41
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.

EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

  • Upload
    others

  • View
    6

  • Download
    0

Embed Size (px)

Citation preview

Page 1: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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.

Page 2: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

1

Page 3: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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

Page 4: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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.

Page 5: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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.

Page 6: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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 :

Page 7: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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).

Page 8: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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:

Page 9: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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.

Page 10: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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.

Page 11: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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.

Page 12: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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:

Page 13: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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.

Page 14: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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“.

Page 15: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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

Page 16: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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

Page 17: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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.

Page 18: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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]

Page 19: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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

Page 20: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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

Page 21: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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

Page 22: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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

Page 23: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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.

Page 24: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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.

Page 25: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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.

Page 26: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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

Page 27: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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

Page 28: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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.

Page 29: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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

Page 30: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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.

Page 31: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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

Page 32: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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

Page 33: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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

Page 34: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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)

Page 35: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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˚.

Page 36: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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.

Page 37: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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.

Page 38: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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.

Page 39: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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

Page 40: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

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

Page 41: EKSPERIMENTALNO ODREĐIVANJE …...instrumenti te postupak prikupljanja mjernih podataka. U četvrtom poglavlju je prikazano eksperimentalno određivanje aerodinamičkih statičkih

39

Skraćenice

LARES Laboratory for Renewable Energy Sources Laboratorij za sustave obnovljivih

izvora energije

LabView Laboratory Virtual Instrument Engineering Workbench