Estrategia híbrida ANFIS-OTC para MPPT y reducción de vibraciones mecánicas en aerogeneradores marinos
DOI:
https://doi.org/10.17979/ja-cea.2026.47.13833Palabras clave:
Sistemas de Energía y Potencia, Sistemas Adaptativos y de Aprendizaje, Control Óptimo, Inteligencia Computacional en el Control, Modelado e Identificación de Sistemas, Control No LinealResumen
Este artículo presenta una estrategia de control híbrida para turbinas eólicas marinas que combina un Sistema de Inferencia Neurodifusa Adaptativa (ANFIS) con el Control Óptimo de Par (OTC) convencional. El objetivo es conservar la eficiencia del seguimiento del punto de máxima potencia (MPPT) y minimizar las vibraciones en la torre. Si bien el OTC extrae la potencia efectivamente, ignora las cargas estructurales. Entonces, se desarrolla un programador de ganancia adaptativa basado en ANFIS, entrenado fuera de línea mediante un conjunto de datos de un marco de control heurístico multipolítica que combina la ley OTC con modificaciones sensibles a vibraciones. El ANFIS utiliza la velocidad del generador y la aceleración de la torre como entradas para estimar un factor de ganancia que modula la referencia de par OTC. En tiempo real, esta ganancia escala el comando convencional, equilibrando el rendimiento del MPPT y la mitigación de vibraciones. Las simulaciones demuestran que el controlador reduce las cargas manteniendo un alto rendimiento.
Referencias
Awada, A., Younes, R. and Ilinca, A. 2021. Review of Vibration Control Methods for Wind Turbines. Energies, 14(11), p.3058. DOI: 10.3390/en14113058.
Biyazne, L.W., Tuka, M.B., Abebe, Y.M. and Wellhöfer, A. 2026. Enhancing MPPT performance of a grid-connected Doubly-Fed induction generator-based wind power plant using hybrid ANFIS-PI control strategy. Scientific Reports, 16(1). DOI: 10.1038/s41598-026-36021-3.
Bošnjaković, M., Martinović, M. and Đokić, K. 2025. Application of Artificial Intelligence in Wind Power Systems. Applied Sciences, 15(5), p.2443. DOI: 10.3390/app15052443.
Chhipa, A.A., Kumar, V., Joshi, R.R., Chakrabarti, P., Jasinski, M., Burgio, A., Leonowicz, Z., Jasinska, E., Soni, R. and Chakrabarti, T. 2021. Adaptive Neuro-Fuzzy Inference System-Based Maximum Power Tracking Controller for Variable Speed WECS. Energies, 14(19), p.6275. DOI: 10.3390/en14196275.
Didier, F., Liu, Y.-C., Salah Laghrouche and Depernet, D. 2024. A Comprehensive Review on Advanced Control Methods for Floating Offshore Wind Turbine Systems above the Rated Wind Speed. Energies, 17(10), pp.2257–2257. DOI: 10.3390/en17102257.
International Energy Agency (IEA). 2023. Renewables 2023: Analysis and Forecast to 2028. Paris: IEA.
Jahani, K., Langlois, R.G. and Afagh, F.F. 2022. Structural dynamics of offshore Wind Turbines: A review. Ocean Engineering, 251, p.111136. DOI: 10.1016/j.oceaneng.2022.111136.
Li, J. and Hou, G. 2025. Data-driven modeling and MPPT control of offshore wind turbines based on machine learning approach. Ocean Engineering, 329, pp.121121–121121. DOI: 10.1016/j.oceaneng.2025.121121.
Machado, M.R. and Dutkiewicz, M. 2024. Wind turbine vibration management: An integrated analysis of existing solutions, products, and Open-source developments. Energy reports, 11, pp.3756–3791. DOI: 10.1016/j.egyr.2024.03.014.
Moshtaghi, P., Hajialigol, N. and Rafiei, B. 2025. A comprehensive review of artificial intelligence applications in wind energy power generation. Sustainable Futures, 9, p.100638. DOI: 10.1016/j.sftr.2025.100638.
Muñoz-Palomeque, E., Sierra-García, J.E. y Santos, M. 2024. Enhancing offshore wind turbines performance with hybrid control strategies using neural networks and conventional controllers. Journal of Computational Design and Engineering 12(3), pp. 80-97. DOI: 10.1093/jcde/qwae103.
Muñoz-Palomeque, E., Sierra-García, J.E. y Santos, M. 2023. Wind turbine maximum power point tracking control based on unsupervised neural networks. Journal of Computational Design and Engineering, 10(1), pp. 108–121. DOI: 10.1093/jcde/qwac132.
Pande, J., Nasikkar, P., Kotecha, K. and Varadarajan, V. 2021. A Review of Maximum Power Point Tracking Algorithms for Wind Energy Conversion Systems. Journal of Marine Science and Engineering, 9(11), p.1187. DOI: 10.3390/jmse9111187.
Pao, L. and Johnson, K. 2011. Control of Wind Turbines. In IEEE Control Systems Magazine, 31(2), pp. 44-62. DOI: 10.1109/MCS.2010.939962.
Rajanala, P., Kumar, M.K., Giriprasad, A., Choi, J.-H., Rao, K.V.G., Sravan, V.S. and Reddy, Ch.R. 2025. Intelligent MPPT and coordinated control for voltage stability in brushless DFIG wind turbines. Scientific Reports, 15(1). DOI: 10.1038/s41598-025-08676-x.
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Eduardo Muñoz-Palomeque, Matilde Santos, J. Enrique Sierra-García
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
