SVEUČILIŠTE U ZAGREBU
FAKULTET ELEKTROTEHNIKE I RAČUNARSTVA
ZAVRŠNI RAD br. 3392
EKSPERIMENTALNO ODREĐIVANJE
AERODINAMIČKIH STATIČKIH
KARAKTERISTIKA LABORATORIJSKOG
VJETROAGREGATA U VJETROTUNELU
Ana Pavlinušić
Zagreb, veljača 2014.
1
1
Sadržaj
Uvod ...................................................................................................................................... 2
1. Vjetroagregat ........................................................................................................... 3
1.1. Fizikalne osnove vjetroagregata .............................................................................. 3
1.2. Upravljanje vjetroagregatom ................................................................................... 5
2. Neuronske mreže ..................................................................................................... 9
2.1. Statička unaprijedna neuronska mreža .................................................................. 14
3. Eksperimentalni postav ......................................................................................... 15
3.1. Vjetrotunel ............................................................................................................. 15
3.2. Mjerni uređaji ........................................................................................................ 18
3.3. Prikupljanje mjernih podataka............................................................................... 21
3.3.1. LabVIEW..................................................................................................... 21
3.3.2. Pokretanje procesa prikupljanja podataka ................................................... 24
4. Eksperimentalno određivanje aerodinamičkih statičkih karakteristika
vjetroagregata u vjetrotunelu ............................................................................................... 26
4.1. Matlab .................................................................................................................... 26
4.2. Estimacija modela efektivne brzine vjetra u vjetrotunelu ..................................... 27
4.3. Eksperimentalno određivanje koeficijenta snage vjetroagregata .......................... 31
Zaključak ............................................................................................................................. 35
Literatura ............................................................................................................................. 36
Sažetak ................................................................................................................................. 37
Summary .............................................................................................................................. 38
Skraćenice ............................................................................................................................ 39
2
Uvod
Rad opisuje tijek eksperimentalnog postupka na sustavu laboratorijskog vjetroagregata u
vjetrotunelu kojim se određuje njegova statička karakteristika mehaničke snage pri raznim
brzinama vjetra, brzinama vrtnje i kutovima zakreta lopatica te se estimira model efektivne
brzine vjetra.
Za potrebe eksperimentalnog postupka razvijen je sustav za prikupljanje mjernih podataka
u zračnom tunelu Laboratorija za sustave obnovljivih izvora energije i podataka o
meteorološkim uvjetima izvan tunela. Mjerenja se prikupljaju s vremenskom oznakom
korištenjem anemometra instaliranog na krovu, anemometara u vjetrotunelu, kao i
mjerenja temperature te vlažnosti zraka s mjernog instrumenta montiranog na sjevernom
zidu zgrade. Kako bi se mogli koristiti u postupku određivanja statičkih karakteristika
vjetroagregata u vjetrotunelu podatci su obrađeni u programskom paketu MATLAB.
U prvom poglavlju rada opisana je fizikalna osnova vjetroagregata, te algoritmi upravljanja
vjetroagregatom. U drugom poglavlju su ukratko opisane neuronske mreže i njihova
primjena u estimaciji matematičkih modela proizvoljnih procesa. U trećem poglavlju je
opisan eksperimentalni postav, odnosno zračni tunel, laboratorijski vjetroagregat, mjerni
instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano
eksperimentalno određivanje aerodinamičkih statičkih karakteristika vjetroagregata u
vjetrotunelu.
3
1. Vjetroagregat
U obnovljive izvore energije spadaju energija vjetra, Sunčeva energija, energija vode,
geotermalna energija i energija iz biomase. Korištenjem obnovljivih izvora energije smanjuje se
emisija ugljikovog dioksida u atmosferu, koji predstavlja jedan od velikih problema zagađenja
okoliša. Vjetroagregati se mogu nalaziti na kopnu (onshore) ili pri obali (offshore), a najčešće
su organizirani kao vjetroelektrane koje se sastoje od više vjetroagregata.
1.1. Fizikalne osnove vjetroagregata
Pretvorba kinetičke energije vjetra u mehaničku energiju vrtnje turbine vjetroagregata
moguća je zbog načina izvedbe lopatica turbine, odnosno zbog njihova aerodinamičkog
profila. Strujanjem vjetra oko lopatica na jednoj strani stvara se podtlak, a na drugoj nadtlak,
te razlika između tih tlakova uzrokuje ukupnu silu na turbinu zbog koje dolazi do vrtnje.
Ukupna sila može se podijeliti na dvije osnovne sile: silu koja uzrokuje zakretni moment
koji pokreće turbinu te drugu koja predstavlja potisak na rotor, te koja je nepoželjna, jer je
glavni izvor opterećenja konstrukcije vjetroagregata i pobuda za njihanje tornja (Bobanac
2009).
Snaga vjetra opisana je izrazom:
𝑃𝑣𝑗 =1
2𝜌𝑧𝑣𝑣𝑗
3 𝑅2𝜋 , (1.1)
gdje je ρz gustoća zraka, R polumjer rotora vjetroagregata, a vvj brzina vjetra. Proces je
nelinearan, što se vidi iz toga što je snaga vjetra proporcionalna s trećom potencijom brzine
vjetra.
U mehaničku snagu vjetroturbine pretvara se samo dio snage vjetra koji je određen
koeficijentom snage vjetroagregata, 𝐶𝑃:
𝐶𝑃 =𝑃𝑡
𝑃𝑣𝑗 , (1.2)
gdje je Pt mehanička snaga turbine.
4
Najveći teoretski koeficijent iznosi 16/27 i naziva se Betzov koeficijent, a u praksi se
zadovoljavajućim smatraju i nešto manje vrijednosti (oko 0.5). Koeficijent snage
vjetroagregata je funkcija zakreta lopatica te omjera obodne brzine vrtnje vjetroagregata i
brzine vjetra - λ (eng. tip speed ratio):
𝜆 =|𝜔𝑅|
𝑣𝑣𝑗 , (1.3)
gdje je ω brzina vrtnje vjetroagregata.
Slika 1.1 prikazuje ovisnost koeficijenta snage o omjeru brzina λ uz različite iznose kuta
zakreta β.
Slika 1.1 Ovisnost koeficijenta snage Cp o λ uz kut zakreta lopatica β kao parametar
Mehaničku snagu koja se razvija na turbini opisuje izraz:
𝑃𝑡 =1
2𝑐𝑝𝜌𝑧𝑣𝑣𝑗
3 𝑅2𝜋 , (1.4)
Odnosno, može se pisati i :
5
𝑃𝑡 = 𝑀𝑡𝜔 , (1.5)
gdje je Mt [Nm] aerodinamički pogonski moment turbine koji je uzrokovan prolaskom vjetra
kroz rotor vjetroagregata. Aerodinamičkom momentu se suprotstavlja moment generatora i
razlika ovih dvaju momenata u dinamičkim uvjetima određuje brzinu turbine prema izrazu:
𝑀𝑡 − 𝑀𝑔 = 𝐽𝑡
𝑑𝜔
𝑑𝑡 , (1.6)
gdje je Mg [Nm] elektromagnetski moment generatora, a Jt [kgm2] moment inercije turbine.
1.2. Upravljanje vjetroagregatom
Radno područje vjetroagregata podijeljeno je na dva dijela: radno područje u kojem
generator vjetroagregata radi ispod nazivne snage i radno područje u kojem generator radi
na nazivnoj snazi.
Upravljanje ispod nazivne brzine vjetra
Pri slabijim vjetrovima, manjim od nazivne brzine vjetra, vjetroturbina iz vjetra preuzima
snagu manju od nazivne snage generatora vjetroagregata te se upravljanje u tom radnom
području svodi na optimiranje iskorištenja energije vjetra. To se postiže mijenjanjem brzine
vrtnje rotora vjetroagregata upravljanjem momentom generatora. Na slici 1.2 vidi se da
karakteristika koeficijenta snage ima izražen maksimum koji odgovara vrijednosti omjera
brzina λ koja se naziva optimalnom (Jelavić 2009).
6
Slika 1.2 Postizanje maksimalnog koeficijenta snage Cp
Jedan od načina upravljanja vjetroagregatom je način koji podrazumijeva mjereni/estimirani
iznos vjetra. Odnosno, regulator brzine vrtnje generira odgovarajući upravljački signal
momenta generatora ovisno o dostupnoj informaciji o brzini vjetra. Budući da se anemometri
obično nalaze nekoliko metara iza rotora, vjetar kojeg mjeri anemometar predstavlja
zakašnjeli mjerni signal degradiran zbog prolaska vjetra preko lopatica rotora. Iz tog razloga
je potreban odgovarajući estimator brzine vjetra. Većina modernih vjetroagregata koristi
upravljački zakon po kojem je:
𝜔𝑜𝑝𝑡 =𝜆𝑜𝑝𝑡𝑣𝑣𝑗
𝑅 (1.7)
Optimalan iznos aerodinamičkog momenta koji u stacionarnim uvjetima odgovara iznosu
moment generetora se računa:
7
𝑀𝑎,𝑜𝑝𝑡 = 𝑀𝑔,𝑜𝑝𝑡 =1
2
𝜌𝑧𝑅3𝜋𝑣𝑣𝑗2 𝐶𝑃(𝜆𝑜𝑝𝑡, 𝛽𝑜𝑝𝑡)
𝜆𝑜𝑝𝑡=
1
2
𝜌𝑧𝑅5𝜋𝐶𝑃(𝜆𝑜𝑝𝑡, 𝛽𝑜𝑝𝑡)
𝜆𝑜𝑝𝑡3 𝜔𝑜𝑝𝑡
2 (1.8)
λopt i βopt kojima se postiže maksimalan stupanj iskorištenja su poznati, te koeficijent
𝐶𝑃(𝜆𝑜𝑝𝑡, 𝛽𝑜𝑝𝑡) zapravo predstavlja konstantu 𝐶𝑃,𝑚𝑎𝑥 te se gornji izraz može zapisati:
𝑀𝑔,𝑜𝑝𝑡 = 𝐾𝜆𝜔𝑜𝑝𝑡2 , (1.9)
gdje se koeficijent optimalnog momenta 𝐾𝜆 definira kao:
𝐾𝜆 =1
2
𝜌𝑧𝑅5𝜋𝐶𝑃,𝑚𝑎𝑥
𝜆𝑜𝑝𝑡3 (1.10)
Algoritam se bazira na pretpostavci da je uz optimalan omjer brzina λopt postignut
optimalan aerodinamički moment. U stacionarnim uvjetima aerodinamički moment mora
odgovarati momentu generatora, te stoga optimalan iznos momenta generatora ima za
posljedicu postizanje optimalnog iznosa brzine vrtnje rotora. Upravljački zakon je izveden
uvažavajući pretpostavke stacionarnosti, no i u dinamčkim uvjetima se može koristiti.
Smanjenje brzine vrtnje ispod optimalnog iznosa uzrokuje smanjenje momenta generatora
što uzrokuje ubrzavanje rotora vjetroagregata, a povećanje brzine vrtnje iznad optimalne
vrijednosti uzrokuje povećanje momenta generatora što ima kočni efekt na vrtnju rotora.
Dinamika regulacije brzine vrtnje koja se postiže primjenom ovog upravljačkog zakona je
prilično spora, pa se u regulacijski algoritam dodaje dodatni regulacijski član kojim se
fiktivno smanjuje moment tromosti vjetroturbine (Hure 2011).
Slika 1.3 prikazuje načelnu shemu upravljanja brzinom vrtnje vjetroagregata, te je na
njezinom gornjem dijelu prikazano upravljanje s ciljem optimalnog iskorištenja energije
vjetra.
8
Slika 1.3 Načelna shema upravljanja brzinom vrtnje vjetroagregata (Jelavić 2009)
Upravljanje iznad nazivne brzine vjetra
Pri jakim vjetrovima, snaga vjetra veća je od nazivne snage generatora vjetroagregata, te je
u ovom radnom području glavni zadatak ograničenje snage vjetroagregata. To se postiže
smanjenjem efikasnosti aerodinamičke pretvorbe na lopaticama rotora, odnosno
zakretanjem lopatica rotora oko njihove uzdužne osi (eng. pitching) čime se mijenja napadni
kut koji lopatice rotora zatvaraju sa strujom zraka i osigurava se ograničenje brzine vrtnje
rotora na nazivni iznos. Na donjem dijelu Slike 1.3 prikazano je upravljanje brzinom vrtnje
zakretanjem lopatica.
9
2. Neuronske mreže
Neuronska mreža (eng. Neural Network) je skup neurona koji su međusobno povezani i
interaktivni kroz operacije obrade signala. Tradicijski se pojam neuronska mreža odnosi na
biološku neuronsku mrežu, no moderno značenje ovog pojma uključuje i umjetne neuronske
mreže.
Biološka neuronska mreža građena je od oko 1011 neurona, osnovnih živčanih stanica,
organiziranih u module (slojeve, eng. layers) i međusobno povezanih u složenu mrežu s
otprilike 1015 međusobnih veza. Ova neuronska mreža zbog tako gusto povezanih neurona
osigurava izuzetno veliku računsku i memorijsku moć ljudskog mozga, no iz istog razloga
još nema preciznih spoznaja o broju modula i načinu na koji su oni organizirani. Sve
čovjekove aktivnosti i njegovo ponašanje uvjetovani su procesima koji se zbivaju unutar
biološke neuronske mreže.
Umjetna neuronska mreža građena je od međusobno povezanih umjetnih neurona. Umjetne
neuronske mreže koriste se ili za razumijevanje bioloških neuronskih mreža ili za rješavanje
problema na području umjetne inteligencije. Umjetne neuronske mreže sa strukturnog se
stajališta, prema klasifikaciji koju su odredili Gupta i Rao (1994), dijele na statičke
(unaprijedne, eng. feedforward) i dinamičke (povratne, eng. feedback), ovisno o modelu
neurona od kojih su građene te o načinu prostiranja signala kroz mrežu. Kao zasebne
strukture navode se neizrazite neuronske mreže (eng. fuzzy neural networks) kako bi se
istaknuo smjer istraživanja koje se bavi integriranjem koncepata neizrazite logike i
neuronskih mreža, iako i one mogu biti statičke ili dinamičke. Kao nestandardne strukture
navedene su neuronske mreže kod kojih neuroni imaju histereznu karakteristiku te CMAC
(eng. Cerrebellar Model Articulation Controller) mreže koje aproksimaciju nelinearne
funkcije obavljaju na načelu kodiranja. Slika 2.1 prikazuje navedenu klasifikaciju.
10
Slika 2.1 Klasifikacija umjetnih neuronskih mreža
Neuroni se u neuronskoj mreži najčešće organiziraju u slojeve, pa postoje jednoslojne i
višeslojne neuronske mreže. Neuronske mreže dijele se i po načinu prostiranja sinaptičkih
veza, i to na: samo unaprijedno (statičke neuronske mreže), samo lateralno (aditivne,
Hopfieldove i shuntirajuće mreže), topološki određeno (LVQ mreže), unaprijedno/povratno
(BAM i ART mreže) ili mješovito (cellularne, time-delay i counterpropagation mreže)
prostiranje sinaptičkih veza (Petrović, Baotić i Perić 2011/2012).
Sve neuronske mreže imaju sljedeća zajednička svojstva:
11
paralelno raspodijeljena obradba informacija (eng. parallel distributed processing)-
neuronske mreže prihvaćaju više ulaza paralelno i dobivene informacije
obrađuju na raspodijeljen način (eng. distributed processing), tj. informacija
spremljena u neuronskoj mreži je raspodijeljena na više računskih jedinica
što povećava redundantnost, odnosno otpornost na kvar (neuronska mreža će
raditi i ako se uništi neki njezin dio).
učenje i adaptacija (eng. learning and adaptive abilities)- naučena neuronska mreža
ima svojstvo poopćavanja kada se na njezinom ulazu pojave podatci koji
nisu bili u uzorku na osnovi kojeg je mreža naučena, te je na taj način
sposobna obrađivati neprecizne i loše uščuvane podatke u nestrukturiranom
i neodređenom okruženju.
univerzalni aproksimator- neuronske mreže aproksimiraju proizvoljnu kontinuiranu
nelinearnu funkciju do željene točnosti, te je to njihovo najvažnije svojstvo
sa stajališta modeliranja, identifikacije i upravljanja nelinearnim procesima.
viševarijabilni sustavi- po svojoj strukturi neuronske mreže su viševarijabilni
sustavi što ih čini lako primjenjivima za modeliranje, identifikaciju i
upravljanje viševarijabilnim procesima.
sklopovska implementacija- više proizvođača razvilo je specijalizirane sklopove za
implementaciju neuronskih mreža koji omogućuju paralelnu raspodijeljenu
obradbu u stvarnom vremenu.
.
Većina neuronskih mreža zahtijeva učenje kako bi kasnije mogle aproksimirati izlazni
podatak na temelju ulaznog. Razvijen je velik broj algoritama učenja neuronskih mreža, no
po načinu učenja moguće ih je podijeliti na algoritme učenja temeljene na pogrešci (eng.
error-based learning algorithms), algoritme temeljene na izlazu mreže (eng. output-based
learning algorithms) i algoritme učenja s ojačanjem (eng. reinforcement learning
algorithms).
Algoritmi učenja temeljeni na pogrešci često se nazivaju i algoritmi s „učiteljem“ (eng.
supervised algorithms) te zahtijevaju vanjski referentni signal s kojim uspoređuju dobiveni
odziv neuronske mreže generirajući signal pogreške, te na temelju signala pogreške
algoritam učenja mijenja sinaptičke težinske koeficijente neuronske mreže s ciljem
poboljšanja njezina vladanja, odnosno smanjenja pogreške (Slika 2.2). Ovi algoritmi se
mogu primijeniti samo ako podatci na osnovi kojih se mreža uči sadrže parove vrijednosti
ulazno-izlaznih signala.
12
Slika 2.2. Shematski prikaz učenja neuronske mreže primjenom algoritama temeljenih na pogrešci
Algoritmi učenja temeljeni na izlazu mreže nazivaju se i algoritmi bez „učitelja“ (eng.
unsupervised algorithms) jer ne zahtijevaju vanjski referentni signal. Mreža uči na osnovi
podataka koji sadrže samo vrijednosti ulaznih signala u mrežu (Slika 2.3)
Slika 2.3. Shematski prikaz učenja neuronske mreže primjenom algoritama temeljenih na izlazu iz
mreže
Algoritmi učenja s ojačanjem zasnovani su na tzv. signalu ojačanja koji daje kvalitativnu
ocjenu vladanja neuronske mreže (Slika 2.4). Signal ojačanja predstavlja kritičku ocjenu
vladanja mreže u smislu „dobro/loše“.
13
Slika 2.4. Shematski prikaz učenja neuronske mreže primjenom algoritama s ojačanjem
Neuronske mreže računski su vrlo zahtijevne, izlaz svakog neurona je rezultat zbrajanja više
umnožaka i izračunavanja nelinearne aktivacijske funkcije, te je računska brzina neuronske
mreže određena brojem matematičkih operacija pojedinog neurona, a ne čitave mreže. Svaki
neuron u sloju može se promatrati kao lokalni procesor koji radi paralelno s ostalim
neuronima, te svaki neuron ima više sinaptičkih veza, a svakoj od njih pridružen je težinski
koeficijent koji mora biti spremljen u memoriju. Neuronske mreže, prema tome, zahtijevaju
veliki memorijski prostor, a povećanjem broja neurona u mreži memorijski zahtjevi rastu s
kvadratom broja neurona.
Iz nabrojanih karakteristika neuronskih mreža očituje se njihova kompleksnost i memorijska
zahtjevnost, te stoga implementacija nije jednostavna. U posljednje je vrijeme razvijeno više
programskih i sklopovskih implementacija neuronskih mreža koje više ili manje uspješno
koriste paralelnu strukturu neuronskih mreža. Programske implementacije neuronskih mreža
uglavnom su na postojećim računalskim sustavima koji nisu projektirani isključivo za
implementaciju neuronskih mreža, te je brzina njihova izvođenja znatno niža od brzine koja
se može postići kada se implementiraju u specijalizirano sklopovlje, a pravo iskorištenje svih
dobrih svojstava neuronskih mreža može se očekivati tek kada bude dostupno kvalitetno
sklopovlje specijalizirano za implementaciju neuronskih mreža. Trenutno je u tijeku razvoj
specijaliziranih elektroničkih i optičkih, odnosno optoelektroničkih implementacija.
Elektroničke implementacije neuronskih mreža zasnivaju se na sabirnički orijentiranim
procesorima, koprocesorima, CCD-ovima (eng. Charge Coupled Device Technology) i
14
VLSI (eng. Very Large Scale Integrated) sklopovima, a optičke/optoelektroničke
implementacije na optičkim ili mješovito optičkim i elektroničkim komponentama. Velik
broj veza potrebnih za međusobno povezivanje neurona zauzima velik prostor i predstavlja
značajno ograničenje elektroničke tehnologije implementacije neuronskih mreža, no tu
dolazi do izražaja prednost optičke tehnologije kod koje su neuroni povezani svjetlovodima
koji mogu prolaziti jedan kroz drugi, pa je isti broj veza moguće ostvariti u značajno manjem
prostoru.
2.1. Statička unaprijedna neuronska mreža
Za potrebe estimacije modela efektivne brzine vjetra u vjetrotunelu korištena je statička
unaprijedna (eng. feedforward) neuronska mreža (Slika 2.5). U unaprijednoj neuronskoj
mreži informacija se kreće samo u jednom smjeru, unaprijed, počevši od ulaznih čvorova,
prolazeći kroz skrivene čvorove (ukoliko postoje), dolazeći do izlaznih čvorova. Statička
unaprijedna neuronska mreža ne sadrži cikluse ni petlje.
Slika 2.5 Statička unaprijedna neuronska mreža
15
3. Eksperimentalni postav
Eksperimentalni postupak proveden je u Laboratoriju za sustave obnovljivih izvora energije
(eng. Laboratory for Renewable Energy Sources, LARES) na Fakultetu elektrotehnike i
računarstva Sveučilišta u Zagrebu. Najprije je bilo potrebno upoznati se s mjernim
uređajima, potom ostvariti programsko upravljanje referencom brzine ventilatora u
granicama koje korisnik sam određuje i ostvariti spremanje podataka direktno na računalo
kako bi isti kasnije mogli biti obrađivani. Slika 3.1 prikazuje tlocrt 13. kata C zgrade,
odnosno vjetrotunel u kojem se nalaze anemometri te senzor temperature i vlažnosti zraka
koji se nalazi na sjevernom zidu.
Slika 3.1 Eksperimentalni postav
3.1. Vjetrotunel
Pri izvođenju eksperimentalnog postupka korišten je vjetroagregat smješten u zračnom
tunelu (Slika 3.2) koji je projektiran kao umanjena verzija vjetroagregata iz megavatne klase,
s namjerom da se zadrže sva bitna svojstva megavatnog vjetroagregata, kao što su:
aerodinamička karakteristika vjetroagregata, napadni kutevi lopatica, omjer obodne brzine
rotora i brzine vjetra. Nazivne vrijednosti skaliranog laboratorijskog vjetroagregata su dane
u Tablici 3.1.
16
Slika 3.2. Zračni tunel
Vjetroagregat ima 3 lopatice izrađene od lijevanog aluminija i duljine 1.2 m za čiju izradu
su korišteni NACA (eng. National Advisory Committee for Aeronautics) aeroprofili koji
predstavljaju standard u aeronautici i čiji odabir je vrlo bitan, jer oni definiraju geometriju
Tablica 3.1 Nazivne vrijednosti vjetroagregata
Nazivna snaga 180 [W]
Brzina vrtnje 240 [o/min]
Moment generatora 7.16 [Nm]
Nazivna brzina
vjetra
5.2 [m/s]
17
lopatica, a samim time i aerodinamičko vladanje vjetroagregata. Lopatice je moguće
zakretati oko njihovih uzdužnih osi pomoću istosmjernih servo motora. Zakretanje lopatica
i upravljanje elektromehaničkim momentom generatora (mijenjanje momenta moguće je
preko frekvencijskog pretvarača) predstavljaju standardno rješenje upravljanja kod
modernih vjetroagregata iz megavatne klase. Nazivne vrijednosti generatora prikazane su u
Tablici 3.2.
U zračnom tunelu nalazi se i ventilator (Slika 3.3, segment [1]) pomoću kojeg je moguće
generirati vjetar koji pokreće vjetroagregat. Brzinu vrtnje ventilatora moguće je mijenjati
preko frekvencijskog pretvarača, čime se mijenja i brzina vjetra u tunelu, što je vrlo bitno za
kontroliranje vjetroprilika prilikom eksperimenta. Parametri motora ventilatora dani su u
Tablici 3.3.
Tablica 3.2 Nazivne vrijednosti generatora
Nazivna snaga 3.77 [kW]
Nazivna struja 8.00 [A]
Nazivni moment 12.00 [Nm]
Broj pari polova 4
Tablica 3.3 Nazivne vrijednosti motora ventilatora
Nazivna snaga 11.0 [kW]
Nazivna struja 25.5 [A]
Nazivni moment 143.9 [Nm]
Broj pari polova 4
18
Slika 3.3 Skica zračnog tunela s označenim sjeverom (N) i segmentima
3.2. Mjerni uređaji
Za potrebe eksperimentalnog postupka korištena su mjerenja temperature i vlažnosti zraka,
brzine vjetra unutar tunela, zakreta lopatica, brzine vrtnje vjetroagregata i ventilatora te
brzine vjetra izvan vjetrotunela. Na slici (Slika 3.4) je prikazana shema spoja računala s
eksperimentalnim postavom sastavljenim od laboratorijskog vjetroagregata i ventilatora.
Slika 3.4. Shema spoja računala s eksperimentalnim postavom
19
Na osobnom računalu u laboratoriju instaliran je programski alat LabVIEW tvrtke National
Instruments pomoću kojeg je omogućeno upravljanje vjetroagregatom i prikupljanje podataka.
Računalo je preko PCIE (eng. Peripheral Component Interconnect Express) utora na matičnoj ploči
spojeno s proizvodom National Instrumets-a, PXI-1033 kućištem (Slika 3.5) koje može prihvatiti do
pet ulazno/izlaznih modula svaki s više analognih i digitalnih kanala te se na taj način odvija
komunikacija između računala i izlazno/ulaznih modula. Odnosno, preko PXI-1033se upravlja
ventilatorom, generatorom vjetroagregata i zakretanjem lopatica.
Slika 3.5. PXI-1033
Slika 3.6. cRIO 9014
Budući da se lopatice nalaze na rotirajućem dijelu vjetroagregata, mjerenje kuta zakreta i
prijenos tog podatka predstavlja poteškoću, pa se u tu svrhu koristi cRIO 9014 (eng.
Compact Reconfigurable Input/Output, Slika 3.6), također uređaj tvrtke National
Instruments, montiran u rotoru vjetroagregata. Za bežično povezivanje cRIO uređaja s
računalom koristi se S.E.A. WLAN modul.
Za mjerenje vlažnosti i temperature izvan tunela korišten je senzor 'Kimo instruments-
TH200' (Slika 3.7) instaliran na sjevernom zidu 13. kata C zgrade koji je signalnim kabelom
spojen na analogni ulaz PXI jedinice. Senzor ima display preko kojeg je moguće u bilo kojem
trenutku direktno očitati temperaturu i vlažnost, no u svrhu eksperimentalnog postupka
senzor je korišten samo za vrijeme rada vjetroagregata i ventilatora, i to na način da je
20
pomoću LabVIEW-a realizirano automatsko spremanje mjerenja u zajednički tekstualni
dokument.
Slika 3.7. Kimo instruments-TH200
Za mjerenje brzine vjetra u vjetrotunelu korišteno je 14 anemometara koji se nalaze ispred
vjetrogregata. Slika 3.8 prikazuje raspored anemometara u vjetrotunelu, 6 manjih (M1-M6)
i 8 većih (S1-S8).
Slika 3.8 Raspored anemometara u vjetrotunelu
21
Anemometri koriste način rada s konstantnom strujom (eng. constant current anemometer)
što znači da se kroz žicu anemometra propušta struja konstantnog iznosa te se žica zbog te
struje zagrije na određenu temperaturu. Strujanjem vjetra toplina se odvodi sa žice i žica se
hladi, te se na taj način određuje brzina vjetra. Ovi anemometri imaju veliku osjetljivost pri
malim brzinama, te je maksimalna brzina strujanja koju mogu izmjeriti oko 15 m/s, s
točnošću od ±1%.
3.3. Prikupljanje mjernih podataka
Kako bi bilo moguće provesti estimaciju modela efektivne brzine vjetra u vjetrotunelu i
analizu statičke karakteristike mehaničke snage vjetroagregata pri raznim brzinama vjetra,
brzinama vrtnje i kutovima zakreta lopatica, bilo je potrebno najprije prikupiti podatke.
Podatci su prikupljeni za statičku karakteristiku vjetroagregata i njenu okolinu, te za dva
zakreta lopatica, 0˚ i 5˚.
3.3.1. LabVIEW
Za potrebe eksperimentalnog postupka korišteno je razvojno okruženje za grafičko
programiranje virtualnih instrumenata LabVIEW (eng. Laboratory Virtual Instrument
Engineering Workbench).
LabVIEW program sastoji se od potprograma (datoteke s ekstenzijom VI) koji se nazivaju
virtualni instrumenti (eng. virtual instruments). Svaki potprogram čine tri komponente:
blokovski dijagram (eng. block diagram), prednji panel (eng. front panel) i priključni panel
(eng. connector panel). Korisnik komunicira s programom putem prednjeg panela koji se
sastoji od kontrola (ulaz podataka) i indikatora (izlaz podataka). Blokovski dijagram sadrži
grafički izvorni kȏd programa koji se sastoji od struktura i funkcija pomoću kojih se
obrađuju podatci koji se nalaze na kontrolama, te se rezultat prosljeđuje indikatorima.
Kontrole, indikatori, strukture i funkcije zajedno se nazivaju čvorovima, a čvorovi su
međusobno povezani žicama.
U svrhu eksperimentalnog postupka postojeći LabVIEW program (Slika 3.9) na procesnom
računalu Laboratorija za sustave obnovljivih izvora energije proširen je automatskim
generatorom reference ventilatoru. Na taj način se olakšao postupak dugotrajnog
prikupljanja podataka pri različitim radnim uvjetima vjetroagregata.
22
Slika 3.9. Primjer dijela LabVIEW programa
Algoritam za slučajno zadavanje reference ventilatoru (Slika 3.10) ostvaren je s
frekvencijom 0.05 Hz, odnosno referenca se mijenja svakih 20 sekundi, što je dovoljno dug
period da se postigne približno stacionarno stanje vjetroagregata između dvije promjene
reference, a dovoljno kratak da se eksperimentom pokrije čim više različitih radnih točaka
vjetroagregata određenih zakretom lopatica,brzinom vrtnje i brzinom vjetra.
23
Slika 3.10. Algoritam za slučajno zadavanje reference ventilatoru
Slika 3.10 prikazuje stanje u kojem se referenca mijenja za ±20% u jednom koraku u
granicama 45-85% nazivne reference ventilatoru, no te granice korisnik može mijenjati
ovisno o radnom području kojeg se želi pokriti. Promjena parametara generatora reference
se obavlja na jednostavan način korištenjem grafičkog sučenja (Slika 3.11, 'gornji limit',
'donji limit') koje služi za cjelokupno upravljanje vjetrogregatom i mjernim uređajima.
24
Slika 3.11. Grafičko sučelje
3.3.2. Pokretanje procesa prikupljanja podataka
LabVIEW program pokreće se klikom na strelicu u lijevom gornjem kutu grafičkog sučelja,
te se nakon toga redom klikne na 'on/off turbina' i 'on/off ventilator'. Kada je sve uključeno,
moguće je ručno zadati brzinu ventilatora ili odabrati automatsko zadavanje čime počinje
izvršavanje algoritma za automatsko zadavanje reference ventilatoru, te je moguće odabrati
vlastite granične vrijednosti reference (na slici 'gornji limit' i 'donji limit'). Na sučelju je
moguće i grafički pratiti promjene mjerenih veličina (Slika 3.11, npr. prikaz brzine vjetra u
lijevom donjem kutu). Klikom na gumb 'Snimanje' kreira se tekstualna datoteka (Slika 3.12)
u koju se spremaju svi podatci (vrijeme, brzina ventilatora, brzina vrtnje vjetroagregata,
moment generatora, temperatura i vlažnost zraka izvan tunela, mjerenja svih 14
25
anemometara u tunelu) s frekvencijom snimanja 50 Hz, odnosno 20 ms. Prikupljena su
mjerenja pri različitim iznosima referenci ventilatoru te pri kutu zakreta lopatica od 0˚ i 5˚.
Slika 3.12.Primjer tekstualne datoteke
26
4. Eksperimentalno određivanje aerodinamičkih
statičkih karakteristika vjetroagregata u
vjetrotunelu
Podatci dobiveni eksperimentalnim postupkom najprije su pomoću programskog paketa
Matlab učitani i obrađeni kako bi bili pogodni za daljnje korištenje, tj. učenje neuronske
mreže.
4.1. Matlab
Matlab je programski jezik visoke razine i interaktivna okolina za složene numeričke
proračune, te za vizualizaciju i programiranje, o čemu svjedoči i naziv od kojeg je kratica
nastala – MATrix LABoratory. On je proizvod tvrtke Mathworks i u cijelosti je pisan u
programskom jeziku C. Prvo su ga usvojili istraživači i praktičari u kontrolnom inženjeringu,
ali se danas koristi u raznim domenama, pa tako i u obrazovanju, zato što jezik, alati i
matematičke funkcije Matlab-a omogućuju brži rad nego s tablicama ili tradicionalnim
programskim jezicima. Matlab se može koristiti za niz aplikacija, uključujući obradbu
signala i komunikacija, obradbu sustava kontrole, ispitivanja i mjerenja, računalnih financija
i računalne biologije. Postoje mnogobrojni dodatni paketi (toolbox), tj. skupine m-datoteka
za razna specijalna područja, pa je tako za ovaj rad korišten toolbox za neuronske mreže, što
je od iznimne važnosti za dobivanje krajnjeg rezultata eksperimentalnog postupka.
U Matlabu je napisana skripta (Slika 4.1) koja služi za obradbu dobivenih podataka. Pomoću
skripte najprije se učitavaju svi podatci, te se potom uzorkuju s vremenom uzorkovanja
Ts=100 ms. Nakon toga se za dobiveni skup podataka izračunava srednja vrijednost mjerenja
anemometara za svaki vremenski uzorak. Kako bi se estimirale statičke karakteristike, iz
srednjih vrijednosti anemometara se uklanjaju prijelazne pojave koje traju od trenutka
promjene brzine ventilatora do trenutka kada brzina vjetra na anemometrima postigne
stacionarnu vrijednost.
27
Slika 4.1. Skripta za obradbu podataka
Nakon što su podatci tako obrađeni, spremni su za učenje neuronske mreže.
4.2. Estimacija modela efektivne brzine vjetra u
vjetrotunelu
Za estimaciju modela efektivne brzine vjetra u vjetrotunelu korištena je statička unaprijedna
neuronska mreža s jednim skrivenim slojem i 10 neurona (Slika 4.2), jer je bilo u interesu
doći do statičkih podataka, a pokazala je bolje rezultate od drugih statičkih neuronskih
mreža.
Slika 4.2. Shema unaprijedne neuronske mreže
28
Obrađena su tri različita slučaja te kreirane tri neuronske mreže s različitim podatcima za
učenje mreže.
Prvoj mreži su kao podatci za učenje dani brzina ventilatora i srednje vrijednosti
anemometara kao odziv na brzinu ventilatora. Slika 4.3 prikazuje odziv mreže. Mreža je sa
srednjom vrijednošću pogreške predikcije od 0.1190 i varijancom 0.0228. pokazala vrlo
dobra svojstva.
Slika 4.3 Odziv prve neuronske mreže
Slika 4.4 prikazuje rezultat simulacije neuronske mreže za različite vrijednosti reference
ventilatoru.
29
Slika 4.4 Efektivna brzina vjetra u ovisnosti o brzini ventilatora
Drugoj mreži su podatci za učenje brzina ventilatora, brzina vrtnje vjetroagregata, kut zakreta
lopatica, te srednje vrijednosti anemometara. Slika 4.5 prikazuje odziv mreže. Srednja vrijednost
pogreške iznosi 0.1160, a varijanca 0.0217. Uočava se da ova neuronska mreža s više ulaznih
parametara u odnosu na prvu mrežu pokazuje bolja svojstva, pogreška i varijanca su nešto manje.
Slika 4.5 Odziv druge neuronske mreže
30
Trećoj mreži su osim brzine vrtnje ventilatora, brzine vrtnje vjetroagregata, kuta zakreta
lopatica i srednjih vrijednosti anemometara dani i meteorološki uvjeti, odnosno temperatura
i vlažnost zraka. Podatci o brzini vjetra na krovu nisu korišteni, jer u vrijeme prikupljanja
podataka nije puhao ili je puhao vjetar zanemarive brzine i promjenjiva smjera. Odziv mreže
prikazuje Slika 4.6. U ovom slučaju srednja greška iznosi 0.1159, a varijanca 0.0216.
Primjećuje se da je mreža sposobna nešto precizinije predvidjeti brzinu vjetra nego u
prethodna dva slučaja.
Slika 4.6 Odziv treće neuronske mreže
Usporedbom ove tri neuronske mreže zapaža se da s brojem ulaznih parametara opada
pogreška predikcije, odnosno mreža je sposobna preciznije predvidjeti brzinu vjetra u
vjetrotunelu. No, razlika između srednje vrijednosti pogreške aproksimacije prve neuronske
mreže s brzinom ventilatora kao parametrom i zadnje neuronske mreže s brzinom
ventilatora, brzinom vrtnje vjetroagregata, kutom zakreta lopatica te temperaturom i
vlažnošću zraka kao parametrima je 0.0031, što je relativno mala razlika. Prema tome, brzina
vrtnje vjetroagregata, kut zakreta lopatica, temperatura i vlažnost zraka nemaju značajniji
31
utjecaj na brzinu vjetra u vjetrotunelu za pokriveno radno područje u okolini statičke
karakteristike.
4.3. Eksperimentalno određivanje koeficijenta snage
vjetroagregata
Za izračun koeficijenta snage Cp korištena je teorija aktuatorskog diska, odnosno rotor
vjetroturbine promatran je kao homogeni disk koji je umetnut u struju zraka konstantne
brzine. Prisutnost aktuatorskog diska u struji zraka remeti njegovo strujanje, jer se zrak
nailaskom na disk usporava uz povećanje tlaka zraka. Strujanje se nakon diska nastavlja, no
dio kinetičke energije iz struje zraka preuzeo je disk. Ta kinetička energija se na disku
pojavljuje kao potencijalna energija u vidu skokovitog povećanja tlaka zraka na disk. Brzina
strujanja zraka je manja iza diska, no budući da se brzina strujanja ne može trenutno smanjiti,
nailaskom na disk brzina se počinje postupno smanjivati prije diska, te se smanjenje
nastavlja i iza diska. Na taj način nastaje volumen zraka koji je pod utjecajem aktuatorskog
diska i koji se može promatrati kao cijev kroz koju zrak struji (Jelavić 2009). Slika 4.7
prikazuje opisanu pojavu.
Slika 4.7 Vjetroturbina u struji zraka promatrana kao aktuatorski disk
32
Valja napomenuti kako je laboratorijski vjetroagregat smješten u vjetrotunel dok teorija
aktuatorskog diska podrazumijeva vjetroagregat u slobodnom prostoru oko kojega se
formira zamišljena strujna cijev, kao što je to prikazano na Slici 4.7. Navedeno će imati za
posljedicu da aerodinamička karakteristika vjetroagregata u vjetrotunelu odstupa od
karakteristike koju je moguće odrediti analiziranjem profila lopatica. Proračun koeficijenta
snage, za konfiguraciju vjetroagregata u vjetrotunelu, polazi od jednadžbe za promjenu
snage na presjeku rotora:
𝑃𝐷 = (𝑝𝐷+ − 𝑝𝐷−)𝐴𝐷𝑣𝐷, 5.1
koja mora biti jednaka preuzetoj mehaničkoj snagi vjetroagregata. Iz prethodne jednadžbe i
pretpostavki teorije aktuatorskog diska proračunava se teoretski iznos efektivne brzine vjetra
daleko ispred vjetroagregata pomoću koje je moguće odrediti koeficijent snage 𝐶𝑃. Opis
proračuna slijedi u nastavku.
Volumni protok zraka kroz zamišljenu cijev je konstantan i iznosi:
𝑄 = 𝑣1𝐴1 = 𝑣𝐷𝐴𝐷 = 𝑣3𝐴3 = 𝑘𝑜𝑛𝑠𝑡. (5.1)
Brzina strujanja na disku određuje se kao:
𝑣𝐷 = (1 − 𝑎)𝑣𝑣𝑗,0 , (5.2)
gdje je 𝑎 koeficijent nastrujavanja koji se koristi za opis smanjenja brzine strujanja koje
unosi aktuatorski disk, a 𝑣𝑣𝑗,0 je brzina strujanja, odnosno brzina vjetra daleko ispred
aktuatorskog diska gdje se ne osjeća njegov utjecaj.
𝑣𝐷 je izračunat pomoću:
𝑣𝐷 = 𝑣𝐴
𝐴𝐴
𝐴𝐷 , (5.3)
33
gdje je 𝑣𝐴 brzina vjetra izmjerena anemometrima, 𝐴𝐴 presjek vjetrotunela na mjestu
anemometara, 𝐴𝐷 presjek na mjestu turbine.
Snaga turbine se računa:
𝑃𝐷 = 𝑀𝑡𝜔 = 2𝜌𝑧𝐴𝐷𝑣𝑣𝑗,03 𝑎(1 − 𝑎)2 , (5.4)
gdje je Mt=Mg moment generatora, ω brzina vrtnje vjetroagregata, ρz gustoća zraka koja
iznosi 1.225 kg/m3.
Iz (5.2), (5.3) i (5.4) je izračunat 𝑣𝑣𝑗,0 te je izračunata snaga vjetra:
𝑃𝑣𝑗 =1
2𝜌𝑧𝐴𝐷𝑣𝑣𝑗,0
3 (5.5)
Koeficijent snage vjetroagregata se računa:
𝐶𝑃 =𝑃𝐷
𝑃𝑣𝑗 (5.6)
Slika 4.8 prikazuje izračunate vrijednosti koeficijenta snage vjetroagregata 𝐶𝑃 u ovisnosti o
faktoru 𝜆 za sva prikupljena mjerenja. Plavi križići prikazuju iznose koeficijenta snage za
mjerenja u kojima je zakret lopatica β=0˚, a crveni iznose koeficijnta snage za β=5˚.
34
Slika 4.8 Koeficijent snage 𝐶𝑃 u ovisnosti o faktoru 𝜆
Povećanjem zakreta smanjuje se 𝐶𝑃 . Na Slici 4.8 vidljivo je značajno rasipanje estimata 𝐶𝑃-
a, te bi trebalo produljiti interval konstante brzine ventilatora kako bi bili dobiveni
vjerodostojniji koeficijenti snage. Uzorci 𝐶𝑃-a na većom radnom području omogućili bi bolji
uvid o ovisnosti statičke karakteristike o λ, te bi iz tog razloga trebalo proširiti radno područje
i za veće iznose λ.
35
Zaključak
Rezultati provedenog eksperimentalnog postupka pokazuju kako najveći utjecaj na brzinu
vjetra u vjetrotunelu ima brzina vrtnje ventilatora, odnosno brzina vrtnje vjetroagregata, kut
zakreta lopatica te temperatura i vlažnost zraka nemaju značajniji utjecaj na brzinu vjetra.
To je vidljivo iz odziva neuronskih mreža u ovisnosti o raznim parametrima prikazanim u
četvrtom poglavlju. Dovoljno je neuronskoj mreži dati brzinu ventilatora i ona sa srednjom
pogreškom od 0.1190 predviđa brzinu vjetra u vjetrotunelu. Srednja pogreška neuronske
mreže kojoj su osim brzine vrtnje ventilatora dani i brzina vrtnje vjetroagregata, kut zakreta
lopatica i meteorološki uvjeti, odnosno temperatura i vlažnost zraka iznosi 0.1159, što ne
čini značajnu razliku u odnosu na mrežu kojoj je dana samo brzina vrtnje ventilatora.
Eksperimentalnim određivanjem koeficijenta snage vjetroagregata ustanovljeno je da se
koeficijent snage smanjuje povećanjem zakreta lopatica, te da bi zbog rasipanja estimata bilo
potrebno produljiti interval konstante brzine ventilatora, te proširiti radno područje za veće
iznose λ kako bi bio dobiven bolji uvid o ovisnosti statičke karakteristike o λ.
36
Literatura
[1] Jelavić, M., Upravljanje vjetroagregatom s ciljem smanjenja dinamičkih opterećenja
konstrukcije, doktorska disertacija, FER, Zagreb, 2009.
[2] Bobanac, V., Sustav upravljanja vjetroagregatom, seminarski rad, FER, Zagreb,
2009.
[3] Petrović, I., Baotić, M., Perić, N., Inteligentni sustavi upravljanja: Neuronske mreže,
evolucijski i genetički algoritmi, skripta, FER, Zagreb, ak.god. 2011/2012
[4] Petrović, V., Hure, N., Baotić, M., Primjena LabVIEW programskog alata za razvoj
HIL strukture upravljanja brzinom vrtnje vjetroagregata,
http://act.rasip.fer.hr/old/papers/MIPRO10_Petrovic.pdf, 15.12.2013.
[5] Hure,N, Modelsko prediktivno upravljanje vjetroagregatom u megavatnoj klasi,
diplomski rad, FER, Zagreb, 2011.
[6] Pasarić, Z., Kratki uvod u Matlab, Geofizički zavod, Zagreb, 2004.
37
Sažetak
Eksperimentalno određivanje aerodinamičkih statičkih
karakteristika Laboratorijskog vjetroagregata u
vjetrotunelu
Cilj eksperimentalnog postupka provedenog u Laboratoriju za sustave obnovljivih izvora
energije na Fakultetu elektrotehnike i računarstva Sveučilišta u Zagrebu bio je odrediti
koeficijent snage laboratorijskog vjetroagregata u vjetrotunelu pri raznim brzinama vjetra,
brzinama vrtnje i kutovima zakreta lopatica. Najprije je bilo potrebno prikupiti podatke za
identifikaciju koji će kasnije biti obrađeni. U okviru snimanja podataka sustavno je
provođeno mjerenje brzine vrtnje ventilatora i vjetroagregata, brzine vjetra u vjetrotunelu te
vanjskih meteoroloških prilika (brzina i smjer vjetra, vlažnost i temperatura zraka).
Korištenjem neuronske mreže na temelju izmjerenih podataka određena je statička ovisnost
mjerene brzine vjetra u vjetrotunelu o brzinama vrtnje ventilatora i vjetroagregata, kutu
zakreta lopatica i vanjskim meteorološkim uvjetima. Utvrđeno je da brzina vjetra u
vjetrotunelu prvenstveno ovisi o brzini vrtnje ventilatora, dok su meteorološki uvjeti i kut
zakreta lopatica gotovo zanemarivi. Na kraju je izračunat koeficijent snage vjetroagregata
𝐶𝑃 za slučaj kada je zakret lopatica 0˚, te kada je 5˚.
Ključne riječi: vjetrotunel, vjetroagregat, neuronska mreža, koeficijent snage
38
Summary
Experimental determination of static aerodynamic
characteristics of wind turbine in a wind tunnel
The aim of the experiment conducted at the Laboratory for Renewable Energy Sources at
the Faculty of Electrical Engineering and Computing, University of Zagreb was to determine
power coefficient of the laboratory variable-speed variable-pitch wind turbine in a wind
tunnel with respect to the various wind speeds and angles of the blades. First, it was
necessary to collect the identification data that will be processed afterwards. Within the
process of systematic data recording were speed of fan, rotational speed of wind turbine,
wind speed in the wind tunnel as well as the external meteorological conditions (speed and
direction of the wind, humidity and air temperature) repeatedly measured. Based on gathered
data, the static dependence of the wind speed in wind tunnel on the speed of fan and the wind
turbine rotor, pitch angle and the external weather conditions were determined, by using
neural network. It was found that the wind speed in wind tunnel primarily depends on the
speed of rotational speed of the fan, while influence of the meteorological conditions and
pitch angle is almost negligible. Ultimately, wind turbine power coefficient was calculated
for the blade pitch angles of 0˚ and 5˚.
Keywords: wind tunnel, wind turbine, neural network, power coefficient
39
Skraćenice
LARES Laboratory for Renewable Energy Sources Laboratorij za sustave obnovljivih
izvora energije
LabView Laboratory Virtual Instrument Engineering Workbench