11

Universidade Federal de Santa Catarina
Campus de Blumenau
Departamento de Engenharia de
Controle, Automação e Computação
Eduardo Rafael Nones
Estudo Comparativo de Técnicas de Controle de Geração de

Energia através do Controle de Velocidade em Turbinas Eólicas
Blumenau
2021
Estudo Comparativo de Técnicas de Controle de

Geração de Energia através do Controle de
Velocidade em Turbinas Eólicas
Trabalho de Conclusão de Curso apresentado à Universidade Fede-

ral de Santa Catarina como parte dos requisitos necessários para a
obtenção do Título de Engenheiro de Controle e Automação.
Orientador: Prof. Dr. Daniel Martins Lima

Campus de Blumenau
Departamento de Engenharia de
Controle, Automação e Computação
Blumenau
2021
Estudo Comparativo de Técnicas de

Controle de Geração de Energia através do
Controle de Velocidade em Turbinas Eólicas
Trabalho de Conclusão de Curso apresentado à Universidade

Federal de Santa Catarina como requisito parcial para a ob-
tenção do título de Engenheiro de Controle e Automação.
Comissão Examinadora
Prof. Dr. Daniel Martins Lima

Orientador
Prof. Dr. Luiz Antônio Maccari Jr.

Prof. Dr. Marcos Vinícius Matsuo

Blumenau, 17 de setembro de 2021

Dedico este trabalho a todos aqueles que, de alguma forma,
auxiliaram para a concretização desta etapa
Agradecimentos
Agradeço primeiramente a Deus por ter me dado a oportunidade de completar essa

etapa importante da minha vida, aos meus pais, Celio e Zenita, por ter tornado essa etapa
possível e terem me dado todas condições e apoio durante todos esses anos, ao meu irmão
pela incentivo e companhia de caminhada, a minha namorada pela ajuda, conselhos e
apoio nesses anos e aos professores e colegas de turma que tornaram essa etapa em um
desenvolvimento muito maior que apenas acadêmico.
"You are not defined by your successes, you are defined by how you bounce back from
your failures."
Resumo
Enquanto o consumo de energia vem crescendo pelo mundo, também cresce a busca
por fontes renováveis e por avanços tecnológicos que as tornem cada vez mais viáveis. A
energia eólica é uma das fontes de energia que mais tem crescido dentro desse cenário.
Com o aumento da energia gerada e demandada das turbinas eólicas o controle correto
das mesmas se faz cada vez mais importante, com objetivos que vão desde aumentar
a eficiência energética da turbina, como evitar danos materiais ao sistema da mesma.
Um dos controles mais comuns atualmente em turbinas eólicas é o controle de ângulo de
ataque, que varia o ângulo das lâminas de uma turbina para manter a geração de energia
a mais alta possível, mantendo a velocidade nominal da turbina. Dentro do contexto
apresentado, o estudo tem como foco realizar simulações para diversos tipos de cenários,
e comparar o funcionamento de dois tipos de controladores de velocidade de rotação para
uma turbina eólica, Fuzzy-PI e Gain Schedulig, ambos os controles são explicados dentro
do trabalho e os seus desempenhos comparados com o controle PI. Nos resultados são
comparadas as potências geradas por cada um dos tipos de controle, além de outras
informações relevantes, como velocidade do rotor e sinal de comando dos controladores,
onde os controles adaptativos tiveram em geral desempenho superior.
Palavras-Chave: 1. Energia renovável. 2. Energia eólica. 3. Controle. 4. Pitch
Abstract
While energy consumption has been growing in the world, so does the search for
renewable sources of energy and technology advances that make those them more reliable.
Wind energy is one of the energy sources that has grown the most in this context. With
the grown of energy generated and demanded of wind turbines the ability to control them
has been more important too, with the objective of increasing the energy efficiency and
avoid damage to the system. One of the most popular control used today is the pitch angle
control, this control technique varies the blade angle to maintain the energy generation as
high as possible, keeping the speed at it’s nominal rate. In this context, this study focuses
on simulations in many scenarios, and in the comparison of the operation of two types
of speed controllers for wind turbines, Fuzzy-PI and Gain Scheduling, both controllers
are explained on the study and compared to the PI Controller. In the results, energy
generation is compared, as well as other relevant information about those controllers
results, like rotor speed and command signal from the controller, where the adaptive
controllers got better results overall.
Keywords: 1. Renewable energy. 2. Wind power. 3. Control. 4.Pitch
Lista de figuras
Figura 1 – Consumo de eletricidade no mundo, 1990-2018. . . . . . . . . . . . . . 14

Figura 2 – Geração de energia eólica mundial, 1990-2018. . . . . . . . . . . . . . . 15
Figura 3 – Aerogerador. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
Figura 4 – Esquema Aerogerador. . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
Figura 5 – Sistema de controle. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
Figura 6 – Curva característica Velocidade do vento x Potência Gerada. . . . . . . 22
Figura 7 – Curva de Cp (β,λ) para diferentes valores de β e λ. . . . . . . . . . . . . 24
Figura 8 – Região de controle de acordo com velocidade do vento . . . . . . . . . 24
Figura 9 – Estrutura do Pitch Angle Control utilizada no modelo MatLab. . . . . 25
Figura 10 – Modelo Turbina Eólica MatLab. . . . . . . . . . . . . . . . . . . . . . . 27
Figura 11 – Pitch Controller. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
Figura 12 – Velocidade (Wind speed[m/s]) e Direção (Wind Direction[rad]) do vento
no Cenário 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
no Cenário 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
no Cenário 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
no Cenário 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
Figura 16 – Modelo simplificado PI em malha fechada. . . . . . . . . . . . . . . . . 33
Figura 17 – Modelo simplificado Controlador Fuzzy-PI. . . . . . . . . . . . . . . . . 35
Figura 18 – Regras utilizadas na lógica Fuzzy. . . . . . . . . . . . . . . . . . . . . . 35
Figura 19 – Bloco Fuzzy Logic Controller. . . . . . . . . . . . . . . . . . . . . . . . 37
Figura 20 – Ferramenta de criação da lógica e regras Fuzzy. . . . . . . . . . . . . . 37
Figura 21 – Sistema de controle Fuzzy-PI implementado. . . . . . . . . . . . . . . . 38
Figura 22 – System Identification. . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
Figura 23 – Resultado de uma das identificações com o System Identification Toolbox. 40
Figura 24 – Resposta ao degrau dos sistemas linearizados. . . . . . . . . . . . . . . 41
Figura 25 – Look-Up Table K. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
Figura 26 – Controlador com Gain Scheduling para 1ª Estratégia. . . . . . . . . . . 44
Figura 27 – Look-Up-Table para Kp e Ki em função da velocidade do vento.. . . . . 45
Figura 28 – Controlador com Gain Scheduling para 2ª Estratégia. . . . . . . . . . . 46
Figura 29 – Resultados com controlador PI - Cenário 1. . . . . . . . . . . . . . . . 49
Figura 30 – Resultados com controlador Fuzzy-PI 10% - Cenário 1. . . . . . . . . . 49
Figura 31 – Resutlados com controlador Fuzzy-PI 20% - Cenário 1. . . . . . . . . . 50
Figura 32 – Resultados com Controlador Gain Scheduling - Cenário 1. . . . . . . . 50
Figura 33 – Resultados com Controlador Gain Scheduling Kp e Ki - Cenário 1. . . 51
Figura 34 – Resultados com Controlador Gain Scheduling Kp e Ki Corrigido - Ce-
nário 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
Figura 36 – Resultados com Controlador Fuzzy-PI 10% - Cenário 2. . . . . . . . . . 53
Figura 44 – Energia gerada com Controlador Gain Scheduling - Cenário 3. . . . . . 57
Figura 48 – Energia gerada com Controlador Fuzzy-PI 10% - Cenário 4. . . . . . . 60
Figura 49 – Energia gerada com Controlador Fuzzy-PI 20% - Cenário 4. . . . . . . 60
Lista de tabelas
Tabela 1 – Dados do Modelo MatLab. . . . . . . . . . . . . . . . . . . . . . . . . . 28

Tabela 2 – Valores de Kp e Ki . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Tabela 3 – Look-Up Table K . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
Tabela 4 – Ganhos Kp e Ki . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
Tabela 5 – Ganho f (w) e Constante de tempo t(w) da planta . . . . . . . . . . . . 44
Tabela 6 – Ganhos Kp e Ki . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
Tabela 7 – Resultados de Energia Gerada por Cenário. . . . . . . . . . . . . . . . 63
Tabela 8 – Resultados de ISE por Cenário. . . . . . . . . . . . . . . . . . . . . . . 63
Lista de Siglas e Abreviaturas
UFSC Universidade Federal de Santa Catarina

RPM Rotações por minuto
PI Proporcional-Integrador
PID Proporcional Integral Derivativo
MPPT Maximum Power Point Tracker
DFIG Ddoubly Fed Induction Generator
Sumário
1 INTRODUÇÃO . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.1 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.1.1 Objetivos Específicos . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.2 Organização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2 REVISÃO DE LITERATURA . . . . . . . . . . . . . . . . . . . 18
2.1 Planta Eólica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.1.1 Torre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.1.2 Nacele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.1.3 Turbina . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.1.4 Caixa Multiplicadora . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.1.5 Gerador Elétrico . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.1.6 Sistema de Controle . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.2 Potência Gerada . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.3 Maximum Power Point Tracking . . . . . . . . . . . . . . . . . . 23
2.4 Controle de velocidade e ângulo de ataque . . . . . . . . . . . . 25
2.5 Atuadores de Pitch Angle . . . . . . . . . . . . . . . . . . . . . . 26
2.6 Modelo Turbina Eólica MatLab . . . . . . . . . . . . . . . . . . . 26
2.7 Comentários finais . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3 METODOLOGIA . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.1 Cenários de simulação . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.1.1 Cenário 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.1.2 Cenário 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.1.3 Cenário 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.1.4 Cenário 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2 Controle PI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.3 Controle Fuzzy-PI . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.4 Gain Scheduling . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.4.1 Obtenção de modelo aproximado . . . . . . . . . . . . . . . . . . 39
3.4.2 Primeira estratégia . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.4.3 Segunda estratégia . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.4.4 Gain Scheduling Empírico . . . . . . . . . . . . . . . . . . . . . . 46
3.5 Comentários finais . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4 RESULTADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.1 Resultados Cenário 1 . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.5 Discussão de resultados . . . . . . . . . . . . . . . . . . . . . . . . 62
5 CONCLUSÕES . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.1 Estudos futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
REFERÊNCIAS BIBLIOGRÁFICAS . . . . . . . . . . . . . . . 67
14
1 Introdução
O uso da energia elétrica no Brasil teve seu início no século XIX [1], e com o passar dos
anos a importância dessa energia fica cada vez mais evidente no Brasil e no mundo, porém
não somente a importância da energia vem aumentando como também a sua demanda,
que aumenta a cada dia devido ao crescimento econômico e populacional, algo que pode
ser observado na Figura 1. Estudos indicam uma taxa de aumento de 1,3% ao ano até
2040 [2].
Figura 1 – Consumo de eletricidade no mundo, 1990-2018 [3].
Uma das grandes preocupações da atualidade na questão energética é a sua susten-

tabilidade, já que o alto índice de emissões de CO2 devido a fontes não-renováveis de
energia é alarmante. Cerca de 36 bilhões de toneladas de CO2 são emitidas anualmente, e
esse valor continua aumentando [4]. A adoção de fontes de energia renováveis possui um
papel importante nesse cenário. Aproximadamente um quinto do fornecimento de energia
mundial já provém de fontes renováveis e é esperado que o setor continue a crescer 2,6%
ao ano até 2040 [5].
A preocupação com a questão energética fica evidente ao serem analisados acordos
mundiais como o Acordo de Paris, onde o Brasil colocou metas ambiciosas que incluem
um aumento em 23% na presença de energia renovável alternativa na matriz elétrica
Capítulo 1. Introdução 15
nacional [6]. Além de acordos mundiais, países se mobilizam para criarem incentivos
para que a produção de energia através de fontes renováveis seja ampliada, nos EUA, por
exemplo, vários créditos fiscais do governo federal, subsídios e programas de empréstimos
estão disponíveis para desenvolvimento de tecnologias e projetos de energia renováveis [7].
Nesse contexto, a energia eólica tem um dos potenciais mais atrativos para o presente
e o futuro entre as energias renováveis. A história dos moinhos de vento tem mais de
2000 anos [8], e esse pode ser considerado um começo do uso da energia eólica através
de turbinas de vento. No início seu uso era destinado a moer cereais ou bombear água,
mas seu uso atual está muito mais ligado na transformação dessa energia para energia
elétrica. A tecnologia para este uso está disponível desde a década de 70, porém, o seu
desenvolvimento acelerou a partir da década de 90 [9]. O rápido crescimento com o passar
dos anos pode ser observado na Figura 2, o crescimento de 2010 para 2018 representa um
aumento de 372% de energia eólica gerada, já ao comparar os valores do ano 2000 para
2018 o crescimento é de 4062% [3].
Figura 2 – Geração de energia eólica mundial, 1990-2018 [3].
Uma das características da energia eólica é a rápida implementação, visto que as

turbinas e plantas eólicas são de rápida instalação, se comparada com outras plantas [10].
Além disso, tem um bom custo-benefício, porém, a energia proveniente do vento não é
constante, e como a potência gerada é proporcional à velocidade do vento elevada ao
quadrado, variações significativas na potência gerada podem ocorrer [11].
As plantas eólicas podem ser instaladas em dois principais tipos de parques eólicos, os
on-shore e os off-shore, a diferença entre esses parques é a localização dos mesmos, os em

terra são chamados de on-shore, e geralmente estão postos ao largo da costa marítima,
ou então no interior, já os parques off-shore são os localizados no mar.
Um dos desafios do sistema eólico é que com o aumento da potência das turbinas o
controle adequado se torna mais importante [9], já que a energia eólica capturada deve
ser controlada de modo a maximizar a geração de energia para ventos fracos, e limitar a
velocidade de rotação para ventos fortes, evitando danos ao sistema [12].
As principais vantagens de um sistema de energia eólica estão relacionadas ao fato de
que é uma fonte de energia renovável, mas, além disso, é um sistema de alta rentabilidade,
que gera empregos e tem um impacto ambiental menor que outras energias também
renováveis. Sua desvantagem está na variação significativa da velocidade do vento ao
longo do ano, o que acarreta em variações de geração de energia por consequência [13].
1.1 Objetivos
O objetivo geral do trabalho é centrado no estudo do funcionamento geral de um
aerogerador em plantas eólicas, com foco no sistema de controle das mesmas, em especial
o controle de velocidade do aerogerador utilizando o ângulo de ataque como sinal de
atuação, incluindo simulações, implementação de técnicas avançadas de controle, análises
e comparações dos resultados obtidos no estudo e buscar uma maximização da potência
gerada.
1.1.1 Objetivos Específicos

Além dos objetivos gerais do trabalho, alguns dos objetos específicos do mesmo são:
• Revisar bibliografia de sistemas eólicos;
• Revisar bibliografia de sistemas de controle;
• Simular um sistema de geração de energia eólica;
• Aplicar técnicas avançadas para controle de rotação/potência;
• Analisar os resultados de simulações de geração de energia eólica;
1.2 Organização
O Capítulo 2 tem foco nas plantas eólicas responsáveis pela geração desse tipo de
energia, explicando alguns conceitos são utilizados no restante do estudo. O Capítulo 3
contempla a metodologia que foi desenvolvida para a solução da problemática do traba-
lho. No Capítulo 4 são apresentados resultados e observações pertinentes aos mesmos,
enquanto no último capítulo são apresentadas as conclusões obtidas através da realização

do trabalho.
18
2 Revisão de Literatura
A energia eólica em alguns quesitos é semelhante à energia hidroelétrica que é a fonte

de energia mais comum no Brasil. Sua geração de energia deriva do movimento das pás
da planta, que são movidas pelo vento. Este movimento é convertido de energia mecânica
para energia elétrica através de um sistema sofisticado que faz com que essa energia seja
produzida de uma forma eficaz.
2.1 Planta Eólica

A planta eólica é montada por um conjunto de partes/equipamentos associados, que
vão desde, componentes mecânicos e elétricos até sistemas de controle. Os principais
componentes são discutidos nessa seção.
Figura 3 – Aerogerador [14].
2.1.1 Torre
A torre serve de suporte para a Turbina e a Nacele. A grande problemática das torres
são as dinâmicas estruturais, sua construção deve levar em conta as vibrações da mesma
com o intuito de evitar as frequências harmônicas e aumentar a durabilidade da torre.
O tamanho das torres é variado, tendo aumentado com o passar dos anos e com o
desenvolvimento tecnológicos, hoje em dia as torres podem atingir alturas maiores que
100 metros.
Capítulo 2. Revisão de Literatura 19
2.1.2 Nacele
A Nacele é um compartimento instalado no alto da torre e que abriga todo o mecanismo
do gerador, composto por toda a parte mecânica de acoplamento, o gerador elétrico,
componentes do sistema de controle, a caixa multiplicadora entre outros componentes do
sistema conforme ilustrado na Figura 4.
Figura 4 – Esquema Aerogerador [15].
2.1.3 Turbina
A turbina eólica é composta pelo rotor que é o componente que efetua a transformação
da energia cinética dos ventos em energia mecânica rotacional. No rotor são acopladas as
pás da turbina, que em geral são três, elas chegam a ter até 60 metros de comprimento
e tem lâminas acopladas a elas, que auxiliam no controle da potência gerada através da
mudança do ângulo das mesmas.
Cada uma dessas lâminas possue um sistema de acionamento próprio, no caso deste
trabalho o acionamento é simulado através de um sistema hidráulico. O comando de
ângulo dessas lâminas é o mesmo para todas as três.
Esse conjunto é acoplado através de um acoplamento elástico ao eixo que transmite a
energia para o gerador, comumente passando por uma caixa multiplicadora.
2.1.4 Caixa Multiplicadora

A caixa multiplicadora é uma caixa responsável por aumentar a rotação proveniente
do rotor, esse aumento é alcançado através de um conjunto de engrenagens. O aumento
gerado chega a ser de 120 vezes a velocidade de rotação do rotor, de modo que ela alcance
a velocidade de rotação exigida para a geração de energia elétrica, que é de aproximada-
mente 1.100 a 1.500 rpm.
Neste trabalho, uma caixa multiplicadora ideal é utilizada para simplificar as simula-
ções dessa parte que não é o foco de estudo.
2.1.5 Gerador Elétrico

O gerador elétrico fica localizado dentro da Nacele e recebe uma rotação em seu eixo
que vem da caixa multiplicadora, ele tem a função de converter essa energia mecânica
rotacional proveniente das pás em energia elétrica. O gerador pode ser de indução (assín-
crono) ou síncrono.
Existem algumas alternativas para o envio da energia gerada pelo gerador à rede, as
principais são:
• gerador de indução conectado diretamente à rede;
• gerador de indução duplamente alimentado conectado à rede através de conversores

eletrônicos;
• gerador síncrono de imã permanente conectado à rede através de conversores eletrô-

nicos.
O mais comumente utilizado é o gerador de indução duplamente alimentado conectado

à rede através de conversores eletrônicos, ou Double-Fed Induction Generator - DFIG, po-
rém, nesse trabalho, como o foco não é no gerador, considera-se que o mesmo é conectado
diretamente à rede.
2.1.6 Sistema de Controle

A busca por uma maior eficiência nas plantas eólicas faz com que técnicas de controle
sejam cada vez mais importantes, essa eficiência busca uma maior geração de energia,
com menor variação de potência gerada e menos danos possíveis para a torre.
O sistema de controle é composto basicamente por um sinal de referência, que deve
ser seguido pelo processo, o processo em si, um sinal de feedback informando o valor atual
de saída do processo e o controle que envia um comando ao processo de forma que este
siga a referência desejada.
Em uma planta eólica, o sistema de controle é constituído pelo sistema de freios,
sensores de vento, controle de guinada ou giro, controlador de ângulo de ataque das
lâminas, entre outros.
Esse trabalho tem como foco realizar um estudo comparativo entre métodos diferentes
de controle de velocidade do rotor, de forma a maximizar a geração de energia. O con-
trolador em estudo recebe o valor de velocidade ideal de rotação do rotor e a velocidade
atual do mesmo, e envia um sinal de ângulo de ataque desejado para o sistema que o faça
permanecer na velocidade ideal e, por consequência, gerar mais energia.
O sinal de ângulo de ataque enviado pelo controlador faz com que o sistema rotacione
as lâminas das pás da turbina, desse modo, diminuindo ou aumentando a velocidade de
rotação das pás, e, por consequência, o rotor, dessa forma, o controle de velocidade tem
influência na energia gerada. Esse método permite um controle preciso, aumentando a
eficiência e reduzindo esforços mecânicos sobre as pás da turbina [16].
Figura 5 – Sistema de controle.
Em plantas eólicas a técnica de controle mais comumente utilizada, seja para controle
de corrente, velocidade do rotor ou controle de potência ativa e reativa, é o controle
tradicional proporcional-integrador, ou PI. No entanto, por se tratar de um sistema com
muitas variáveis com características não lineares, controles que possuem adaptatividade
possuem algumas vantagens no desempenho, já que eles se adequam a diferentes pontos
de operação [12].
2.2 Potência Gerada

A velocidade do vento tem uma influência direta na geração de energia eólica. O
impacto dela é possível de ser calculado, e muitas vezes é informado pelo fabricante da
turbina eólica. Essa informação vem em formato de gráfico, que pode ser obtido por
aproximações de um resultado teórico ou, como mais comumente é realizado, através de
testes.
O gráfico de energia gerada de acordo com a velocidade em geral tem o mesmo for-
mato para todas as turbinas eólicas e é dividido em etapas. Em geral, são consideradas
três etapas, conforme a Figura 6, apesar de alguns estudos considerarem quatro etapas
incluindo uma etapa anterior ao início do movimento da turbina.
Nesse trabalho são tratadas como três etapas, conforme a Figura 6, a etapa inicial,
ou etapa 1, onde o sistema começa a gerar energia, a etapa de corte, ou etapa 3, onde ao
passar de certa velocidade que pode causar dano ao sistema, o mesmo é interrompido, e
a etapa de velocidade de operação, ou etapa 2, onde, os melhores resultados de potência
gerada são obtidos. O objetivo é manter o sistema dentro da velocidade de operação o
máximo possível para ter uma maior eficiência.
Figura 6 – Curva característica Velocidade do vento x Potência Gerada.
O controle de ângulo de ataque (Pitch angle control), comentado anteriormente, tem

como objetivo evitar que o sistema chegue na etapa 3 enquando estiver na região da etapa
2, aumentando, desse modo, a eficiência do sistema.
A potência mecânica (Pmec ) transmitida no eixo da turbina pode ser calculada como
1
Pmec = Cp (β,λ)ρAVw3 (2.1)
2
onde são utilizadas a densidade do ar ρ (kg/m3 ), a velocidade do vento Vw (m/s), a

área transversal da turbina A(m), e um coeficiente de potência Cp (β,λ) que representa a
efetividade da transformação de energia. Esse coeficiente depende do ângulo de ataque
β, ou pitch angle, e da velocidade na extremidade das pás λ, que é obtida através da
velocidade do vento, da velocidade rotacional wR e do raio das pás R.
Enquanto β é apenas o valor do ângulo de pitch, o λ é uma função conforme abaixo:
2πRwR
λ= (2.2)
60Vw
A relação entre o coeficiente de potência Cp (β,λ) para variações de λ e β, Cp pode ser
descrito por meio de uma equação empírica baseada no modelo da turbina do tipo:
1 116
21
Cp = − 0.4β − 5 e λi
(2.3)
2 λi
Com λi sendo:
1 0.035
λi = − 3 (2.4)
λ + 0.08β β + 1
É possível observar que o ângulo de ataque tem forte influência no valor de Cp (β,λ),
conforme a Figura 7. Através dessas equações, temos que a potência pode ser controlada
através do valor do ângulo de ataque, ou seja, quanto mais preciso e rápido for a resposta
a um comando de mudança de ângulo de ataque mais potência será gerada pelo sistema.
2.3 Maximum Power Point Tracking

Extrair a máxima potência de um sistema é sempre o desejável, algoritmos para o
rastreamento de máxima potência, ou Maximum Power Point Tracking (MPPT) são uti-
lizados para garantir que o sistema trabalhe sempre no melhor ponto possível, ou seja, no
ponto de máxima potência.
A potência desenvolvida é dependente da velocidade do vento, um parâmetro variável,
sendo assim necessário o ajuste do sistema para manter uma da velocidade de rotação
do rotor ideal, dessa forma garantindo uma otimização da extração de potência em cada
instante de operação.
Avaliando as equações da seção anterior, é possível observar que a máxima potência
é obtida quando temos o maior valor Cp (β,λ), ou seja, Cpmax (β,λ). É possível obter
um gráfico de Cpmax (β,λ) para valores variados de ângulo de ataque e velocidade na
extremidade das pás, conforme a Figura 7.
Também é possível observar, na Figura 7, que quanto maior o ângulo de ataque, menor
será o coeficiente Cp (β,λ) para velocidades de vento médias/altas.
Figura 7 – Curva de Cp (β,λ) para diferentes valores de β e λ [17].
A técnica do MPPT é utilizada juntamente com o controle por pitch para obter a
máxima potência do sistema através de um chaveamento, onde para as velocidades de
vento inferiores a velocidade nominal temos a região MPPT, ou a região de potência sub-
nominal, nessa região é utilizado o Cpmax (β,λ), que é o coeficiente máximo de potência.
Quando o sistema atinge a velocidade nominal é realizado o chaveamento para o controle
por pitch, conforme a Figura 8. Na região por controle de pitch o Cp (β,λ) é alterado
utilizando uma variação de ângulo de ataque, de forma que a energia gerada seja mantida
a nominal e evite que o sistema entre na fase de corte.
Figura 8 – Região de controle de acordo com velocidade do vento [17].

O Pitch angle control funciona equilibrando o aumento da velocidade do vento com o

aumento do ângulo de ataque de forma que a potência gerada seja ideal, além de evitar
danos ao equipamento. As fases de controle da potência gerada podem ser observadas na
Figura 8.
Ao observar a Figura 7 é possível perceber que o Cp (β,λ) é mantido no seu valor
máximo, aproximadamente 0.48, enquanto não é alcançada a velocidade de vento que
gere a potência máxima, ao atingir a potência máxima entra em ação o controle por
ângulo de ataque, mantendo a geração de potência ao máximo enquanto evita que o
sistema entre na fase de corte.
2.4 Controle de velocidade e ângulo de ataque

Na indústria, a maioria das turbinas eólicas comerciais são operadas através de um
controle de seguimento de velocidade ideal, utilizando um Pitch angle control. Esses
controladores são divididos em linear e não linear. O tipo de controle mais comumente
utilizado é o controle proporcional integrador (PI) ou o controle proporcional integral
derivativo (PID). Porém, os sistemas eólicos têm características altamente não lineares,
com isso o desempenho do controle para o sistema linearizado pode ser diminuído caso o
ponto de operação divergir da faixa linearizada [18].
O Pitch angle control ajusta as pás em turbinas eólicas girando-as de modo que usem
a fração certa da energia eólica disponível para obter a maior potência, garantindo, ao
mesmo tempo, que a turbina não exceda sua velocidade de rotação máxima. Ele monitora
e ajusta o ângulo das pás do rotor da turbina eólica, controlando, dessa forma, a velocidade
de rotação da turbina [19].
Figura 9 – Estrutura do Pitch Angle Control utilizada no modelo MatLab [20].
O controle de ângulo de ataque ocorre em cascata, conforme a Figura 9, onde o loop

externo é o controle de velocidade, que usa a velocidade nominal como referência e o
ângulo de ataque como sinal de atuação. Em cascata está o controle do ângulo de ataque
em si, que recebe o sinal do loop externo e atua sobre as lâminas de acordo com o feedback
de posição atual. O ângulo de ataque atuado sobre as lâminas ajusta a velocidade de

rotação para a velocidade nominal do sistema.
Vale a pena mencionar que, enquanto o custo de um sistema de Pitch angle control é
baixo, cerca de 3% do total de uma planta eólica, pesquisas mostram que as falhas nesse
subsistema são responsáveis por 23% de todo o tempo de inatividade em turbinas eólicas,
o que é mais do que qualquer outro componente ou subsistema da turbina. Além de
registrarem a maior porcentagem de todas as falhas de componentes em turbinas eólicas
representando mais de 21% [21].
2.5 Atuadores de Pitch Angle

Para que o ângulo de ataque seja alterado, as lâminas das pás devem ser movidas.
Desse modo, é necessário algum tipo de atuador que realize essa alteração de ângulo
das lâminas. O atuador mais utilizado para sistemas de grande porte são atuadores
hidráulicos, alguns sistemas utilizam servo motores.
Uma ação rápida e sem erros desses atuadores de ângulo de passo são importantes para
garantir que o sistema tenha uma maior eficiência, além de auxiliar a manter o sistema
fora da região de corte de forma mais precisa.
A combinação do controle dos atuadores com a do comando forma o controle completo
de ângulo de Pitch. A estrutura de controle utiliza um loop externo, que é o loop de
comando, e como loop interno o controle dos atuadores de Pitch.
Em particular, o software de simulação MatLab possui um modelo completo para
representação de uma turbina eólica com atuadores hidráulicos para o ângulo de ataque,
sendo tal modelo utilizado como base para realizar simulações dos atuadores de Pitch
Angle.
2.6 Modelo Turbina Eólica MatLab

O modelo utilizado no trabalho para realizar simulações e testes é um modelo imple-
mentado pela equipe do software MatLab que contém todas as partes de uma turbina
eólica completa [20], permitindo assim que a realização dos testes tenham resultados mais
conclusivos.
O modelo de simulação da turbina eólica é dividido em várias partes em um arquivo
Simulink/Simscape:
• bloco de entradas do sistema (turbine inputs): esse bloco fornece/gera a velocidade

do vento e a direção do vento;
• bloco do controle principal do software (main controller): esse bloco é responsável

por receber os dados de entrada do sistema e enviar sinais como o de referência
como ângulo de pitch e guinada;
• bloco de controle de ângulo de ataque (pitch controller): esse bloco é onde ficam os
controles do comando de pitch e atuador de pitch;
• bloco de controle de guinada (yaw controller): esse bloco é onde ficam os controles
do comando de guinada e atuador de guinada, que alteram a direção em que o rotor
aponta;
• blocos de partes físicas do sistema: o bloco da nacele, do gerador, das lâminas da

turbina e da rede, que simulam essas partes do sistema.
Figura 10 – Modelo Turbina Eólica MatLab [20].

No trabalho o foco é no controle do comando do ângulo de ataque através do segui-

mento de velocidade, e então comparar os resultados de energia gerada com cada técnica
de controle.
Para realizar esse estudo as principais alterações realizadas no modelo serão nos blocos
de entrada do sistema e no bloco de controle de comando de ângulo de ataque, mostrado
na Figura 11, além da coleta de dados para gráficos importantes para comparação de
resultados.
Figura 11 – Pitch Controller [20].
Dentro do modelo implementado, os controles utilizados são controles do tipo PI,

inclusive para a parte de seguimento de velocidade e comando do ângulo de ataque, onde
os ganhos foram obtidos através do algoritmo de auto-tuning do MatLab, e já estavam
otimizados no modelo utilizado. Durante o trabalho esses controles serão substituídos e os
resultados comparados, mais informações sobre os controladores implementados podem
ser encontradas no Capítulo 3.
Tabela 1 – Dados do Modelo MatLab.
Dados do Modelo MatLab

RPM Nominal do Rotor 14,3004 rpm
RPM Mínimo do Rotor 13,5854 rpm
RPM Máximo do Rotor 15,0154 rpm
Potência Nominal do Gerador 1,8334 MW
Voltagem do Gerador 600 V
Frequência do Gerador 60 Hz
Potência Nominal do Transformador 3,16 MW
Voltagem da Rede 25 kW
Frequência da Rede 60 Hz
Comprimento da lâmina 40 m
Largura da lâmina 60 Hz
Os parâmetros do modelo MatLab não foram alterados em relação ao modelo original,

e os de maior relevâncias são apresentados na Tabela 1.
2.7 Comentários finais

Nessa seção foram revisados os conceitos por trás de uma turbina eólica, passando
por cada um de suas partes, seu funcionamento e as características mais utilizadas nas
mesmas. No capítulo seguinte, a metodologia utilizada para realizar as comparações entre
diferentes tipos de controladores de velocidade da turbina é apresentada.
30
3 Metodologia
Este capítulo tem como objetivo explanar a metodologia utilizada ao longo do de-
senvolvimento deste trabalho. Nele são apresentados os algoritmos de controle imple-
mentados durante o trabalho e os cenários de simulação que são utilizados para validar
esses controladores e obter os dados necessários para realizar a comparação e análise de
resultados.
A primeira abordagem utilizada no trabalho foi a replicação de uma lógica de controle
PI, que é um controle amplamente usado como base para comparações em diversos traba-
lhos, após isso foi implementado um controle através de uma lógica de controle Fuzzy-PI
e uma lógica de controle através de Gain Scheduling. Após isso, foram comparados e
analisados os resultados obtidos para todas as técnicas de controle.
Para a realização das simulações e testes foi utilizado o modelo de turbina eólica
disponibilizado no software MatLab [20], apresentado na Seção 2.6.
3.1 Cenários de simulação

Para a realização das simulações e comparações entre a potência gerada para cada
controle de velocidade, alguns cenários foram escolhidos a fim de dar mais confiabilidade
às comparações.
Cada cenário possui diferentes entradas para a velocidade do vento de acordo com o
tempo, enquanto a direção do vento foi mantida em zero para todos os cenários para que o
controle de guinada do sistema não interfira nos resultados, já que o objetivo é comparar
as diferenças em relação aos diferentes métodos de controle de velocidade. É importante
ressaltar que todos os cenários começam com as lâminas paradas, e os primeiros segundos
do cenário sempre são o resultado de uma iniciação do aerogerador.
3.1.1 Cenário 1
O primeiro cenário para realização de testes é um cenário onde a velocidade do vento
permanece constante, conforme ilustrado na Figura 12, em uma velocidade acima da
velocidade nominal, de forma que o controle por ângulo de ataque das lâminas esteja
ativo durante todo o período de simulação.
Capítulo 3. Metodologia 31
Figura 12 – Velocidade (Wind speed[m/s]) e Direção (Wind Direction[rad]) do vento no

Cenário 1.
O esperado para esse cenário é um transitório para o início da movimentação da turbina

e depois uma geração de energia constante com pequenas diferenças entre as potências
geradas por técnica de controle.
3.1.2 Cenário 2
No segundo cenário a velocidade do vento foi alterada para ter uma característica dente
de serra, variando entre uma velocidade um pouco acima da velocidade de partida da
turbina, até uma velocidade logo abaixo da velocidade de corte, como ilustrada na Figura
13. Com isso, o controle por ângulo de ataque das lâminas vai estar ativo durante todo o
período de simulação. Mesmo não sendo um cenário comumente visto no comportamento
da velocidade do vento, para intuito de comparação de controladores ele tem relevância.

Cenário 2.
Esse cenário tem como intenção verificar qual técnica de controle tem uma resposta
mais rápida e condizente para variações bruscas e periódicas, justamente por ser um
cenário com características bruscas, a tendência é que controladores mais simples tenham
um desempenho pior devido à variação do ponto de operação.
3.1.3 Cenário 3
O terceiro cenário apresenta uma velocidade também oscilando ao redor da velocidade
ideal de operação, porém, nesse cenário as variações tem comportamento aleatório e não
sequencial como no Cenário 2. A velocidade do vento nesse cenário é conforme a Figura
14. Como no cenário anterior, o controle de velocidade do rotor vai ser através do ângulo
de ataque das lâminas durante todo o período de simulação.

Cenário 3.
Um cenário como esse é mais comum de se encontrar em uma situação real de uma
turbina eólica do que os cenários anteriores, dessa forma, os resultados obtidos de geração
de energia tem uma relevância aumentada.
3.1.4 Cenário 4
Esse cenário apresenta uma velocidade de vento oscilando de forma senoidal, variando
ao redor da velocidade nominal do aerogerador. É uma variação mais suave que o Cenário
2 e traz uma curva de velocidade de vento mais realista por não tem mudanças tão
abruptas, com isso, tem um resultado mais relevante em questão de geração de energia
para a comparação realizada no estudo. Como nos cenários anteriores o controle de
velocidade do rotor vai ser por alteração do ângulo de ataque durante todo período de
simulação.

Cenário 4.
3.2 Controle PI
O controle PI é uma estrutura simples de ser utilizada, e pode ter resultados muito
bons, porém em situações com não-linearidade e variância no tempo os resultados do
desempenho podem ficar aquém do desejado.
O controlador proporcional integral (PI) é amplamente utilizado na indústria devido
à sua simplicidade de design, implementação e ajuste. Por este motivo, seu desempenho
foi assumido como base para a comparação com outros controladores [22], que é o caso
do presente estudo.
A parcela proporcional (P), de PI, leva em conta os valores presentes de erro e é
proporcionalmente grande ou pequeno, positivo ou negativo como o erro, enquanto a
parcela integral (I) leva em conta os valores de erros anteriores e é o resultado da sua
integração ao longo do tempo [23]. O controle de PI utilizado é do tipo paralelo, cujo
diagrama de blocos é apresentado na Figura 16, e sua equação:
Z t
u(t) = Kp e(t) + Ki e(τ ) dτ (3.1)
0
Figura 16 – Modelo simplificado PI em malha fechada.

O design dos parâmetros de controle normalmente são calculados usando métodos de

otimização padrão, ou auto-tuning, no caso da simulação do trabalho o auto-tuning foi
realizado através do software MatLab. Através de um refinamento manual do controlador
os parâmetros podem otimizar a resposta do sistema. Os ganhos utilizados no PI do
modelo foram, Kp = 20 e Ki = 5, sendo que essa otimização já estava presente no modelo
utilizado.
3.3 Controle Fuzzy-PI

A lógica Fuzzy (ou Nebulosa em português) é uma forma de se tomar decisões baseando-
se em regras linguísticas ao invés de numéricas. Valores numéricos são interpretados de
forma linguística dentro de um dicionário, por exemplo, um valor próximo do limite su-
perior de uma variável pode ser interpretado como MUITO ALTO e um valor próximo
de zero como PEQUENO ou mesmo ZERO. De acordo com o grau de pertencimento
do valor numérico a diferentes categorias dentro do dicionário se toma uma decisão de
forma linguística que, depois, é transformada para numérica para ser finalmente enviada
ao processo.
A lógica Fuzzy é constituída por quatro elementos, sendo eles, um Fuzzificador, a base
de conhecimento ou regras, a lógica na tomada de decisões e o Deffuzificador. No caso
deste trabalho, a lógica Fuzzy é utilizada juntamente com o controlador PI (Figura 17),
tornando-o mais adaptável para situações diversas em que o sistema pode se encontrar.
O Fuzzificador é responsável pela identificação dos valores numéricos fornecidos pelo
sistema, além de transformar esses dados para forma linguística. A base de conhecimento
de regras representa o modelo do sistema a ser controlado, consistindo em uma base de
dados e uma base de regras. A base de dados fornece definições numéricas e a base de
regras caracteriza os objetivos do controlador e sua estratégia usada. A lógica de tomada
de decisões é realizada mapeando valores linguísticos de entrada em valores linguísticos
de saída com o uso das regras. O Defuzzificador obtêm uma única saída para o sistema
de acordo com os resultados obtidos da lógica implementada, transformando a ação de
controle da forma linguística de volta para o formato númerico [24].
A utilização da técnica de controle Fuzzy-PI funciona de maneira que o sistema fuzzy
atualiza os valores de ganho do PI de acordo com algumas regras desse sistema, dessa
maneira, tornando-o mais eficaz para qualquer condição de operação, tornando-o adaptado
para sistemas não-lineares.
Figura 17 – Modelo simplificado Controlador Fuzzy-PI.
Em controladores baseados em lógica fuzzy o modelo matemático da planta não é

necessário para a síntese do controlador, além de tolerar imprecisões de parâmetros ou
parâmetros com variações, e permitir a concordância entre ações de controle contraditó-
rias, como ocorre na captura de energia eólica que deve ser máxima, desde que não exceda
o limite de potência do gerador [12].
As entradas desse sistema Fuzzy são o erro de seguimento (referência menos saída) e
sua derivada, o sistema então segue as regras pré-definidas pelo usuário do sistema Fuzzy
e entrega então na saída os valores já normalizados de Kp0 e Ki0 .
As regras utilizadas no sistema Fuzzy-PI foram encontradas na literatura [25], e foram
aplicadas para as simulações desse trabalho conforme a Figura 18.
Figura 18 – Regras utilizadas na lógica Fuzzy [25].
As entradas da lógica Fuzzy tem 3 funções de pertencimento, enquanto a saída de Kp

tem 4 funções de pertencimento e a saída de Ki tem 2 funções de pertencimento, tudo
conforme a Figura 18. Nas regras as siglas representam os valores númericos da seguinte
forma, NB = negativo alto, PB = positivo alto para as entradas e PP = positivo pequeno,
PM = positivo médio, PG = positivo alto para as saídas e ZE = zero para ambas.
Tabela 2 – Valores de Kp e Ki
e
Tabela Kp
NB ZE PB
NB ZE ZE ZE
de/dt ZE PG PP PG
PB ZE PM ZE
e
Tabela Ki
NB ZE PB
NB PG PG PG
de/dt ZE ZE PG ZE
PB PG PG PG
A determinação do grau de pertencimento é realizada através de uma análise de funções

de pertencimento. Estas funções possibilitam o cálculo do grau de pertencimento de
acordo com o valor assumido pela variável de entrada [24].
As funções de pertencimento fazem o mapeamento entre valores reais e valores lin-
guísticos, determinando o grau que uma entrada tem em cada função de pertencimento.
Com as funções de pertencimento estipuladas, é possível realizar a fuzzificação, que é um
processo que consiste em, determinar o grau de pertencimento da variável medida a cada
um dos valores linguísticos. A defuzzificação é o processo inverso da fuzzificação, trans-
formando os valores linguísticos em valores númericos utilizados no controle. A tabela
representa qual a função de pertencimento interpretado pela lógica Fuzzy para ambas as
entradas, e então decide qual a função de pertencimento de saída.
A lógica de tomada de decisões do sistema Fuzzy para Kp0 e Ki0 implementado ficou
conforme a Tabela 2. A saída do sistema de lógica Fuzzy é um valor normalizado de Kp0
e Ki . Os valores de Kp0 e Ki0 então são utilizados para calcular os valores de Kp e Ki que
vão ser utilizados no sistema, seguindo as equações 3.2 e 3.3.
Kp = (Kpmax − Kpmin ) ∗ Kp0 + Kpmin (3.2)
Ki = (Kimax − Kimin ) ∗ Ki0 + Kimin (3.3)
Foi definido para o trabalho Kpmax e Kpmin com dois distintos valores, como mais
ou menos 10% e 20% dos valores utilizados pelo controlador PI, a mesma abordagem foi
utilizada para o Kpmax e Kimin . Esses sistemas são chamados de Fuzzy-PI 10% e Fuzzy-PI
20% durante o decorrer do estudo, de acordo com o valor máximo e mínimo implementado
no sistema.
Figura 19 – Bloco Fuzzy Logic Controller.
Para realizar a simulação com esse tipo de controle é necessário usar o bloco Fuzzy
Logic Controller no software SimuLink (Figura 19. Para utilizar esse bloco é necessário
uma fis file, esse arquivo carrega a lógica de tomada de decisão e as regras da lógica Fuzzy a
serem implementada. Esse arquivo pode ser criado através da toolbox de controle Fuzzy
software MatLab, cuja janela é apresentada na Figura 20. Após criar a fis file, ela foi
carregada no bloco a ser utilizado na simulação e dessa forma o bloco age conforme a
lógica e regras estabelecidas. Vale ressaltar que o para realizar a deffuzificação escolhido
foi o método da centróide [26].
Figura 20 – Ferramenta de criação da lógica e regras Fuzzy.
Na Figura 21, a entrada do sistema representa o erro entre a velocidade desejada e

a velocidade atual do rotor, e a saída do sistema é o sinal de comando de ângulo de

ataque enviado pelo sistema de controle Fuzzy-PI. Os blocos de funções f(u) representam
as equações 3.2 e 3.3 apresentadas anteriormente, essas equações utilizam o resultado da
lógica Fuzzy e para calcular o valor de ganho Kp e Ki do sistema.
Figura 21 – Sistema de controle Fuzzy-PI implementado.
3.4 Gain Scheduling

O controle por Gain Scheduling é um controle adaptativo que modifica os parâmetros
de um controlador, geralmente linear, de acordo com o ponto de operação que o sistema
se encontra. Isso faz com que o sistema tenha uma menor variação de desempenho em
diferentes pontos de operação. O uso dessa técnica é interessante quando se tem um
sistema não linear cujo comportamento possa ser determinado em diferentes pontos de
operação. Esta informação é então utilizada para projetar curvas de parâmetros que
fornecem os novos parâmetros do controlador de acordo com o ponto de operação. No
caso desse trabalho, essa técnica de controle é utilizada de duas formas, a primeira supondo
que apenas o ganho do processo varie de acordo com o ponto de operação, e outra supondo
que tanto o ganho do processo quanto a variação da constante de tempo do processo.
O controle implementado com lógica Fuzzy não utiliza um modelo do processo, dessa
forma, foi possível realizá-lo mesmo sem um modelo do sistema, porém, outras técnicas
de controle precisam de um modelo real ou aproximado do processo, como é o caso do
Gain Scheduling. Dessa maneira, é necessário primeiro encontrar um modelo aproximado
do sistema em diferentes pontos de operação para implementar essa técnica de controle.
3.4.1 Obtenção de modelo aproximado

Como explicado anteriormente, como o objetivo principal é manter a velocidade de
rotação constante no valor nominal de operação, a referência de velocidade não muda,
fazendo com que o principal objetivo seja a rejeição de perturbações e não o seguimento
de referências. A variação de velocidade do vento causa a mudança do ponto de operação,
dessa forma, é preciso levantar os modelos entrada/saída para diferentes velocidades de
vento. Para cada uma das velocidades do vento avaliadas, foram aplicados degraus na
referência de velocidade do rotor, dessa forma foi possível observar como a mudança de
ponto de operação mudou a relação entrada/saída (ângulo pitch/velocidade de rotação).
Para a obtenção dos dados, diversas simulações em malha fechada foram feitas se-
guindo o mesmo procedimento: (1) estabilizar o sistema na velocidade de rotação nomi-
nal com uma velocidade de vento x; (2) aplicar um degrau na referência; (3) coleta dos
dados da saída e do sinal de controle. Foram consideradas velocidades de vento entre 12
e 19 (km/h). Com os dados obtidos, o próximo passo é obter um modelo linear no ponto
de operação considerado. Para isso, foi utilizada a ferramenta System Identification do
software MatLab, que é um toolbox de identificação de sistemas. É possível identificar
diversos tipos de modelos utilizando essa ferramenta, inclusive não-lineares. No entanto,
o tipo de modelo considerado foi o linear por função de transferência discreta.
Figura 22 – System Identification.
Antes de utilizar o System Identificaton, apresentado na Figura 22, os dados foram

deslocados para o eixo zero, ou seja, os valores do ponto de operação em questão fo-
ram subtraídos dos dados originais. Assim, foi possível utilizar o toolbox para encontrar
funções de transferência que representam a dinâmica entrada/saída do sistema em cada
ponto considerando diferentes velocidades de vento. Na Figura 23 temos um exemplo de
linearização realizada pelo System Identification, onde é possível observar que as curvas
das funções de transferência ficaram praticamente sobrepostas.
Todas as identificações foram feitas com funções de transferências tendo 2 pólos e
1 zero, para ter uma proximidade maior entre os sistemas aproximados e os resultados
das simulações. As aproximações tiveram resultados superiores a 95% de pertencimento
às curvas reais. Os gráficos das respostas ao degrau para os sistemas linearizados são
apresentados na Figura 24, nele podemos observar que é possível realizar uma simpli-
ficação dessas plantas para plantas de primeira ordem, a fim de facilitar o cálculo dos
controladores.
Figura 23 – Resultado de uma das identificações com o System Identification Toolbox.
Na Figura 24 é possível observar claramente que os ganhos e as constantes de tempo

variam bastante de acordo com o ponto de operação. Com esses resultados, e uma sim-
plificação de primeira ordem nas plantas, é possível aplicar as duas estratégias de Gain
Scheduling que serão analisadas no trabalho.
Figura 24 – Resposta ao degrau dos sistemas linearizados.
3.4.2 Primeira estratégia

A primeira estratégia supõe que apenas o ganho do processo varie de acordo com
o ponto de operação. Assim, a partir de uma simplificação para primeira ordem dos
resultados anteriores, a planta pode ser definida como:
f (w) K(w)
G(s,w) = = , (3.4)
τs + 1 s+p
com p = 1/τ e K(w) = f (w)/τ .
Nessa estratégia, deseja-se ajustar os ganhos Kp e Ti do controlador de tal forma que
o efeito na variação do ganho do processo seja compensado e fique fixo de acordo com um
valor pré-estabelecido. O controlador usa o formato paralelo e é dado por:
s + Kp Ti
 
1
1 Kp Ti s + 1

C(s) = Kp + = = Kp   (3.5)
Ti s Ti s s
Assumimos que o controlador foi ajustado com a velocidade de vento igual a 15 (km/h),
desta forma, dado que Ki = 1/Ti , e que Ki e Kp serão ajustados de acordo com a
velocidade do vento, os polos de malha fechada são dados por:
Pmf (s) = (s + p)s + K(w)(Kp (w)s + Ki (w))
Pmf (s) = s2 + s(p + K(w)Kp (w)) + K(w)Ki (w) (3.6)
Considerando uma velocidade de vento de 15 (km/h) utilizada para os cálculos, foi

possível obter uma equação de malha fechada desejada para o sistema:
Pmf (s) = s2 + s(p + K(15)Kp (15)) + K(15)Ki (15)

Pmf (s) = s2 + as + b
Pmf (s) = s2 + 0.6535s + 0.1480 (3.7)
que será utilizada como objetivo ao se variar os parâmetros de sintonia do controlador, ou

seja, deseja-se que esse polinômio de malha fechada seja sempre satisfeito, independente
da variação do ganho do processo devido à velocidade do vento. Então, comparando as
equações (3.6) e (3.7), temos a seguinte relação:
p + K(w)Kp (w) = a K(w)Ki (w) = b

Kp (w) = K(w)
a−p
Ki (w) = K(w)
b
(3.8)
Ti (w) = K(w)
b
e, dada essa última equação, podemos escrever a − p = Kp (15)K(15) e b = K(15)/Ti (15),

o que permite obter Kp (w) e Ti (w) de forma normalizada:
Kp (w) = a−p
Ti (w) = K(w)
K(w) b
(3.9)
Kp (w) = Kp (15) K(15)
K(w)
Ti (w) = Ti (15) K(15)
K(w)
Tabela 3 – Look-Up Table K
Velocidade (km/h) Valor Look-Up Table

12 1,0074
13 0,7345
14 0,5745
15 0,4796
16 0,1354
17 0,1902
18 0,1043
19 0,3076
Tabela 4 – Ganhos Kp e Ki
Velocidade (km/h) Ganho Kp Ganho Ki

12 9,5215 2,3804
13 13,0592 3,2648
14 16,6963 4,1741
15 20,0000 5,0000
16 70,8420 17,7105
17 50,4311 12,6078
18 91,9655 22,9914
19 31,1834 7,7958
Figura 25 – Look-Up Table K.
Assim, a Look-Up Table recebe o valor de velocidade atual do vento e, de acordo com a
tabela de ganhos obtida através das identificações do sistema (Tabela 7 e Figura 25), altera
os valores de Kp e Ki do controlador conforme a Figura 26, para valores intermediários
é feita a interpolação entre os 2 valores mais próximos. Alguns dos possíveis valores de
Kp (w) e Ki (w) são mostrados na Tabela 4. Desse modo, o ganho de malha fechada é
mantido constante, independente da velocidade do vento.
Figura 26 – Controlador com Gain Scheduling para 1ª Estratégia.
3.4.3 Segunda estratégia

A segunda estratégia utilizada é quase idêntica à primeira mas, ao invés de considerar
apenas o ganho do processo variável, também se considera a variação da constante de
tempo do processo com a mudança da velocidade do vento. A partir dos modelos identi-
ficados, encontra-se uma representação simplificada de primeira ordem para o processo:
f (w) K(w)
G(s,w) = = (3.10)
t(w)s + 1 s + p(w)
sendo que K(w) = f (w)/t(w), p(w) = 1/t(w), e f (w) representa o ganho da planta em
função da velocidade do vento, e t(w) representa a constante de tempo da planta em
função da velocidade de vento.
Tabela 5 – Ganho f (w) e Constante de tempo t(w) da planta
Velocidade (km/h) Constante de tempo t(w) Ganho da planta f (w)

12 19,1333 1,0074
13 15,7667 0,7345
14 16,2333 0,5745
15 16,2667 0,4796
16 8,8333 0,1354
17 4,5000 0,1902
18 9,0667 0,1043
19 12,3667 0,3076
Considerando o controlador PI (3.5), o polinômio de malha fechada é dado por:

Pmf (s) = (s + p(w))s + K(w)(Kp (w)s + Ki (w))

Pmf (s) = s2 + s(p(w) + K(w)Kp (w)) + K(w)Ki (w) (3.11)
Assim como na estratégia anterior, considera-se que o PI original foi sintonizado con-
siderando uma velocidade de vento de 15 (km/h). Desta forma, para w = 15 (km/h), o
polinômio de malha fechada desejado é o mesma da estratégia anterior, dado por (3.11).
A partir da malha fechada desejada e da malha fechada genérica podemos obter os valores
de ganho para cada velocidade de vento obtendo, dessa forma, um Gain Scheduling para
os ganhos Ki e Kp :
p(w) + K(w)Kp (w) = a K(w)Ki (w) = b

Kp (w) = a−p(w)
K(w)
Ki (w) = K(w)
b
= bt(w)
f (w) (3.12)
1
a− t(w)
Kp (w) = f (w) = t(w)a−1
f (w)
Ti (w) = f (w)
bt(w)
t(w)
Resolvendo os equacionamentos para encontrar os valores de Ki e Kp , podemos colocar

esses valores dentro de uma tabela para utilizar no software. Alguns dos possíveis valores
são mostrados na Tabela 6.
Tabela 6 – Ganhos Kp e Ki
Velocidade (km/h) Ganho Kp Ganho Ki

12 11,4191 2,8109
13 12,6665 3,1769
14 16,7249 4,1820
15 20,0798 5,0197
16 35,2480 9,6553
17 10,2037 3,5016
18 47,2202 12,8655
19 23,0222 5,9502
Figura 27 – Look-Up-Table para Kp e Ki em função da velocidade do vento..

Nesse caso, são duas Look-Up-Tables que recebem o valor de velocidade atual do
vento, e, de acordo com a Tabela 6 de ganhos, os ganhos Kp e Ki do controlador PI são
atualizados, de acordo com a Figura 28. A intenção desse controlador é manter a resposta
do sistema de malha fechada igual para todos os pontos de operação do sistema.
Figura 28 – Controlador com Gain Scheduling para 2ª Estratégia.
3.4.4 Gain Scheduling Empírico

Além das duas maneiras teóricas de controle por Gain Scheduling, foi desenvolvida ou-
tra estratégia de acordo com os resultados obtidos na segunda estratégia. Essa estratégia
diminuia o ganho integrador, já que, através dos testes, de forma empírica, foi possível
notar que valores muito altos de ganho integrador estavam prejudicando o desempenho
do sistema.
O controlador Gain Scheduling obtido através de testes foi realizado observando uma
deficiência no controlador de Gain Scheduling onde era suposta a alteração do ganho do
processo e da variação da constante de tempo do processo, essa deficiência foi constatada
no ganho do integrador, que foi diminuído e com isso foi obtido o melhor resultado. Nessa
estratégia foi utilizado o controlador de Gain Scheduling da estratégia dois, com o ganho
do Ki sendo dividido por 80, dessa forma sua influência foi bem menor, e o aspecto
negativo do seu impacto foi removido.
3.5 Comentários finais

Nessa seção foram descritos todos os cenários que são utilizados nas simulações, as
motivações por trás de cada cenário, além de breves resultados esperados para cada um
deles. Foram apresentados também os métodos de controle que são utilizados, e como cada
método foi aplicado no estudo. Os resultados das simulações se encontram na próxima

seção.
48
4 Resultados
Nesse capítulo, são apresentados os resultados das simulações realizadas durante o

estudo, além das comparações e discussão sobre os resultados. A principal comparação
realizada entre os diferentes controles de velocidade por comando de ângulo de ataque é a
de energia gerada, porém outros resultados relevantes são apresentados, como a velocidade
do rotor e os sinais de comando.
A obtenção de resultados das simulações foram obtidas através do software MatLab
e Simulink, utilizando o modelo de turbina eólica apresentado na Seção 2.6, fazendo as
devidas alterações para cada técnica de controle e cenário avaliado.
Os resultados são discutidos mais amplamente em um tópico separado após os resul-
tados de todos os cenários, porém, ao final de cada cenário uma breve análise é realizada.
4.1 Resultados Cenário 1

O primeiro cenário considera a velocidade do vento constante e superior à velocidade
ideal, porém abaixo da velocidade de corte. Com isso, todas as técnicas de controle devem
ter um bom desempenho, porém, é esperado um resultado melhor para os sistemas com
Fuzzy-PI e Gain Scheduling, pois a velocidade é maior que a velocidade ideal do sistema,
para onde foi linearizado o PI.
Os resultados dos três diferentes controles foram obtidos para potência gerada, velo-
cidade do rotor, ângulo de ataque desejado e atual. O gráfico da potência gerada ilustra
o total de potência gerada durante a simulação, o gráfico da velocidade do rotor ilustra
o valor da mesma para cada instante de tempo e o gráfico do ângulo desejado e atual
representa o ângulo de comando enviado pelo controlador (comando) e o ângulo atingido
pelo atuador (atual). Para o controle de velocidade realizado através de um controlador
PI, foram obtidos os gráficos da Figura 29.
Capítulo 4. Resultados 49
Figura 29 – Resultados com controlador PI - Cenário 1.
Utilizando o Controlador Fuzzy-PI, com Kp e Ki máximo de 10% acima do valor

utilizado no controlador PI os resultados obtidos ficaram conforme os da Figura 30.
Figura 30 – Resultados com controlador Fuzzy-PI 10% - Cenário 1.
Alterando a porcentagem de máximo e mínimo utilizadas nos resultados anteriores

para 20% tivemos os resultados conforme a Figura 31 para esse cenário.
Figura 31 – Resutlados com controlador Fuzzy-PI 20% - Cenário 1.
Utilizando o Controlador com Gain Scheduling para primeira estratégia os resultados

obtidos ficaram conforme os gráficos da Figura 32.
Figura 32 – Resultados com Controlador Gain Scheduling - Cenário 1.
Utilizando o Controlador com Gain Scheduling para segunda estratégia os resultados

Figura 33 – Resultados com Controlador Gain Scheduling Kp e Ki - Cenário 1.
Nesse cenário, como esperado, os resultados de geração de energia foram os mais

semelhantes, com o melhor resultado sendo obtido utilizando a técnica de Gain Scheduling
para primeira estratégia. Através de testes empíricos foi possível encontrar uma solução
melhor alterando o ganho integrador calculado para o Gain Scheduling, com isso esse novo
controlador teria a melhor geração de energia dentre os observados, conforme a Figura
34.
Figura 34 – Resultados com Controlador Gain Scheduling Kp e Ki Corrigido - Cenário 1.


No segundo cenário consiste em uma velocidade do vento com comportamento seme-
lhante a dente de serra, variando entre velocidades entre os limites de velocidade de corte
e velocidade de partida, com isso, o mais difícil em termos de desempenho do sistema,
os sistemas Fuzzy-PI e Gain Scheduling devem ter um resultado melhor que o PI já que
ambos tem características adaptativas.
o total de potência gerada durante a simulação, a gráfico da velocidade do rotor ilustra
pelo atuador (atual). Para o controle de velocidade através de um controlador PI foram
obtidos os gráficos da Figura 35.

utilizado no controlador PI os resultados obtidos ficaram conforme os gráficos da Figura
36.
Figura 36 – Resultados com Controlador Fuzzy-PI 10% - Cenário 2.

para 20% tivemos os seguintes resultados conforme a Figura 37 para esse cenário.

obtidos ficaram conforme os gráficos das Figuras 38.

Os resultados para esse cenário, como esperado, foram os com maior variação em ve-
locidade do rotor e a menor geração de energia dentre os cenários avaliados, o controlador
com o melhor resultado foi o Gain Scheduling para primeira estratégia. Através de testes
empíricos foi possível encontrar uma solução melhor alterando o ganho integrador calcu-
lado para o Gain Scheduling, com isso esse novo controlador teria a melhor geração de
energia dentre os observados, conforme a Figura 40.

O terceiro cenário simulado tem um sinal de velocidade de vento aleatório, com valores
variando em uma faixa ao redor da velocidade ideal, nesse cenário, com variações menos
agressivas, o resultado esperado é um desempenho melhor que o cenário anterior para
todas as técnicas de controle.

42.

para 20% tivemos os resultados dos gráficos da Figura 43 para esse cenário.

Figura 44 – Energia gerada com Controlador Gain Scheduling - Cenário 3.

Dentro desse cenário, os resultados indicam um melhor desempenho do sistema utili-

zando o controle por Gain Scheduling para primeira estratégia. Através de testes empí-
ricos, foi possível encontrar uma solução melhor alterando o ganho integrador calculado
para o Gain Scheduling, com isso esse novo controlador teria a melhor geração de energia
dentre os observados, conforme a Figura 46.


O último cenário simulado consiste em um sinal de velocidade de vento senoidal, com
valores oscilando em uma faixa ao redor da velocidade ideal. Nesse cenário oscilatório
como o Cenário 2, o resultado esperado é de um desempenho melhor para os sistemas
com técnicas de controle Fuzzy-PI e Gain Scheduling, já que possuem características
adaptativas para auxiliar com a alteração constante da velocidade do vento.

48.
Figura 48 – Energia gerada com Controlador Fuzzy-PI 10% - Cenário 4.

para 20% tivemos os gráficos da Figura 49 para esse cenário.
Figura 49 – Energia gerada com Controlador Fuzzy-PI 20% - Cenário 4.


No quarto cenário foi possível observar, conforme todos os outros cenários, um desem-
penho melhor para o sistema com o controle por Gain Scheduling para primeira estratégia.
Através de testes empíricos, foi possível encontrar uma solução melhor alterando o ga-
nho integrador calculado para o Gain Scheduling, com isso esse novo controlador teria a
melhor geração de energia dentre os observados, conforme a Figura 52.
4.5 Discussão de resultados

Os resultados obtidos foram condensados e são mostrados na Tabela 7 para facilitar
a avaliação dos mesmos. A tabela foi montada separando os resultados de energia gerada
por tipo de controle para cada cenário.
Além da tabela contendo os resultados de comparação de energia gerada para todas
técnicas, Gain Scheduling primeira estratégia (GS Est. 1), Gain Scheduling segunda
estratégia (GS Est. 2), Gain Scheduling obtido através de testes na segunda estratégia
(GS Empírico), Fuzzy PI com 10% (Fuz 10%) e 20% (Fuz 20%) e o PI tradicional (PI).
Comparações quantitativas quanto ao RPM do Rotor também são realizadas, utilizando
Integral of the Squared Error (ISE), que é uma forma de medir o erro de seguimento de
referência, sendo que valores menores indicam menos erro no cenário de simulação. A
definição do ISE é dada em (4.1), e os valores dos cenários são dados na Tabela 8.
Z tf
ISE = (r(τ ) − y(τ ))2 dτ (4.1)
t=0
onde tf , r e y são, respectivamente, o tempo final de simulação, a referência e a saída do

processo.
Tabela 7 – Resultados de Energia Gerada por Cenário.
PI Fuz. 10% Fuz. 20% GS Est. 1 GS Est. 2 GS Empírico

Cen. 1 11,44 MW 11,40 MW 11,65 MW 15,53 MW 11.37 MW 15,66 MW
Cen. 2 9,83 MW 9,93 MW 9,83 MW 11,42 MW 8,49 MW 11,79 MW
Na Tabela 7 fica claro aferir que os resultados para todos os cenários os melhores
desempenhos foram obtidos para os sistemas com controle por Gain Scheduling para
primeira estratégia e o Gain Scheduling obtido através de testes, com melhoras chegando
a mais de 15% em comparação com os sistemas com controle PI e Fuzzy-PI. Os resultados
de geração de energia também ficaram superiores nos sistemas com controle Fuzzy-PI em
relação aos sistemas com Controle PI, exceto pelo resultado obtido pela técnica Fuzzy-PI
10% no cenário 1.
Tabela 8 – Resultados de ISE por Cenário.
PI Fuz. 10% Fuz. 20% GS Est. 1 GS Est. 2 GS Empírico

Cen. 1 6,60e-8 2,84e-6 1,73e-5 0,0068 1,52e-8 0,017
Cen. 2 0,0040 0,0033 0,0027 0,0073 0,0011 0,0062
Cen. 3 2,72e-4 8,45e-6 2,91e-5 7,49e-4 9,15e-5 0,0012
Cen. 4 4,49e-4 4,52e-4 5,21e-4 0,0056 2,46e-4 0,0082
Na Tabela 8 são apresentados os resultados do ISE, que é a integral do quadrado do erro

entre a referência e a velocidade do rotor, esse indíce serve para verificar o quão próximo
da referência ficou a velocidade do rotor durante o tempo, com esses resultados é possível
observar que o sistema de Gain Scheduling obtido através de testes tem o pior desempenho
para todos os cenários, seguida pela primeira estratégia de Gain Scheduling enquanto as
outras técnicas de controle tem desempenhos semelhantes em todos os cenários, alternando
de cenário para cenário a técnica com melhor desempenho.
Com as informações obtidas através de cada uma das tabelas as técnicas de controle
com o melhor desempenho para geração de energia foram as de Gain Scheduling da pri-
meira estratégia e o empírico, porém, ambas tiveram ISE mais elevados que as outras
técnicas, o que indica que não seguiram a referência com tanta eficiência. Essa combina-
ção de resultados é devido ao fato dos métodos com mais geração de energia ficarem a
uma velocidade levemente superior à referência durante todo periodo simulado, com isso
aumentando o ISE.
Devido ao fato da simulação ter um custo computacional elevado, cada 70 segundos de
simulação leva em torno de 2 horas. Assim, não foi possível executar cenários com tempo
de simulação maiores, o que tornaria possível uma afirmação mais categórica sobre a
eficácia das técnicas propostas. De qualquer maneira, os resultados em diferentes cenários
indicam que uma melhora seria alcançada em simulações mais longas.
O sistema sempre começa parado nas simulações, com isso os primeiros segundos da
simulação não tem geração de energia, apenas um gasto não significativo para a proporção
do gráfico, isso acontece porque nesse tempo está acontecendo a partida do sistema, que
demanda uma pequena quantia de energia da rede de transmissão.
O que deve ser levado em consideração é o sistema hidráulico de atuação das lâminas,
como foi simulado um sistema real essa resposta não é ideal e então tem influência sobre
as velocidades, sinal de comando e geração de energia também. Já o sistema de controle
de guinada não tem influência sobre o resultado, visto que foi utilizada uma direção do
vento sempre constante em zero, para tirar a influência desse sistema nos resultados.
Nos gráficos de RPM do motor, é observado que os controladores Fuzzy-PI tiveram
alterações mais agressivas em relação aos outros controladores, porém tiveram resultado de
energia gerada maior que o controle PI, já o controle por Gain Scheduling teve resultados
melhores em geração de energia, e foram menos agressivos no seguimento de velocidade.
65
5 Conclusões
No presente trabalho foram estudados sistemas de geração de energia eólica, sendo

realizadas simulações com a intenção de comparar o efeito de métodos de controle de
velocidade na energia gerada de uma turbina eólica. As técnicas de controle estudadas
foram o tradicional PI, a lógica de controle Fuzzy associada ao PI e um controle por Gain
Scheduling para os ganhos Kp e Ki , sendo que as simulações foram realizadas com auxílio
do software M atlab.
Durante a revisão bibliográfica do conteúdo foi vista uma necessidade de controladores
que tenham bom desempenho em sistemas não lineares, visto que sistemas eólicos possuem
essas características. Dessa forma, a comparação de energia gerada com um controlador
adaptável a situações diversas como o Fuzzy e Gain Scheduling tem relevância, e dentro
das limitações de simulações e tempo, as técnicas de controle avaliadas se mostraram
capazes de melhorar o desempenho das turbinas eólicas.
As técnicas de controle aplicadas foram descritas de forma a possibilitar a replica-
ção para trabalhos futuros, os cenários foram variados para dar mais credibilidade aos
resultados obtidos no estudo.
Nos resultados obtidos foi possível observar, dentro dos cenários estudados, resultados
positivos em relação à técnica de controle por Fuzzy associado ao PI, que obteve melhoras
na geração de energia próximas a 10% em alguns dos cenários, enquanto o sistema com
controle por Gain Scheduling mostrou um desempenho superior ao PI e ao método Fuzzy,
atingindo até 15% de melhora. Devido ao fato da simulação ter um custo computacional
elevado, cada 70 segundos de simulação leva em torno de 2 horas, não é possível afirmar
com garantias que em um sistema real, e em tempos elevados de testes, os resultados
seriam os mesmos. De qualquer maneira, os resultados em diferentes cenários indicam
que uma melhora seria alcançada em simulações mais longas.
5.1 Estudos futuros

Para trabalhos futuros seria de grande relevância simulações dessas mesmas técnicas
de controle com foco na parte de danos estruturais a turbina. Simulações com outros tipos
de controles nas mesmas condições das simulações realizadas nesse estudo e a aplicação
de técnicas de controle no loop interno da cascata de controle também tem relevância
acadêmica.
Outro estudo futuro interessante seria avaliar as condições das cargas sobre os equi-
pamentos do sistema utilizando esses diferentes controles, para avaliar a viabilidade na
questão de manutenção das técnicas de controle aplicadas, além de simulações com tempos
Capítulo 5. Conclusões 66
maiores e sob condições mais realistas. Outro estudo com relevância seria a comparação
dos resultados para essas técnicas de controle em outros sub sistemas de um sistema de
geração de energia eólica.
67
Referências Bibliográficas
1 GOMES, J. P. P.; VIEIRA, M. M. F. O campo da energia elétrica no

Brasil de 1880 a 2002, Scielo, Brasil. In: . [s.n.], 2008. Disponível em:
<https://www.scielo.br/pdf/rap/v43n2/v43n2a02.pdf>. 14
2 IEA. World Energy Outlook 2019, IEA, Paris. In: . [s.n.], 2019. Disponível em:
<https://www.iea.org/reports/world-energy-outlook-2019>. 14
3 AGENCY, I. . E. Data and statistics. In: . [s.n.], 2020. Disponível em:

<https://www.iea.org/data-and-statistics>. 14, 15
4 RITCHIE, H.; ROSER, M. Co and greenhouse gas emissions. Our World in Data,
2017. Https://ourworldindata.org/co2-and-other-greenhouse-gas-emissions. 14
5 GRAY, R. The biggest energy challenges facing humanity.

In: . [s.n.], 2017. Disponível em: <https://www.bbc.com/future/article/
20170313-the-biggest-energy-challenges-facing-humanity>. 14
6 SUSTENTAVEL, C. . E. B. para D. ENERGIA É TEMA FUNDAMENTAL

NO ACORDO DE PARIS. In: . [s.n.], 2020. Disponível em: <http://cebds.org/
cop22/energia-e-tema-fundamental-no-acordo-de-paris/>. 15
7 ADMINISTRATION, E. . I. Renewable energy explained: Incentives. In: .

[s.n.], 2020. Disponível em: <https://www.eia.gov/energyexplained/renewable-sources/
incentives.php>. 15
8 STIEBLER, M. Wind Energy Systems for Electric Power Generation. 1st edition.. ed.
[S.l.]: Springer, 2010. (Green Energy and Technology). ISBN 9783642088261,3642088260.
15
9 Mohammad, S. N.; Das, N. K.; Roy, S. A review of the state of the art of generators
and power electronics for wind energy conversion systems. In: 2014 3rd International
Conference on the Developments in Renewable Energy Technology (ICDRET). [S.l.: s.n.],
2014. p. 1–6. 15, 16
10 BILGILI, M. A global review of wind power installations and their development in

turkey. CLEAN – Soil, Air, Water, v. 37, p. 195 – 202, 03 2009. 15
11 Senjyu, T. et al. Output Power Control of Wind Turbine Generator by Pitch Angle
Control using Minimum Variance Control. IEEJ Transactions on Power and Energy,
v. 124, n. 12, p. 1455–1462, jan. 2004. 15
12 AMENDOLA, C.; GONZAGA, D. P. Fuzzy-logic control system of a variable-speed

variable-pitch wind-turbine and a double-fed induction generator. In: Seventh
International Conference on Intelligent Systems Design and Applications (ISDA 2007).
[S.l.: s.n.], 2007. p. 252–257. 16, 21, 35
13 REIS, P. Energia Eólica. In: . [s.n.], 2019. Disponível em: <https://www.

portal-energia.com/energia-eolica/>. 16
Referências Bibliográficas 68
14 METEREOLOGIA, S. M. S. ENERGIA EÓLICA: COMO O

CLIMA INTERFERE NA GERAÇÃO DE ENERGIA ELÉTRICA?
In: . [s.n.], 2018. Disponível em: <https://blog.somarmeteorologia.com.br/
energia-eolica-como-o-clima-interfere-na-geracao-de-energia-eletrica/>. 18
15 ELéTRICA, A. A. N. de E. Energia eólica. In: . [s.n.], 2020. Disponível em:

<http://www2.aneel.gov.br/aplicacoes/atlas/energia_eolica/6_4.htm>. 19
16 NAKATA, B. H. Análise de controle de aerogeradores de indução duplamente

alimentados e perfil de tensão em redes de subtransmissão. 2018. 21
17 MARTíNEZ-MáRQUEZ, C. I. et al. Small wind turbine emulator based on

lambda-cp curves obtained under real operating conditions. Energies, v. 12, n. 13, 2019.
ISSN 1996-1073. Disponível em: <https://www.mdpi.com/1996-1073/12/13/2456>. 24
18 BASSI, H.; MOBARAK, Y. A. State-space modeling and performance analysis of

variable-speed wind turbine based on a model predictive control approach. Engineering,
Technology & Applied Science Research, v. 7, n. 2, p. 1436–1443, Apr. 2017. Disponível
em: <https://etasr.com/index.php/ETASR/article/view/1015>. 25
19 OPIE, R. Pitch control critical for wind power. Machine Design, 2018. Disponível
em: <https://www.machinedesign.com/mechanical-motion-systems/article/21836463/
pitch-control-critical-for-wind-power>. 25
20 MILLER, S. Wind model turbine. 2021. Disponível em: <https://github.com/

mathworks/Simscape-Wind-Turbine/releases/tag/20.1.3.1>. 25, 26, 27, 28, 30
21 PRASAD, P. Reducing lcoe through innovation in the design of the pitch control
system. WindEurope 2016, 2016. Disponível em: <https://windeurope.org/summit2016/
conference/proceedings-Pr0cghyDVy/index2.php?page=info2&id2=159&id=43&ordre=
210&tr=&presa=OC&day=&searchtext=&day=&learning=&keyword=&fil2=&fil2&
ord1=&sess=>. 26
22 Bolognani, S.; Venturato, A.; Zigliotto, M. Theoretical and experimental comparison

of speed controllers for elastic two-mass-systems. In: 2000 IEEE 31st Annual Power
Electronics Specialists Conference. Conference Proceedings (Cat. No.00CH37018). [S.l.:
s.n.], 2000. v. 3, p. 1087–1092 vol.3. 33
23 Lichtman, A.; Fuchs, P. Theory of pi controller and introduction to implementation

for dc motor controls. In: 2017 Communication and Information Technologies (KIT).
[S.l.: s.n.], 2017. p. 1–5. 33
24 FERREIRA, C. Estudo comparativo entre as tecnicas de controle fuzzy, pi e

adaptativo aplicado ao processo de fabricação de papel reciclado utilizando a ferramenta
delta tune. In: . [S.l.: s.n.], 2009. 34, 36
25 HAMANE, B. et al. Control for variable speed wind turbine driving a doubly
fed induction generator using fuzzy-pi control. Energy Procedia, v. 18, p. 476–485,
2012. ISSN 1876-6102. Terragreen 2012: Clean Energy Solutions for Sustainable
Environment (CESSE). Disponível em: <https://www.sciencedirect.com/science/
article/pii/S1876610212008296>. 35
Referências Bibliográficas 69
26 PASSINO, K. M.; YURKOVICH, S.; REINFRANK, M. Fuzzy control. [S.l.]:

Citeseer, 1998. v. 42. 37

11

Enviado por

Dados do documento

Descrição original:

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

11

Enviado por

Direitos autorais:

Formatos disponíveis

Universidade Federal de Santa Catarina

Eduardo Rafael Nones

Estudo Comparativo de Técnicas de Controle de Geração de

Estudo Comparativo de Técnicas de Controle de

Trabalho de Conclusão de Curso apresentado à Universidade Fede-

Universidade Federal de Santa Catarina

Estudo Comparativo de Técnicas de

Trabalho de Conclusão de Curso apresentado à Universidade

Prof. Dr. Daniel Martins Lima

Prof. Dr. Luiz Antônio Maccari Jr.

Prof. Dr. Marcos Vinícius Matsuo

Blumenau, 17 de setembro de 2021

Agradeço primeiramente a Deus por ter me dado a oportunidade de completar essa

Figura 1 – Consumo de eletricidade no mundo, 1990-2018. . . . . . . . . . . . . . 14

Tabela 1 – Dados do Modelo MatLab. . . . . . . . . . . . . . . . . . . . . . . . . . 28

UFSC Universidade Federal de Santa Catarina

Figura 1 – Consumo de eletricidade no mundo, 1990-2018 [3].

Uma das grandes preocupações da atualidade na questão energética é a sua susten-

Figura 2 – Geração de energia eólica mundial, 1990-2018 [3].

Uma das características da energia eólica é a rápida implementação, visto que as

on-shore e os off-shore, a diferença entre esses parques é a localização dos mesmos, os em

1.1.1 Objetivos Específicos

• Revisar bibliografia de sistemas eólicos;

• Revisar bibliografia de sistemas de controle;

• Simular um sistema de geração de energia eólica;

• Aplicar técnicas avançadas para controle de rotação/potência;

• Analisar os resultados de simulações de geração de energia eólica;

enquanto no último capítulo são apresentadas as conclusões obtidas através da realização

A energia eólica em alguns quesitos é semelhante à energia hidroelétrica que é a fonte

2.1 Planta Eólica

Figura 3 – Aerogerador [14].

Figura 4 – Esquema Aerogerador [15].

2.1.4 Caixa Multiplicadora

2.1.5 Gerador Elétrico

• gerador de indução conectado diretamente à rede;

• gerador de indução duplamente alimentado conectado à rede através de conversores

• gerador síncrono de imã permanente conectado à rede através de conversores eletrô-

O mais comumente utilizado é o gerador de indução duplamente alimentado conectado

2.1.6 Sistema de Controle

Figura 5 – Sistema de controle.

2.2 Potência Gerada

Figura 6 – Curva característica Velocidade do vento x Potência Gerada.

O controle de ângulo de ataque (Pitch angle control), comentado anteriormente, tem

onde são utilizadas a densidade do ar ρ (kg/m3 ), a velocidade do vento Vw (m/s), a

2.3 Maximum Power Point Tracking

Figura 7 – Curva de Cp (β,λ) para diferentes valores de β e λ [17].

Figura 8 – Região de controle de acordo com velocidade do vento [17].

O Pitch angle control funciona equilibrando o aumento da velocidade do vento com o

2.4 Controle de velocidade e ângulo de ataque

Figura 9 – Estrutura do Pitch Angle Control utilizada no modelo MatLab [20].

O controle de ângulo de ataque ocorre em cascata, conforme a Figura 9, onde o loop

de posição atual. O ângulo de ataque atuado sobre as lâminas ajusta a velocidade de

2.5 Atuadores de Pitch Angle

2.6 Modelo Turbina Eólica MatLab

• bloco de entradas do sistema (turbine inputs): esse bloco fornece/gera a velocidade

• bloco do controle principal do software (main controller): esse bloco é responsável

• blocos de partes físicas do sistema: o bloco da nacele, do gerador, das lâminas da

Figura 10 – Modelo Turbina Eólica MatLab [20].

No trabalho o foco é no controle do comando do ângulo de ataque através do segui-

Figura 11 – Pitch Controller [20].

Dentro do modelo implementado, os controles utilizados são controles do tipo PI,

Tabela 1 – Dados do Modelo MatLab.

Dados do Modelo MatLab