglih promjena brzine vjetra. Odziv brzine
vrtnje uz MPC regulator se u cijelom vremenu simulacije nalazi u blizini nazivne vri-
jednosti. Konvencionalni PI regulator ima znatno lošije karakteristike u ovom radnom
režimu.
Ukupan komentar na vladanje MPC sustava upravljanja
Sustav upravljanja s MPC regulatorom je pokazao karakteristike brzog stabiliziranja

brzine vrtnje kao i kompenzacije prekomjernih oscilacija tornja vjetroagregata. Znatno
kraće vrijeme stabilizacije procesnih veličina je posljedica brze reakcije regulatora brzim
promjenama upravljačkog signala. U skladu s tim se mogu primijetiti nagli skokovi
momenta generatora koji svakako nisu poželjni za sustav upravljanja. Međutim, treba
imati u vidu da u realnim situacijama nije moguće očekivati skokove brzine vjetra koji su
korišteni za simulacijsku provjeru te je za očekivati da MPC regulator u stvarnosti neće
reagirati primjećenim naglim skokovima i propadima. Što se tiče upravljanja zakre-
tom lopatica, MPC regulator u potpunosti koristi maksimalnu moguću brzinu zakreta
koja mu je na raspolaganju. Pritom se oscilacije zadržavaju u okvirima maksimalnih
vrijednosti koje postiže i konvencionalni regulator uz znatno sporiju reakciju zakreta
lopatica.
Premda se u odzivima ne zamjećuje, iznos brzine vrtnje u MPC sustavu upravljanja
ima mali iznos odstupanja u stacionarnom stanju. Iznosi odstupanja su ispod 1% što
ne bi smjelo predstavljati problem u regulaciji brzine vrtnje. Ono je posljedica pogreške
aproksimacije aerodinamičkog momenta i moglo bi se kompenzirati ubacivanjem esti-
matora pogreške aerodinamičkog momenta u zatvoreni krug upravljanja. Međutim,
treba primijetiti kako bi estimator momenta poremetio odnose među momentima pri
prijelazima među regijama čime bi se otvorila mogućnost ostvarivanja uvjeta za nas-
tanak graničnih ciklusa. U tom slučaju bi bilo potrebno razmotriti dodatne korekcije
u PWA modelu kojima bi se otklonila mogućnost pojave preskakanja među modelima
uz uključen estimator momenta. Iznos odstupanja je također moguće smanjiti skraći-
vanjem trajanja koraka predikcije. U tom slučaju bi se morao povećati broj koraka
predikcije čime bi se povećala složenost proračuna optimalnog upravljačkog zakona. S
obzirom da je za regulaciju brzine vrtnje odabran relativno malen broj koraka predik-
cije, u ovom smjeru postoji dosta prostora za poboljšanje vladanja. Treća mogućnost
smanjenja pogreške aproksimacije aerodinamičkog momenta je povećanje broja pod-
modela PWA sustava vjetroagregata što i nije najbolji put s obzirom da se na taj način
znatno komplicira postupak proračuna optimalne upravljačke sekvence.
6.5 Algoritam traženja optimalnog upravljačkog zakona

Ekvivalentno vladanje MPC sustava upravljanja je moguće postići uz upravljački zakon
proračunat u eksplicitnom obliku. S obzirom na dimenziju problema i broj podmodela
PWA sustava može se očekivati značajan broj dobivenih regija optimalnih afinih up-
ravljačkih zakona. Stoga je u svrhu primjene eksplicitnog zakona u stvarnom vremenu
potrebno ubrzati postupak pretraživanja aktivne regije eksplicitnog upravljačkog algo-
ritma koja je određena vrijednostima varijabli stanja. U nastavku je objašnjena jedna
od mogućnosti implementacije takvog algoritma.
Algoritam se načelno izvodi na način da se prostor regija cijepa na segmente, pri
čemu se svakim rezom nastoji osloboditi polovine od preostalih mogućih kandidata. Za
što veću efikasnost algoritma pretraživanja je potrebno pronaći hiperravnine hi (x) = 0
kojima će se prostor upravljačkih regija razdjeljivati na segmente s približno jednakim
brojem regija (Slika 6.21). U ovisnosti o predznaku funkcije hi (x) moguće je odrediti
u kojem se dijelu prostora nalaze varijable stanja i pritom odbaciti segment s regijama
na suprotnoj strani hiperravnine. Postupak se ponavlja dok se ne pronađe aktivna
regija. Kako bi se moglo izvršiti odbacivanje regija, potrebno je u programskoj strukturi
pohraniti indekse regija s obzirom na njihov položaj u odnosu na razgraničavajuću
hiperravninu.
Korak 1 Korak 2
x2 x2
h2(x)>0
h1(x)<0
h2
=0 (x )
(x) =0
h1
h1(x)>0 h2(x)<0
x1 x1
Slika 6.21: Načelan prikaz funkcioniranja algoritma pretraživanja upravljačke regije
Valja primijetiti kako se u idealnom slučaju, kada se svakim cijepanjem oslobađa

polovine preostalih regija, može pronaći rješenje u log2 L koraka gdje je L broj upravl-
jačkih regija. U praktičnim situacijama je složenost nešto veća jer će razgraničavajuće
hiperravnine prolaziti kroz neke regije. Te regije će bez obzira na rješenje nejednadžbe
ostati kandidati za aktivnu regiju MPC regulatora.
Poglavlje 7
Zaključak
Modelsko prediktivno upravljanje predstavlja paradigmu koja omogućuje postizanje

boljih radnih karakteristika sustava upravljanja od uvriježenih metoda regulacije. Poz-
nato je kako je vjetar izrazito promjenjiva veličina i u cilju postizanja što boljih svojs-
tava sustava upravljanja vjetroagregatom bitna je pravodobna reakcija regulatora. Uz
pouzdanu informaciju o mjernim veličinama kao i o onima koje se estimiraju, i zadane
kriterije i ograničenja upravljanja, moguće je na temelju modeliranog vladanja sustava
proračunati optimalnu upravljačku sekvencu u predikcijskom horizontu.
Za potrebe postavljanja problema MPC upravljanja je potrebno identificirati dobar
matematički model procesa. U ovom radu je nelinearan model vjetroagregata identifi-
ciran u obliku PWA modela u prostoru stanja. PWA model je potom transformiran u
MLD oblik koji omogućuje izravnu primjenu rješavača za online proračun upravljačke
sekvence. Zbog manje računske složenosti je kriterijska funkcija zadana u linearnom ob-
liku. Online MPC regulator omogućuje brzu provjeru utjecaja kriterija i ograničenja na
sustav upravljanja te je stoga prikladan za razvoj prototipa MPC sustava upravljanja.
Simulacijski rezultati projektiranog sustava upravljanja sa nadređenom petljom po
brzini vrtnje i podređenim kompenzatorom njihanja tornja su pokazali zadovoljavajuće
odzive bitnih procesnih veličina vjetroagregata. Ispod nazivne brzine vjetra je ostvarena
brza regulacija brzine vrtnje u cilju dostizanja njenog optimalnog iznosa koji omogućuje
maksimalno iskorištenje energije vjetra. U području oko i iznad nazivne brzine vjetra
je postignuta brza i pravodobna reakcija zakretanjem lopatica i djelovanjem preko mo-
menta generatora uslijed naglih promjena vjetra. U svim područjima je postignuta
kompenzacija prekomjernih oscilacija tornja vjetroagregata. Nedostatak projektira-
nog sustava upravljanja je postojanje malog odstupanja brzine vrtnje u stacionarnom
stanju. U tom smjeru su predloženi konkretni koraci s ciljem korekcije primijećenog
67
Poglavlje 7. Zaključak 68
nedostatka.
Treba primijetiti kako razvijeni sustav upravljanja pretpostavlja da su sve procesne
veličine mjerljive. Prema tome, za implementaciju MPC regulatora na stvarnom sus-
tavu je potrebno projektirati ponajprije estimator brzine vjetra, a potom i pozicije i
brzine njihanja tornja vjetroagregata. Provjerene kriterije upravljanja i ograničenja
je moguće korištenjem dinamičkog programiranja iskoristiti za proračun upravljačkog
zakona u eksplicitnom obliku koji je potom moguće ugraditi u mikroračunalo za up-
ravljanje vjetroagregatom u stvarnom vremenu.
Bibliografija
[1] Bladed - wind turbine design software.
[2] ILOG CPLEX Optimizer – IBM.
[3] MPT - The Multi-Parametric Toolbox for Matlab.
[4] A. Bemporad and M. Morari. Control of systems integrating logic, dynamics, and
constraints. Automatica, 35(3):407–427, 1999.
[5] A. Ružička. Piecewise Affine Wind Turbine Identification. Diploma Dissertation,

Faculty of Electrical Engineering and Computing, Zagreb, 2009.
[6] F. Borrelli, M. Baotić, A. Bemporad, and M. Morari. Dynamic programming for

constrained optimal control of discrete-time linear hybrid systems. Automatica,
41:1709–1721, 2005.
[7] E. F. Camacho, C. Bordons. Model Predictive Control. Springer-Verlag, 1998.
[8] G. Ferrari-Trecate, M. Muselli, D. Liberati, M. Morari. A clustering technique for

the identification of piecewise affine systems. Automatica, 39(2):205–217, 2003.
[9] G. M. Masters. Renewable and Efficient Electric Power Systems. John Wiley &
sons, 2004.
[10] G. M. Ziegler. Lectures on Polytopes. Springer-Verlag, 1995.
[11] H.P. Williams. Model building in mathematical programming. Wiley, 1990.
[12] J. Roll. Local and Piecewise Affine Approaches to System Identification. PhD
thesis, 2003.
69
Bibliografija 70
[13] K. P. Bennett, O. L. Mangasarian. Multicategory discrimination via linear pro-

gramming. Optimization methods and Software, 3:27–39, 1994.
[14] L. Ljung. System Identification - Theory for the Users (2nd Edition). Prentice-
Hall, 1998.
[15] M. Jelavić. Wind turbine control for structural dynamic loads reduction. PhD
thesis, Faculty of Electrical Engineering and Computing, University of Zagreb,
2009.
[16] M. Vašak, D. Klanjčić, N. Perić. Piecewise Affine Identification of MIMO Pro-

cesses. In Proceedings of the 2006 IEEE International Conference on Control
Applications, CCA 2006, October 4-6, 2006, Munich, Germany, pages 1493–1498,
2006.
[17] M. Vašak, N. Perić, K. Szabat, M. Cychowski. Patched LQR Control for Robust
Protection of Multi-mass Electrical Drives with Constraints. In Proceedings of the
2010 IEEE International Symposium on Industrial Electronics (ISIE 2010), pages
3153–3158, 2010.
[18] O. R. Duda, P. Hart. Pattern Classification and Scene Analysis. Wiley, 1973.
[19] S. Paoletti. Identification of Piecewise Affine Models. PhD thesis, Siena, 2003.
[20] T. Burton, D. Sharpe, N. Jenkins, E. Bossany. Wind Energy Handbook. John

Wiley & sons, 2001.
[21] A. Zervos, C. Kjaer, S. Azau, J. Scola, J. Quesada, and R. Bianchin. Pure power:
Wind energy targets for 2020 and 2030, 2009.
Sažetak
Naslov: Modelsko prediktivno upravljanje vjetroagregatom u megavatnoj klasi

Autor: Nikola Hure
Sukladno porastu dimenzija vjetroagregata povećavaju se i zahtjevi za efikasnijim

algoritmima njegova upravljanja. S tim u vidu, u ovom radu se razmatra mogućnost
postizanja boljih karakteristika vladanja sustava upravljanja vjetroagregatom korišten-
jem modelskog prediktivnog upravljanja. Identificiran je PWA model vjetroagregata
u prostoru stanja u blizini njegove optimalne statičke karakteristike. Nakon uspješne
validacije PWA modela vjetroagregata se pristupilo sintezi MPC sustava upravljanja.
Predložena je MPC struktura upravljanja s nadređenim regulatorom brzine vrtnje i
podređenim kompenzatorom njihanja tornja. Simulacijski rezultati su pokazali zado-
voljavajuće karakteristike projektiranog sustava upravljanja. Uspješnom validacijom
MPC regulatora je otvorena mogućnost offline proračuna eksplicitnog upravljačkog za-
kona za implementaciju MPC sustava upravljanja na stvarnom procesu. S tim u vezi
je opisan algoritam za brzo nalaženje aktivne regije offline dobivenog optimalnog up-
ravljačkog zakona.
Ključne riječi: Vjetroagregat, Modelsko prediktivno upravljanje, PWA sustav,

MLD sustav, Identifikacija modela, Online MPC regulator
71
Abstract
Title: Model predictive control of the megawatt-class wind turbine

Author: Nikola Hure
Bigger dimensions of wind turbines lead to greater demands on more advanced

control algorithms. With that in mind, in this work is examined possibility of achiev-
ing better system control characteristics using model predictive control. A dynamic
PWA model of a pitch-controlled wind turbine is identified in the vicinity of it’s op-
timal static characteristics. After a very good PWA model is approved according to
simulation results, it is proceeded with the design of the MPC system. Furthermore,
model predictive system control structure is suggested with superior wind turbine speed
controller and subordinate compensator of wind turbine tower oscillations. Obtained
simulation results demonstrated satisfactory characteristics of the designed MPC con-
troller. Succesful validation of the MPC controller unfolds the possibility of optimal
control law offline computation which can be used for real-time system control. Related
with that, the algorithm for the efective search of the active control region is presented.
Keywords: Wind turbine, Model predictive control, PWA system, MLD system,
Model identification, Online MPC controller
72
Životopis
Obrazovanje:
Rođen sam 5. studenog 1987. u Zagrebu. Osnovnu školu sam završio u Hvaru 2003.
godine, a svoje daljnje školovanje sam nastavio u Zagrebu. Nakon završenog sred-
njoškolskog obrazovanja na Gimnaziji Lucijana Vranjanina 2006. godine, upisao sam
studij na Fakultetu elektrotehnike i računarstva, Sveučilišta u Zagrebu. Tijekom studija
sam se opredijelio za smjer Elektrotehnika i informacijska tehnologija, a potom sam na
trećoj godini studija odabrao modul Automatika. Od treće godine preddiplomskog
studija započeo sam svoj rad na području obnovljivih izvora energije pod mentorstvom
prof. dr. sc. Nedjeljka Perića.
Nagrade:
Od prve do druge godine studija sam primao državnu stipendiju Ministarstva znanosti,
obrazovanja i športa, a od treće godine studija sam stipendiran od strane Grada Za-
greba. Godine 2009. sam nagrađen posebnim priznanjem Josip Lončar za uspješan
završetak preddiplomskog studija i drugim mjestom za rad "Primjena HIL strukture
za upravljanje brzinom vrtnje vjetroagregata iznad nazivne brzine vjetra" na natječaju
Werner von Siemens za najbolje studentske radove. Godine 2010. sam nagrađen priz-
nanjem Josip Lončar za izvrstan uspjeh na prvoj godini diplomskog studija, a 2011.
rektorovom nagradom za rad "Modelsko prediktivno upravljanje za povećanje efikas-
nosti agregata obnovljivih izvora električne energije".
Koautor članaka:
"Primjena LabVIEW programskog alata za razvoj HIL strukture upravljanja brzinom
vrtnje vjetroagregata", MIPRO 2010.
"Identification of a discrete-time piecewise affine model of a pitch-controlled wind tur-
bine", MIPRO 2011.
73

516682.DiplomskiRad244 Nikola Hure

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

516682.DiplomskiRad244 Nikola Hure

Uploaded by

Copyright:

Available Formats

SVEUČILIŠTE U ZAGREBU

FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA

DIPLOMSKI RAD br. 244

MODELSKO PREDIKTIVNO UPRAVLJANJE

Zagreb, lipanj 2011.

3 Opis rada vjetroagregata 11

4 Modelsko prediktivno upravljanje 22

5 Po dijelovima afini sustavi 24

6 Projektiranje modelskog prediktivnog upravljanja vjetroagregatom 33

6.1.1 Generiranje podataka za potrebe identifikacije . . . . . . . . . . 34

Porast potražnje za električnom energijom u kombinaciji s povećanjem ekoloških stan-

Vjetar je pojava s izraženim karakteristikama promjenjivosti. S aspekta iskorištavanja

2.1 Promjenjiva priroda vjetra

Varijacija aktivnosti vjetra u minutama i sekundama spada u područje turbulen-

Slika 2.1: Spektralna gustoća snage vjetra

2.2 Stohastički modeli brzine vjetra

Slika 2.2: Funkcija gustoće vjerojatnosti brzine vjetra

gdje je c koeficijent proporcionalnosti i ovisi o gustoći zraka, vlažnosti, poprečnom

Slika 2.3: Funkcije gustoće vjerojatnosti brzine vjetra uz promjenjive iznose k i c

FGV dolazi se do izraza:

Opis rada vjetroagregata

3.1 Fizikalne osnove vjetroagregata

U matematičkim opisima vjetroagregata se često koristi omjer obodne brzine rotora

Slika 3.1: Krivulje ovisnosti koeficijenta snage CP o λ uz fiksni β[15]

3.2 Matematički model vjetroagregata

M ẍt + Dẋt + Cxt = Ft , (3.6)

gdje xt predstavlja odmak vrha tornja od ravnotežnog položaja, Ft je sila potiska

Matematički model korišten u identifikaciji sadrži i opis dinamike servo motora

drugog reda s realnim svojstvenim vrijednostima:

T1 T2 β̈ + (T1 + T2 )β̇ + β = βref . (3.8)

3.3 Osnovne strategije upravljanja vjetroagregatom

ω ref Vjetar Mjerenje

Slika 3.2: Načelna shema sustava upravljanja vjetroagregatom

Na Slici 3.3 su prikazane statičke karakteristike vjetroagregata snage 1[MW]. Statičke

Slika 3.3: Statičke karakteristike vjetroagregata snage 1[MW][15]

3.3.1 Upravljanje ispod nazivne brzine vjetra

Većina modernih vjetroagregata kao i regulator koji se koristi u završnom dijelu

gdje je koeficijent optimalnog momenta Kλ definiran kao:

S obzirom da je dinamika regulacije brzine vrtnje koja se postiže primjenom up-

3.3.2 Upravljanje iznad nazivne brzine vjetra

zbog njihove jednostavnosti i razvijenih postupaka sinteze. Izražena nelinearnost sus-

3.3.3 Zahtjevi na sustav regulacije vjetroagregatom

Primarni ciljevi upravljanja vjetroagregatom su svakako maksimiziranje proizvodnje

1. regulacija aerodinamičkog momenta na brzinama vjetra iznad nazivne;

2. minimiziranje "špiceva" u momentu generatora;

3. spriječiti pretjeranu aktivnost zakretanja lopatica;

4. minimiziranje opterećenja baze tornja kontroliranjem oscilacija tornja;

5. smanjivanje opterećenja na korijenu lopatica.

Modelsko prediktivno upravljanje

Razvoj modelskog prediktivnog upravljanja1 započinje u kasnim 70-im godinama prošlog

bolji matematički model procesa.

1. Budući izlazi iz sustava upravljanja u horizontu upravljanja N se predviđaju u

2. Sekvenca upravljačkih signala se proračunava minimiziranjem kriterija upravl-

3. Upravljački signal u(t|t) se primjenjuje na proces dok se ostali proračunati signali

S obzirom da predikcija vladanja sustava ima direktan utjecaj na proračun sekvence

Po dijelovima afini sustavi

Matematički opis sustava afinim podmodelima koji su definirani na određenom rasponu

Slika 5.1: Po dijelovima afina funkcija s diskontinuitetima i tri podmodela

5.1 PWA model u prostoru stanja

yk = Cσ(k) xk + Dσ(k) uk + dσ(k) , (5.1b)

gdje je k korak diskretizacije, xk ∈ Rn je vektor stanja procesa, uk ∈ Rp je vektor ulaza

vrši s obzirom na varijablu σ(k). Općenito se aktivni podmodel u prostoru stanja u

σ(k) = i, ako je (xk , uk ) ∈ Xi . (5.2)

Prostor X je podijeljen u s politopa Xi . Nad svakim politopom je definiran jedan