La mayoría de los parques eólicos están formados por decenas o incluso cientos de turbinas, y los flujos de viento entre ellas pueden afectarse mutuamente.
Pero ingenieros del MIT afirman que los parques eólicos podrían aumentar su producción dejando de optimizar el control de turbinas individuales y modelando, en cambio, los flujos de todo el conjunto.
El nuevo sistema podría adoptarse de forma rápida y sencilla.
Si lo adoptaran todos los parques eólicos del mundo, añadiría más de 31 teravatios-hora de producción eléctrica al año, equivalente a instalar 3.600 turbinas eólicas adicionales sin costo alguno.
Prácticamente todas las turbinas eólicas, que producen más del 5 % de la electricidad mundial, se controlan como si fueran unidades individuales e independientes. En realidad, la gran mayoría forma parte de instalaciones de parques eólicos más grandes, con decenas o incluso cientos de turbinas, cuyas estelas pueden afectarse mutuamente.
Ahora, ingenieros del MIT y de otros lugares han descubierto que, sin necesidad de nuevas inversiones en equipos, se puede aumentar la producción de energía de estas instalaciones de parques eólicos modelando el flujo del viento en el conjunto de turbinas y optimizando en consecuencia el control de cada unidad.
El aumento de la producción de energía de una instalación determinada puede parecer modesto: alrededor del 1,2 % en general y del 3 % con velocidades de viento óptimas. Pero el algoritmo puede implementarse en cualquier parque eólico, y el número de parques eólicos crece rápidamente para cumplir objetivos climáticos más ambiciosos. Si ese aumento energético del 1,2 % se aplicara a todos los parques eólicos existentes en el mundo, equivaldría a añadir más de 3.600 turbinas eólicas nuevas, o suficiente para abastecer a unos 3 millones de hogares, y supondría una ganancia total de casi mil millones de dólares al año para los productores de energía, afirman los investigadores. Y todo ello prácticamente sin costo alguno.
La investigación fue publicada hoy en la revista Nature Energy, en un estudio dirigido por Michael F. Howland, profesor adjunto de Ingeniería Civil y Ambiental Esther y Harold E. Edgerton del MIT.
«Prácticamente todas las turbinas existentes a escala de servicios públicos se controlan de forma “codiciosa” e independiente», afirma Howland. Según explica, el término «codiciosa» se refiere a que se controlan para maximizar únicamente su propia producción de energía, como si fueran unidades aisladas sin ningún impacto perjudicial en las turbinas vecinas.
Pero, en el mundo real, las turbinas se colocan deliberadamente muy cerca unas de otras en los parques eólicos para obtener beneficios económicos relacionados con el uso del suelo (en tierra o en alta mar) y con la infraestructura, como las vías de acceso y las líneas de transmisión. Esta proximidad hace que las turbinas a menudo se vean muy afectadas por las estelas turbulentas que producen las que están a barlovento, un factor que los sistemas de control de turbinas individuales no tienen en cuenta actualmente.
«Desde el punto de vista de la física de flujos, colocar turbinas eólicas muy cerca unas de otras en los parques eólicos suele ser lo peor que se puede hacer», afirma Howland. «La forma ideal de maximizar la producción total de energía sería separarlas lo más posible», pero eso aumentaría los costos asociados.
Ahí es donde entra en juego el trabajo de Howland y sus colaboradores. Desarrollaron un nuevo modelo de flujo que predice la producción de energía de cada turbina del parque en función de los vientos incidentes en la atmósfera y de la estrategia de control de cada turbina. Aunque se basa en la física de flujos, el modelo aprende de los datos operativos del parque eólico para reducir el error y la incertidumbre de las predicciones. Sin modificar la ubicación física de las turbinas ni los sistemas de hardware de los parques eólicos existentes, utilizaron el modelado del flujo dentro del parque —basado en la física y asistido por datos— y de la producción de energía resultante de cada turbina bajo distintas condiciones de viento para encontrar la orientación óptima de cada turbina en cada momento. Esto les permite maximizar la producción de todo el parque, no solo la de las turbinas individuales.
Hoy, cada turbina detecta constantemente la dirección y la velocidad del viento entrante y utiliza su software de control interno para ajustar el ángulo de orientación de su eje vertical, de modo que quede lo más alineada posible con el viento. Sin embargo, con el nuevo sistema, el equipo ha descubierto, por ejemplo, que al girar una turbina apenas un poco fuera de la posición de máxima producción —quizá 20 grados respecto del ángulo de máxima producción individual—, el aumento resultante de la producción de energía de una o más unidades situadas a sotavento compensa con creces la leve reducción de producción de la primera unidad. Mediante un sistema de control centralizado que tiene en cuenta todas estas interacciones, el conjunto de turbinas funcionó con niveles de producción de energía hasta un 32 % mayores en determinadas condiciones.
En un experimento de varios meses en un parque eólico real a escala de servicios públicos en India, primero se validó el modelo predictivo probando una amplia variedad de estrategias de orientación del eje, la mayoría de las cuales eran deliberadamente subóptimas. Al probar muchas estrategias de control, incluidas las subóptimas, tanto en el parque real como en el modelo, los investigadores pudieron identificar la estrategia verdaderamente óptima. Es importante destacar que el modelo pudo predecir la producción energética del parque y la estrategia de control óptima para la mayoría de las condiciones de viento probadas, lo que dio confianza en que sus predicciones reflejarían la verdadera estrategia operativa óptima para el parque. Esto permite utilizar el modelo para diseñar estrategias de control óptimas para nuevas condiciones de viento y nuevos parques eólicos sin tener que realizar nuevos cálculos desde cero.
Después, un segundo experimento de varios meses en el mismo parque, en el que solo se aplicaron las predicciones de control óptimo del modelo, demostró que los efectos del algoritmo en el mundo real podían igualar las mejoras energéticas generales observadas en las simulaciones. Como promedio de todo el período de prueba, el sistema logró un aumento del 1,2 % en la producción de energía a todas las velocidades del viento y del 3 % a velocidades de entre 6 y 8 metros por segundo (aproximadamente entre 13 y 18 millas por hora).
Aunque la prueba se realizó en un solo parque eólico, los investigadores afirman que el modelo y la estrategia de control cooperativo pueden implementarse en cualquier parque eólico existente o futuro. Howland estima que, si se aplicara a la flota mundial existente de turbinas eólicas, una mejora energética general del 1,2 % produciría más de 31 teravatios-hora adicionales de electricidad al año, aproximadamente lo equivalente a instalar 3.600 turbinas eólicas más sin costo alguno. Esto se traduciría en unos 950 millones de dólares de ingresos adicionales al año para los operadores de parques eólicos, afirma.
La cantidad de energía que se puede ganar variará mucho de un parque eólico a otro, en función de diversos factores, como el espacio entre las unidades, la geometría de su disposición y las variaciones de los patrones de viento en ese lugar a lo largo del año. Sin embargo, en todos los casos, el modelo desarrollado por este equipo puede ofrecer una predicción clara de las ganancias potenciales exactas para un sitio determinado, afirma Howland. «La estrategia de control óptima y la ganancia potencial de energía serán distintas en cada parque eólico, lo que nos motivó a desarrollar un modelo predictivo de parques eólicos que pueda utilizarse ampliamente para optimizar toda la flota de energía eólica», añade.
Sin embargo, afirma, el nuevo sistema podría adoptarse de forma rápida y sencilla. «No necesitamos instalar ningún hardware adicional. En realidad, solo estamos haciendo un cambio de software, y eso conlleva un aumento potencial significativo de la energía». Como señala, incluso una mejora del 1 % significa que, en un parque eólico típico de unas 100 unidades, los operadores podrían obtener la misma producción con una turbina menos y así ahorrar los costos, normalmente de millones de dólares, asociados a la compra, construcción e instalación de esa unidad.
Además, señala que, al reducir las pérdidas por estela, el algoritmo podría permitir colocar las turbinas más cerca unas de otras en los futuros parques eólicos, aumentando así la densidad de potencia de la energía eólica y reduciendo la superficie ocupada en tierra (o en el mar). Este aumento de la densidad de potencia y la reducción de la superficie ocupada podrían contribuir a alcanzar los urgentes objetivos de reducción de emisiones de gases de efecto invernadero, que exigen una expansión sustancial del despliegue de la energía eólica, tanto en tierra como en alta mar.
Además, afirma, la mayor área nueva de desarrollo de parques eólicos es la alta mar, y «el impacto de las pérdidas por estela suele ser mucho mayor en los parques eólicos marinos». Esto significa que el impacto de este nuevo método para controlar esos parques podría ser considerablemente mayor.
El Laboratorio Howland y el equipo internacional siguen perfeccionando los modelos y trabajando para mejorar las instrucciones operativas que derivan de ellos, avanzando hacia un control autónomo y cooperativo y procurando obtener la mayor producción de energía posible en un conjunto determinado de condiciones, afirma Howland.
«Este artículo describe un avance importante para la energía eólica», afirma Charles Meneveau, profesor de Ingeniería Mecánica de la Universidad Johns Hopkins, quien no participó en este trabajo. «Incluye ideas y metodologías nuevas para controlar eficazmente las turbinas eólicas de forma colectiva en un recurso eólico muy variable. Demuestra que las estrategias de control de orientación del eje, aplicadas de forma inteligente mediante modelos de estela basados en la física y de última generación, complementados con métodos basados en datos, pueden aumentar la producción de energía en los parques eólicos». Según afirma, el hecho de que esto se haya demostrado en un parque eólico en funcionamiento «es especialmente importante para facilitar la implementación posterior y la ampliación de la escala del enfoque propuesto».
El equipo de investigación incluye a Jesús Bas Quesada, Juan José Pena Martinez y Felipe Palou Larrañaga, de Siemens Gamesa Renewable Energy Innovation and Technology en Navarra, España; Neeraj Yadav y Jasvipul Chawla, de ReNew Power Private Limited en Haryana, India; Varun Sivaram, anteriormente de ReNew Power Private Limited en Haryana, India y actualmente en la Oficina del Enviado Presidencial Especial de EE. UU. para el Clima, Departamento de Estado de Estados Unidos; y John Dabiri, del Instituto de Tecnología de California. El trabajo recibió el apoyo de la Iniciativa de Energía del MIT y de Siemens Gamesa Renewable Energy.
