Revista Iberoamericana de Automática e Informática industrial 16 (2019)

www.revista-riai.org

Control inteligente para mejorar el rendimiento de una plataforma semisumergible

híbrida con aerogeneradores y convertidores de oleaje: sistema de control
borroso para la turbina
Pedro Mayorga Rubioa, Javier Fernández Quijanoa, Pablo Zambrana Lópezb, J. Jesús Fernández Lozanob*, Alfonso García
Cerezob, Joaquín Ortega Casanovac
a
EnerOcean S.L. Bulevar Louis Pasteur 5, Of.321. Málaga, España.
bDepartamento de Ingeniería de Sistemas y Automática. Universidad de Málaga. Málaga, España

c Departamento de Ingeniería Mecánica, Térmica y de Fluidos. Universidad de Málaga. Málaga, España

Resumen

El aprovechamiento de la energía eólica marina está limitado por la saturación de los emplazamientos viables en tierra o aguas
poco profundas. Esto hace que el empleo de plataformas semisumergibles mar adentro sea una opción atractiva, que además
permite incorporar otros elementos como convertidores de oleaje. Sin embargo, las interacciones entre convertidores de olas y
aerogeneradores aumentan la complejidad del sistema, y las técnicas de control convencional no permiten considerar fácilmente
estas interacciones, limitando el aprovechamiento de la energía primaria. El uso de técnicas de control inteligente, en particular
control borroso, permite considerar estas interacciones y mejorar este aprovechamiento, si bien es necesario contar con modelos
y sistemas de simulación que incluyan estos efectos. Este trabajo presenta el desarrollo de un sistema de control basado en lógica
borrosa, escalable para considerar los efectos del control de convertidores de oleaje gracias a un modelo de simulación propio,
para el control de un aerogenerador instalado en una plataforma semisumergible OC4.

Palabras Clave:
Técnicas de control inteligente, Control borroso y sistemas borrosos, Simulación de sistemas, Energías renovables, Control PID
y variantes, Sostenibilidad y estabilidad medioambiental, Modelado, diseño e integración de sistemas mecatrónicos, Motores
eléctricos (inducción, corriente continua, …).

Intelligent control for improving the efficiency of a hybrid semi-submersible platform with wind turbine and wave
energy converters: fuzzy control system for the wind turbine

Abstract

The use of sea wind energy is limited by the limited viable spaces on the onshore or in shallow waters. This makes the use of offshore
semi-submersible platforms to be an attractive option, which additionally enables to incorporate other elements as wave converters.
However, the interactions between wave converters and wind turbine increase the complexity of the system, and the traditional control
techniques do not allow to integrate in an easy way those interactions, thus limiting the efficiency of energy extraction. The use of
intelligent control techniques –in particular, fuzzy control– allows to take full account of the said interactions and to improve energy
extraction efficiency, although simulation models and systems including those effects are required. This paper presents the development
of a fuzzy-logic based control system, scalable to consider the effects due to wave converters due to an in-house developed simulation
model, for the control of a wind turbine installed on a semi-submersible platform.

Keywords:
Intelligent control, Fuzzy control and fuzzy systems, System Simulation, Renewable energy, PID control, Sustainability and
environmental stability, Modelling, development and integration of mechatronic systems, Electric motors.

____________________

*Autor para la correspondencia: [email protected]

To cite this article: Pedro M. Mayorga Rubio, J. Fernandez-Quijano, P. Zambrana-Lopez, J. J. Fernandez-Lozano, A. García-Cerezo, J. Ortega-Casanova. 2019.
Intelligent control for improving the efficiency of a hybrid semi-submersible platform with wind turbine and wave energy converters: development of a fuzzy
control system. Revista Iberoamericana de Automática e Informática Industrial 16, 480-491. https://doi.org/10.4995/riai.2019.10972
Attribution-NonCommercial-NoDerivatives 4,0 International (CC BY-NC-ND 4,0)
 P. Mayorga Rubio et al. / Revista Iberoamericana de Automática e Informática Industrial 16 (2019) 480-491 481

1. Introducción control mediante búsqueda ascendente y control inteligente.

Sin embargo, en ninguno se enfrenta el problema del control
Dentro de la tendencia hacia incrementar la generación de de pitch cuando el viento es superior al nominal. Como
energía mediante fuentes renovables la tecnología que posee trabajos concretos destacables, en (Lin and Hong 2010) se
mayor madurez, posibilidad de explotación económica e presenta un método de control basado en una red neuronal de
implantación a gran escala en los sistemas eléctricos es la tipo WRBFN (Wilcoxon Radial Basis Function Network) con
eólica (Leung and Yang 2012; Sahin 2004). En este sentido, algoritmo MPPT (Maximum Power Point Tracking); que
los parques eólicos marinos (eólica offshore) presentan requiere el entrenamiento de una red neuronal artificial y el
ventajas frente a los parques terrestres (eólica onshore) en ajuste de un algoritmo PSO (Particle Swarm Optimization) con
cuanto a la limitación del impacto ambiental y la potencia la complejidad que ello supone. Por otra parte, en (Kim,
obtenida. Sin embargo, los espacios adecuados en la Chung, and Moon 2015) se utiliza también la técnica de PSO;
plataforma continental son limitados, por lo que se propone la esta vez para ajuste de los parámetros del PI que controla el
opción de situar los aerogeneradores mar adentro. Una aerogenerador. La desventaja que presenta esta técnica es que
alternativa es su instalación en plataformas semisumergibles, se requiere un ajuste por ensayo y error, a priori costoso en
como se estudia en (Castro-Santos et al. 2016), que pueden tiempo, para cada velocidad de viento y sistema a controlar.
además aprovecharse para otros fines como la acuicultura o la Es interesante observar el desarrollo de controladores de
energía mareomotriz. La energía de las olas podría generar más lógica borrosa para sistemas fotovoltaicos (Farfán, Cadena,
valor económico que la alternativa de simplemente añadir más and Villa 2015; Farhat et al. 2015), campo en el que la
aerogeneradores, dado que los recursos, aunque relacionados, literatura disponible es mayor que en la eólica y que sigue la
generalmente no son simultáneos. Las olas son más previsibles misma metodología de búsqueda del MPPT que los
que el viento, ya que aparecen antes y no se disipan tan rápido. controladores en sistemas eólicos. En cuanto al control borroso
Esto supone para una plataforma híbrida un mayor factor de en la tecnología eólica, en (Simoes, Bose, and Spiegel 1997)
capacidad (horas equivalentes funcionando a máxima se desarrolla y ensaya el control de un aerogenerador de 3.5
potencia), mejor uso de la infraestructura de evacuación de kW mediante tres controladores de lógica borrosa, lo que
energía y mayor potencia media producida por plataforma con aumenta la complejidad y el tiempo necesario para desarrollar
menor intermitencia, resultando en menor coste de inversión y el sistema de control. Además, la potencia del aerogenerador
menor coste de operación y mantenimiento. Sin embargo, la es notablemente inferior a los comerciales, y el sistema
incorporación de convertidores de oleaje plantea problemas ensayado es onshore. Estas dos últimas carencias son comunes
específicos derivados de la interacción entre ellos, los a la técnica propuesta en (Cárdenas and Peña 2004), donde se
aerogeneradores y la propia plataforma. Así por ejemplo, las da a conocer la experimentación de un controlador PI junto a
oscilaciones de la plataforma pueden afectar al rendimiento en uno borroso sobre un aerogenerador de 2.5 kW. Otra
la generación eléctrica, al cambiar las condiciones aplicación digna de mención relacionada con las anteriores es
aerodinámicas en las que se captura el viento. Estas la predicción del viento mediante un sistema de inferencia
oscilaciones también pueden afectar a las cargas en la base del borroso (Damousis et al. 2004). (Lasheen and Elshafei 2016)
aerogenerador, modificando las condiciones en las que aparece presenta una aplicación de controlador de lógica borrosa junto
la fatiga. a un PI a un sistema offshore con aerogenerador NREL
Se espera que en 2020 el 5% de la energía mundial sea (National Renewable Energy Laboratoy) de 5 MW, si bien sin
suministrada con tecnología eólica (García et al. 2016). En el concretar qué cimentación y modelo de esta se ha utilizado.
caso de España, en el año 2010 el 16.6% de la energía eléctrica Además, requiere un proceso complejo previo al diseño del
consumida provino de generación eólica (Leung and Yang controlador borroso que se compara con el controlador de
2012) y alcanzó un valor de 19.1% en 2017 (Red Eléctrica de referencia de NREL. Un problema de control similar se trata
España 2017). En concreto, la potencia eólica instalada a nivel en (Wakui, Yoshimura, and Yokoyama 2017), aunque el tipo
mundial ha pasado de 93.55 GW en 2007 a 466.50 GW en de plataforma semisumergible es distinto y no se emplea
2016, y particularmente la offshore pasó de 1.09 GW a 14.08 control inteligente. (Shahmaleki 2018) presenta otra aplicación
GW en el mismo periodo (IRENA 2017). Sin embargo, el de control borroso sobre un aerogenerador con DFIG (Double
incremento en el uso de sistemas de generación eléctrica a Fed Induction Generator), en la que el aerogenerador es
partir de fuentes renovables ha conllevado la necesidad de onshore y los resultados son buenos pero mejorables, ya que la
disponer de controladores que regulen la potencia eléctrica consigna generada por el controlador es oscilatoria.
instantánea que se genera en este tipo de instalaciones, al Otra técnica que ha sido empleada en control inteligente en
objeto de aumentar la rentabilidad de la inversión y de no eólica son las redes neuronales artificiales. Una aplicación
perjudicar el funcionamiento del sistema eléctrico que destacable de redes neuronales junto a lógica borrosa es
alimentan; en especial en la energía eólica por su gran (Ekinci, Demirdelen, and Bilgili 2017), donde se predice la
participación en el mix energético. El principal método potencia que entregará el aerogenerador; algo que también se
empleado actualmente para llevar a cabo dicha regulación es hace mediante redes neuronales en (Wunsch, O’Hair, and
el control simultáneo de par mediante algoritmos MPPT Giesselmann 2001). La mayor deficiencia en el empleo de
(Maximum Power Point Tracking) y del ángulo de ataque de estas técnicas es la complejidad del aprendizaje, la
las palas o pitch. Mientras que el primero se encuentra recopilación de datos y de interpretación del comportamiento
asentado, en el segundo la comunidad investigadora no ha del controlador diseñado. Una aplicación popular de las redes
alcanzado un consenso y existen variedad de propuestas. En neuronales artificiales en el campo de la energía eólica es la
(Abdullah et al. 2012; Cheng and Zhu 2014) se dividen en predicción del viento, en diferentes localizaciones y horizontes
cuatro tipos las técnicas de control: búsqueda del TSR (Tip to temporales (Alexiadis et al. 1998; Barbounis et al. 2006; Costa
Speed Ratio) óptimo, control en lazo cerrado de potencia, et al. 2008; Kariniotakis, Stavrakakis, and and Nogaret 1996;
482 P. Mayorga Rubio et al. / Revista Iberoamericana de Automática e Informática Industrial 16 (2019) 480-491

Kaur, Kumar, and Segal 2016; Li and Shi 2010; Soman et al. refinado a través de la colaboración con centros de
2010). Otro tipo de aplicación de control inteligente en la investigación y entidades de toda Europa (Figura 2), y que
tecnología eólica es la predicción de la vida útil restante y la actualmente se encuentra en fase de demostración al nivel
necesidad de efectuar tareas de mantenimiento en un TRL6 (Technology Readiness Level) mediante la construcción
componente clave, en el caso de (Garcia, Sanz-Bobi, and del y ensayos en mar de un prototipo a escala 1:6, proyecto
Pico 2006) la caja de cambios. En (Pucci and Cirrincione 2011) denominado WIP10+.
se muestra la experimentación de una aplicación de control
mediante redes neuronales artificiales a un aerogenerador
simulado de 2.2 kW, cuyo controlador queda muy limitado a
controlar el sistema sobre el que se ha entrenado, que además
es de muy baja potencia. En el marco de las redes neuronales,
en (González-González et al. 2014) se demuestra que la
novedosa técnica de Reinforcement Learning (aprendizaje
autónomo de la red en base a una política) es aplicable al
campo eólico.
Por otra parte, el control de los dispositivos de energía de
las olas es un problema bastante complejo desde el punto de
Figura 1. Plataforma eólica flotante offshore W2Power. Fuente: EnerOcean
vista teórico (Budar and Falnes 1975). Algunas técnicas S.L.
específicas se muestran en (A. Babarit and Clément 2006),
(Aurélien Babarit, Guglielmi, and Clément 2009), (Falnes El origen de dicho concepto es híbrido, integrando diversos
2002) y (Brekken 2011). En el caso en que dichos dispositivos elementos:
se sustituyen por el aprovechamiento de la energía de las • Una plataforma flotante semisumergible triangular de
corrientes marinas, una metología validada de control se acero, similar a la usada en la industria del petróleo y gas
presenta en (Pérez de la Portilla et al. 2017). offshore, pero simplificada y aligerada al prescindir de la
Aunque se han estudiado problemas de control relacionados cubierta. La plataforma se ancla al fondo del mar
con la generación de energía mediante convertidores de oleaje mediante líneas de catenaria que se unen en un punto de
o aerogeneradores, el efecto de las interacciones entre estos amarre que permite el giro de la plataforma y su
elementos acoplados en una misma plataforma, que además es orientación al viento.
flotante, plantea problemas para el diseño de los sistemas de • Un par de aerogeneradores marinos comerciales de en
control, que ha recibido poca atención en la literatura. Los torno a 130 metros de diámetro y de 4 a 6 MW de
sistemas eólicos ensayados se limitan a varios kW de potencia potencia, simplificados al no necesitar el mecanismo de
y las simulaciones a diseños onshore u offshore de varios MW orientación al viento: toda la plataforma gira gracias a un
de potencia, pero cuya cimentación es fija. sistema de amarre que permite la rotación completa de la
Este artículo muestra el desarrollo y simulación de un plataforma. Esto permite eliminar el mecanismo de
controlador inteligente para una plataforma semisumergible de orientación (yaw) de los aerogeneradores.
energía eólica offshore, sustituyendo al controlador • Una matriz de diez convertidores de oleaje que aportan
convencional y abriendo nuevos horizontes, por su capacidad un total de 3 MW, mejorando así la rentabilidad de la
de ampliación modular mediante la adición de nuevas reglas; plataforma.
como por ejemplo realimentarlo con los resultados de la El modelo correspondiente a dicho sistema es
interacción entre el control del aerogenerador y el de los extremadamente complejo, por lo que para diseñar
convertidores de oleaje o con valoraciones expertas de controladores el proceso que se ha seguido ha consistido en
aspectos ajenos como el estado del pool o mercado eléctrico. diseñar primero un controlador inteligente sobre un modelo de
Para ello se han modelado y simulado dichas interacciones en referencia, de NREL y sin convertidores de oleaje, empleando
una plataforma híbrida como paso previo. los programas FAST, TurbSim y MATLAB/Simulink.
Para ello, en el artículo se describe en el apartado 1 el Posteriormente en futuros trabajos se escalará el controlador y
problema y las soluciones existentes, mientras que en el se enfrentará el problema original. En ese último paso, el
apartado 2 se detalla el sistema y el modelo sobre el que se modelo integrado descrito en el apartado 2.3 jugará un papel
trabaja. En el apartado 3 se detalla el control implementado en clave, pues los controladores deberán ajustarse en base a su
la línea base o de referencia contra la que se han efectuado las comportamiento, que será distinto al del modelo de referencia,
comparaciones del controlador borroso, cuya implementación por las interacciones entre aerogeneradores y convertidores de
se muestra en el apartado 4. Finalmente se muestran los oleaje.
resultados en el apartado 5, que demuestran que este Por tanto, el modelo de aerogenerador que se va a controlar
controlador es superior al de referencia. Por último, en el es el NREL de 5 MW (Jonkman et al. 2009) sobre una
apartado 6 se incluye una recapitulación del artículo a modo de plataforma semisumergible. Este aerogenerador es un modelo
conclusiones extraídas. representativo de los aerogeneradores actualmente en
desarrollo para eólica offshore. Para serlo, el NREL 5 MW
2. Descripción del sistema posee un conjunto de especificaciones que permiten realizar
diferentes estudios sobre él en las fases iniciales del desarrollo
El sistema que se busca controlar está compuesto de dos de nuevos diseños offshore, como es el caso del concepto
aerogeneradores sobre una plataforma semisumergible, con W2Power desarrollado por EnerOcean. Así mismo, también
convertidores de oleaje integrados (concepto W2Power puede ser utilizado como modelo en el que estudiar técnicas de
desarrollado por EnerOcean, Figura 1). Este desarrollo ha sido control.
 P. Mayorga Rubio et al. / Revista Iberoamericana de Automática e Informática Industrial 16 (2019) 480-491 483

que se puede captar del viento depende del tamaño del

aerogenerador y de la longitud de sus palas (usualmente
definiendo el diámetro del círculo imaginario que barren estas
durante su rotación, dando lugar al área de barrido). Esta
cantidad de potencia capturada se expresa como la potencia del
viento que afecta al área de barrido del aerogenerador
multiplicada por un coeficiente 𝐶𝑝 :

Pcapturada (1)
Cp =
Pviento

Este coeficiente tiene una dependencia no lineal con el TSR

(normalmente notado como λ) y con el pitch (β), además de
implicar nueve constantes del aerogenerador que generalmente
Figura 2. Prototipo a escala 1:40 del concepto W2Power. Ensayos en el tanque sólo conoce el fabricante. Para el modelo estudiado se ha
de olas FloWave, Edimburgo. Fuente: EnerOcean. obtenido una superficie (Figura 3) que representa el valor de
2.1. Especificaciones principales 𝐶𝑝 a partir de una expresión del mismo basada en polinomios
de segundo grado para el pitch y el TSR; algo imprescindible
La altura del hub es de 90 metros. Esto permite que exista para implementar el modelo integrado en lenguaje tipo C, TCL
una distancia mínima de 15 metros entre la mayor ola en un o MATLAB ya que no se han difundido los nueve coeficientes
periodo de 50 años y la punta de las palas, cuyo radio es de 63 representativos de la NREL 5 MW. Se ha comprobado que esta
metros. La mayoría de las propiedades son heredadas del superficie tiene gran exactitud respecto de familias de curvas
REpower 5M, mostrándose las más importantes en la Tabla 1. con TSR o pitch constante realizadas por los creadores del
modelo NREL 5 MW.
Tabla 1: Principales parámetros del NREL 5 MW.
C2 C
- 6 (2)
Parámetro Valor CP (λ,β) = C1 ( - C3 β - C4 β2 - C5 ) e λ1 +C7 λ
Potencia nominal 5 MW λ1
Orientación del rotor, número Contra el viento, 3
de palas
Control Velocidad variable, pitch 1 1 C9 (3)
=( - 3 )
colectivo λ1 λ - C8 β β -1
Tren motriz Alta velocidad, caja de
cambios multietapa
Diámetro del rotor, diámetro 126 y 3 m, respectivamente
del hub
Altura del hub 90 metros
Viento cut-in, nominal y cut- 3, 11.4 y 25 m/s,
out respectivamente
Inercia del tren motriz, alta 4653.4 kgm·2
velocidad

La velocidad nominal del rotor es de 12.1 rpm, la del

generador de 1173.7 rpm y la relación de multiplicación de la
caja de cambios es de 97. Esta última tiene un rendimiento
ideal por limitaciones del software de simulación, por lo que el Figura 3. Superficie que se obtiene al representar el Cp en la región de trabajo.
rendimiento del generador eléctrico se define como del 94.4%
para cuantificar las pérdidas de toda la conversión de energía
de rotación a electricidad. Teniendo en cuenta que el pitch es una variable de control
del usuario y que el TSR se define como la relación entre la
velocidad lineal en la punta de las palas y la del viento:
2.2. Ecuaciones fundamentales
Vtip Ωrotor R (4)
En este apartado se muestran las principales ecuaciones que λ= =
rigen el comportamiento de un aerogenerador convencional Vviento Vviento
(Kim, Chung, and Moon 2015; Lin and Hong 2010).
La energía eólica es la energía cinética que posee el aire en Tanto el 𝐶𝑝 como el TSR son magnitudes fundamentales en
movimiento, que al incidir sobre las palas del aerogenerador el control de aerogeneradores. Como se ha visto anteriormente,
hace que gire el rotor. Este movimiento de rotación se traslada la potencia eólica captada por las palas del aerogenerador
a un generador eléctrico ubicado en el interior de la góndola, depende del TSR y del pitch, por lo que el operador del sistema
produciéndose una conversión de energía cinética a rotacional puede cambiar la energía capturada por el aerogenerador y
y posteriormente a eléctrica mediante efectos conseguir un mayor aprovechamiento del recurso eólico y una
electromagnéticos en el generador. La cantidad de potencia menor pérdida de vida útil de los equipos.
484 P. Mayorga Rubio et al. / Revista Iberoamericana de Automática e Informática Industrial 16 (2019) 480-491

Asimismo, la velocidad del viento suele variar con la altura 2.3. Validación del modelo de plataforma híbrida
según la ecuación siguiente, donde p toma diferentes valores
según el emplazamiento: El modelo de la plataforma se ha realizado en el software
hidrodinámico en el dominio del tiempo SeaFEM, integrado en
Vviento (h1 ) h1 p (5) el entorno Tdyn, que a su vez es un conjunto de herramientas
=( ) de cálculo en ingeniería. El programa permite emplear varios
Vviento (h2 ) h2 solvers, como el paquete RamSeries que permite completar el
cálculo estructural acoplado con el hidrodinámico.
Siendo la potencia del viento el producto de la densidad del Se ha realizado un modelo complejo (Figura 4), con un
aire, el área de barrido del rotor, la velocidad del viento al cubo número elevado de elementos que interaccionan entre sí, a
y una constante de valor ½: través de una simplificación de forma fiel al modelo complejo
real. Este modelo simplificado permite abordar de forma más
1 (6)
Pviento = ρ A V3 rápida las técnicas de control complejas necesarias para la
2 aire rotor viento plataforma híbrida W2Power. Además, el software utilizado
SeaFEM, permite la implementación de técnicas de control
Es decir, la potencia capturada del viento depende del
poco convencional en software hidrodinámico, pudiendo el
cuadrado del radio del rotor, lo que hace que se busquen
control acceder a las variables internas del software:
aerogeneradores de mayor tamaño.
cinemáticas, hidrodinámicas, campo fluido, etc., o aplicar
Conociendo la potencia capturada y la velocidad de giro del
fuerzas/pares sobre cualquier elemento, de la misma forma que
eje de baja velocidad (calculado a menudo como la del eje de
se realizaría en un control real.
alta velocidad, 𝜔𝐻𝑆𝑆 , medida con un encoder o similar, entre la
Estos resultados y capacidades se están empleando para
relación de multiplicación de la caja de cambios, 𝑁𝑔𝑒𝑎𝑟 ), se implementar sistemas de control avanzado para los
puede hallar el par del rotor y del eje de baja velocidad (𝜔𝐿𝑆𝑆 ) convertidores de oleaje e inteligente para los aerogeneradores.
producido por el viento, normalmente llamado 𝑇𝐴𝑒𝑟𝑜 .

Pcapturada Pviento ×Cp (7)

TAero = = ωHSS
ωLSS
Ngear

Por otra parte, se tiene el par del generador o par de control.

Esta es una variable que el operador del aerogenerador
controla. En el funcionamiento nominal del aerogenerador
suele asumir un valor constante e igual al par nominal.

Pcapturada Pviento × Cp (8)

THSS
Generador = =
ωHSS ωLSS × Ngear

Por tanto, si se plantea el equilibrio sobre el eje de baja

velocidad, en el estado nominal se obtiene el resultado ideal de
que este gira a velocidad constante. Figura 4. Modelo SeaFEM de la plataforma sin convertidores. Fuente:
Ha de tenerse en cuenta que el par del generador está EnerOcean.
definido respecto de la inercia del eje de alta y que el de viento
lo hace respecto del de baja. 3. Sistema de control de referencia

TAero - TLSS
Generador = IDrivetrain ×α (9)
Como punto de partida para el desarrollo de un controlador
se ha tomado como referencia el modelo OC4 con NREL 5
MW. Este modelo describe un aerogenerador situado en una
THSS
Generador (10) plataforma semisumergible, con una potencia de 5 MW. Se ha
TLSS
Generador =
Ngear elegido por ser el modelo de NREL más cercano a la
plataforma híbrida W2Power, y por ser una referencia habitual
Donde 𝐼𝐷𝑟𝑖𝑣𝑒𝑡𝑟𝑎𝑖𝑛 es la inercia referenciada al eje de baja en el ámbito del control de aerogeneradores. A partir de este
velocidad, ya que los dos pares también están calculados punto, se ha usado MATLAB/Simulink y FAST para
respecto de esa referencia. Por último, α representa la implementar el controlador PI de referencia que propone
aceleración angular de los ejes, cuya variación es común a NREL, y para desarrollar un controlador borroso. Este
ambos. controlador podrá implementarse en el modelo de simulación
𝐻𝑆𝑆
Por tanto, actuando bajo las variables de control 𝑇𝐺𝑒𝑛𝑒𝑟𝑎𝑑𝑜𝑟 de la plataforma W2Power híbrida descrito anteriormente.
y β (pitch) se puede regular el comportamiento del El sistema de control contemplado como referencia se basa
aerogenerador en cuanto a potencia extraída, velocidad, par en dos subsistemas: control del par del generador y control
provocado por el viento, etc. En secciones posteriores se tratará sincronizado del pitch de las palas. Estos dos sistemas están
el control de forma independiente, detallando el sistema de pensados para funcionar de forma prácticamente
referencia de partida y el controlador desarrollado. independiente, ya que el primero actúa cuando la velocidad del
viento está por debajo de la nominal y el segundo cuando está
 P. Mayorga Rubio et al. / Revista Iberoamericana de Automática e Informática Industrial 16 (2019) 480-491 485

por encima. Asimismo, el objetivo del primero es capturar la Para poder caracterizar numéricamente las regiones, NREL
máxima potencia posible del viento siguiendo un algoritmo buscó la potencia máxima en función del TSR y del pitch
MPPT, mientras que el del segundo es regular la velocidad del realizando simulaciones con diferentes valores de los mismos;
generador cuando se opera por encima del viento nominal. Este encontrando que el coeficiente de potencia máximo 𝐶𝑝𝑜𝑝𝑡 es
segundo sistema de control descrito se utilizará como de 0.482; con 𝑇𝑆𝑅𝑜𝑝𝑡 de 7.55 y pitch (𝛽𝑜𝑝𝑡 ) de cero. A partir
referencia de comparación con el controlador desarrollado. de estos valores se definen las constantes que delimitan las
Dado que la entrada a los sistemas de control es la velocidad regiones y que dan el valor de par correspondiente en cada una
del generador, que puede presentar armónicos que exciten el de ellas.
sistema, esta debe filtrarse mediante un filtro paso-bajo con Por otra parte, el par se ha limitado a, como máximo, un
frecuencia de rechazo es de 0.25 Hz. El comportamiento del 10% por encima del valor nominal y se ha limitado su máximo
filtro queda descrito por: valor de cambio. Esto corresponde a 47402.91 N·m y 15000
N·m/s en valor absoluto, respectivamente. Estas limitaciones,
y[n] = (1-α)u[n] + αy[n-1], α = e-2πTs fc (11) en la práctica, suavizan las transiciones entre las regiones de
3.1. Sistema de control de par par de la ley de control teórica mostrada en la Figura 5.
3.2. Sistema de control de pitch
El par del generador se regula mediante una función
determinista, definida a trozos en función de la velocidad del En la región 3 del control de par anteriormente descrita
generador filtrada. Dicha función, de carácter teórico, se actúa un PI en base al error, calculado como velocidad del
compone de cinco regiones de control, denominadas 1, 1 ½, 2, generador filtrada menos la nominal del mismo (1173.7 rpm).
2 ½ y 3 y mostradas en la Figura 5. Estas regiones definen Dicho PI calcula la consigna de pitch que debe seguir el
diferentes comportamientos. aerogenerador a partir del error y de ganancias proporcional e
La región 1 abarca hasta que el viento alcanza la velocidad integral que se ven modificadas por una función del valor
de cut-in (punto en que el aerogenerador comienza a actual de pitch de las palas (gain-scheduling). NREL diseñó el
suministrar potencia). El par se mantiene a cero y, por tanto, PI considerando como único grado de libertad la rotación del
no se extrae potencia del aerogenerador. La potencia eólica eje, describiendo el problema mediante:
capturada se utiliza para acelerar el rotor.
La región 1 ½ es de arranque, siendo una transición lineal TAero - NGear TGen = (12)
entre la 1 y la 2. d
La región 2 busca el punto de máxima potencia para un (IRotor + IGene N2Gear ) (Ω0 + ΔΩ) = IDT ΔΩ̇
dt
determinado viento (MPPT). El par es proporcional al
cuadrado de la velocidad del generador para mantener el (TSR) Se ha optado por utilizar la inercia referida al eje de alta
constante e igual al valor óptimo. velocidad, obtenida como la suma de la del rotor llevada a este
La región 2 ½ es necesaria para limitar el ruido cuando se eje más la del generador, que se especifica en (Jonkman et al.
alcanza la potencia nominal. Además, permite una transición 2009). El valor de 𝐼𝐷𝑇 es por tanto de 4653.4 kg·𝑚2 . Se ha de
lineal entre la 2 y la 3, con un incremento del par directamente tener en cuenta que en la región 3 del control de par es cuando
proporcional a la que posee el generador eléctrico. el control de pitch está activo, por lo que el par del generador
La región 3 comprende el funcionamiento cuando el es constante:
aerogenerador está produciendo potencia nominal, por lo que
el par es constante e igual a su valor nominal. Además, cuando P0 (13)
el pitch es mayor de un grado se supone que se está en esta TGen=
Ngear Ω
región, lo que reduce la presencia de armónicos en la potencia
generada. Para contrarrestar el efecto negativo de esto sobre el
Se puede asumir que el valor del par aerodinámico sólo
generador y la caja de cambios, se toma como valor nominal
depende del pitch:
del par un 90% del valor nominal real.
P(θ, Ω0 ) (14)
TAero (θ)=
Ω0

Desarrollando la ecuación se obtienen los valores de las

ganancias integral y proporcional que formarán el PI. Estos
valores corresponden a la situación en que el pitch del
aerogenerador es nulo.

KI (θ=0)=0.008068634 (15)

KP (θ=0)=0.01882681 s (16)

Para que el PI funcione correctamente, NREL proporciona

una ley de ganancias o gain-scheduling para modificar los
Figura 5. Gráfica en el que se observan las cinco regiones de la ley teórica de valores de 𝐾𝐼 y 𝐾𝑃 , según:
control de par.
486 P. Mayorga Rubio et al. / Revista Iberoamericana de Automática e Informática Industrial 16 (2019) 480-491

1 (17)
GK(θ)=
θ
1+
θk

El valor de 𝜃𝑘 es de 6.30 grados. Este factor de ganancia

representa como a medida que se aumenta el pitch la potencia
capturada del viento se reduce cada vez más. Es decir; la
sensibilidad que posee la potencia aerodinámica respecto del
pitch (Figura 6). En concreto, el valor de 6.30 grados es el que
duplica esta sensibilidad respecto de pitch nulo, que es la
situación nominal: Figura 8. Implementación del PI de referencia(II): cálculo de la parte
proporcional, integral y de la consigna final de pitch.
δP δP (18)
(θ = θk ) = 2 (θ = 0)
δθ δθ
4. Controlador borroso desarrollado

4.1. Justificación del empleo de la lógica difusa

En (Santos 2011) pueden verse diferentes aplicaciones del
control inteligente, entre otras el uso de la lógica borrosa en el
control de un criostato. De forma similar, la técnica de control
inteligente elegida para desarrollar el controlador del artículo
ha sido la lógica borrosa. Las características de la lógica
borrosa que han decantado esta elección han sido:
• El sistema a controlar es altamente complejo y no
lineal. En particular, las ecuaciones que rigen el
comportamiento completo del sistema no tienen
Figura 6. Sensibilidad de la potencia al cambio de pitch. Eje X: ángulo de pitch.
Eje Y: potencia capturada del viento. solución analítica exacta.
• El diseño del controlador no es trivial pero sí más
De esta forma, la ecuación representativa del PI que NREL
sencillo que otro tipo de técnicas.
diseñó para el NREL 5 MW, asumiendo que se calcula el pitch
𝜃𝑃𝐼𝐷 (𝑡 + Δ𝑡) utilizando el pitch 𝜃𝑃𝐼𝐷 (𝑡) dado por el • Admite datos imprecisos o con ruido, lo que la hace
controlador en la iteración anterior para calcular el valor de GK muy robusta.
es: • Puede cooperar con otras técnicas clásicas de
control, especialmente con el PI de referencia.
(19) • Permite la integración del conocimiento experto
θPID (t+Δt) = GK(θ(t))*KI (θ = 0)* ∫ e(t) +
adquirido por EnerOcean durante el desarrollo del
GK(θ(t))*KP (θ = 0)*e(t) WIP10+ en el sistema de control.
• Es flexible: es fácil transformar un sistema borroso
Donde el error de velocidad se calcula como: añadiendo o eliminando reglas sin tener que empezar
desde cero. Esta característica es particularmente útil
e(t) = Velgen - Velnom (20) de cara a escalar el controlador para tener en cuenta
la acción del control de convertidores de oleaje en el
La implementación del PI de referencia en futuro.
MATLAB/Simulink se muestra en la Figura 7 y en la Figura 8.
El valor de la consigna de pitch se limita al rango 0 a 90 4.2. Implementación del controlador borroso
grados y a un cambio máximo de 8 grados/segundo en valor
absoluto. Este controlador recibirá únicamente la velocidad
instantánea del generador filtrada, normalizada según la
velocidad nominal, y producirá una consigna final de pitch,
normalizada según el pitch máximo del aerogenerador,
actuando de forma independiente al PI. Se ha validado este
diseño comparándolo con el PI de referencia en simulaciones
bajo perfiles de viento de turbulencia despreciable y velocidad
constante.
El controlador utiliza los operadores min para AND, max
para OR, min para la inferencia y max para la agregación. El
método de desborrosificación es el método del centroide.
Figura 7. Implementación del PI de referencia: cálculo del error y de la integral Las funciones de pertenencia de la entrada y la salida se
del error. muestran en la Figura 9 y la Figura 10, respectivamente.
 P. Mayorga Rubio et al. / Revista Iberoamericana de Automática e Informática Industrial 16 (2019) 480-491 487

𝐶𝑝 y la sensibilidad de la potencia con el pitch mostrada en la

Figura 6.
4.3. Validación del controlador borroso
Para la mejora del controlador y su validación se han
realizado simulaciones con viento constante de diferentes
Figura 9. Funciones de pertenencia de la entrada (el valor unidad en el eje X velocidades medias. Estos son casos sencillos que han
corresponde a velocidad nominal). permitido ajustar el controlador adecuadamente (Figura 13 a
La definición de las funciones de entrada se ha basado en Figura 18).
establecer diferentes valores clave de velocidad por encima de Se observa como el controlador borroso produce un buen
la nominal (reflejados en los nombres de las funciones, como comportamiento, especialmente en cuanto a mantener la
por ejemplo 1% en 1). Las funciones de salida han seguido un velocidad del generador próxima a su valor nominal,
proceso similar, estableciéndose diferentes valores clave de confirmando el buen comportamiento las demás magnitudes.
pitch (reflejados en los nombres de las funciones igualmente, Esto se observa para todas las velocidades de viento, pero sobre
como por ejemplo 1 grado en 1). todo para aquellas mayores que la nominal. Por tanto, el
controlador borroso mejora la operación en regímenes de viento
superiores al nominal comparado el PI de referencia de NREL.

Figura 10. Funciones de pertenencia de la salida (el valor unidad en el eje X

corresponde a pitch máximo que son 90 grados).

El conjunto de reglas definido es el de la Figura 11, que

producen la curva de salida de la Figura 12. Su diseño se ha
basado en la integración del conocimiento experto adquirido
por EnerOcean durante el desarrollo del concepto W2Power,
asociando niveles clave de pitch a diferentes valores de
velocidad del generador utilizando las funciones de pertenencia
definidas anteriormente. Dichos niveles de pitch han requerido
ajuste fino, partiendo de valores recomendados por EnerOcean
en base a prognosis.

Figura 13. Simulación con perfil de viento uniforme de 13 m/s de media, control
con PI de referencia.

Figura 11. Reglas del controlador borroso independiente.

Figura 12. Curva de entrada/salida del controlador borroso.

Es de destacar que el pitch comienza a incrementarse antes

de llegar a la velocidad nominal, a efecto de prevenir un exceso
de velocidad del generador. También es destacable que la
pendiente de la salida disminuya cuanto más alta es la entrada,
reflejando el comportamiento del controlador borroso el Figura 14. Simulación con perfil de viento uniforme de 13 m/s de media, control
conocimiento experto adquirido sobre el coeficiente de potencia mediante el controlador borroso desarrollado.
488 P. Mayorga Rubio et al. / Revista Iberoamericana de Automática e Informática Industrial 16 (2019) 480-491

Figura 15. Simulación con perfil de viento uniforme de 16 m/s de media, control Figura 18. Simulación con perfil de viento uniforme de 19 m/s de media, control
con PI de referencia. mediante el controlador borroso desarrollado.

5. Resultados

Para la obtención de los resultados se han planteado tres

casos de simulación distintos para cada controlador (Figura 19
a Figura 24), variando entre ellos únicamente la velocidad
media del viento entre 12, 15 y 18 m/s, con turbulencia
constante A según el estándar de la Comisión Electrotécnica
Internacional (IEC 2009). La primera permite observar el
comportamiento del sistema en torno a su operación nominal, y
la segunda es una operación intermedia entre las condiciones
nominales y máximas. Por último, la velocidad de 18 m/s es una
operación cercana al límite superior (velocidad de cut-out o
desconexión de 23 m/s).
5.1. Primer caso: viento de 12 m/s, turbulencia A
En este caso, el control de pitch no interviene con el PI de
Figura 16. Simulación con perfil de viento uniforme de 16 m/s de media, control referencia, pero sí con el borroso, demostrando que este
mediante el controlador borroso desarrollado. reacciona con mayor rapidez a cambios en el viento.

Figura 17. Simulación con perfil de viento uniforme de 19 m/s de media, control Figura 19 . Simulación con perfil de viento de 12 m/s de media y turbulencia
con PI de referencia. A, control con PI de referencia.
 P. Mayorga Rubio et al. / Revista Iberoamericana de Automática e Informática Industrial 16 (2019) 480-491 489

5.3. Tercer caso: viento de 18 m/s, turbulencia A

De los tres casos, es en este en el que el controlador borroso
obtiene un mejor resultado en comparación con el PI de
referencia. Puede apreciarse que la velocidad está mucho más
próxima a la nominal con el control borroso que con el PI.

Figura 20. Simulación con viento de 12 m/s de media y turbulencia A, control

mediante el controlador borroso desarrollado.

5.2. Segundo caso: viento de 15 m/s, turbulencia A

En este caso, el controlador borroso y el PI de referencia
tienen un comportamiento más cercano que en el anterior,
aunque el primero regula mejor el pitch y consigue mejor
comportamiento; especialmente en velocidad.

Figura 23. Simulación con perfil de viento de 18 m/s de media y turbulencia A,

control con PI de referencia.

Figura 21. Simulación con perfil de viento de 15 m/s de media y turbulencia A,

control con PI de referencia.

Figura 24. Simulación con viento de 18 m/s de media y turbulencia A, control

mediante el controlador borroso desarrollado.

Para extraer conclusiones de los resultados mostrados, se han

elaborado tres índices de rendimiento. Estos índices muestran
en qué medida el comportamiento del controlador se refleja en
las cargas en la estructura, en el rendimiento en la generación
de energía eléctrica y en el funcionamiento del aerogenerador
frente a la operación nominal. Respectivamente, los índices que
se proponen son los siguientes:
• El índice estructural, IE: estima como afecta a la vida útil
de la plataforma el comportamiento del controlador. Su
valor es igual a la media de los valores absolutos del
momento de reacción en la base de la torre del
Figura 22. Simulación con viento de 15 m/s de media y turbulencia A, control aerogenerador en cada paso de tiempo, suponiendo que éste
mediante el controlador borroso desarrollado. estuviese empotrado en ella, en MN·m.
490 P. Mayorga Rubio et al. / Revista Iberoamericana de Automática e Informática Industrial 16 (2019) 480-491

• El índice de generación, IG: mide la diferencia en MW la extracción de energía por parte de los aerogeneradores y los
entre la potencia eléctrica generada respecto de la nominal. convertidores de oleaje.
Se calcula como la media de dicha diferencia en cada paso El control inteligente es una alternativa para este tipo de
de tiempo en valor absoluto. sistemas, en los que no es fácil obtener una expresión analítica
• El índice de velocidad, IV: mide en la diferencia entre la del comportamiento del sistema completo. Los controladores
velocidad del generador eléctrico y su velocidad nominal. borrosos en particular permiten incorporar el conocimiento
Se calcula como la media de dicha diferencia en cada paso experto en la operación de este tipo de sistemas, y además
de tiempo en valor absoluto. posibilitan un desarrollo incremental, de manera que puedan
Para cada índice se presenta el valor obtenido por los considerarse paulatinamente los efectos de las interacciones
controladores borrosos en Tabla 2, Tabla 3, Tabla 4, así como entre los elementos de la plataforma híbrida. Pueden añadirse
el valor correspondiente al PI. además reglas que tengan en cuenta consideraciones acerca de
la fatiga de los materiales, o la rentabilidad económica de la
Tabla 2. Comportamiento según IE (MNm) de los controladores. producción energética en un determinado instante.
Este artículo presenta el desarrollo de un sistema de control
Viento PI de referencia Controlador borroso borroso para un aerogenerador montado en una plataforma
12m/s A 60.8305 61.7170 semisumergible. Se ha tomado como referencia el modelo OC4
15m/s A 59.9863 58.4926 con NREL 5 MW, que es el que presenta mayor similitud con
18m/s A 56.7005 53.0766 la plataforma W2Power. El controlador se ha desarrollado en
MATLAB/Simulink y FAST, y se ha comparado con los
En cuanto al comportamiento estructural no se observan resultados obtenidos por el PI que propone NREL como
grandes diferencias en vientos cercanos al nominal. En cambio, referencia para el controlador de este tipo de aerogeneradores.
con vientos cercanos al Cut-out el controlador borroso relaja los El rendimiento obtenido es claramente superior,
requerimientos estructurales en torno a un 5%. particularmente para vientos por encima del valor nominal, lo
que sugiere que los controladores borrosos pueden actuar sin el
Tabla 3. Comportamiento según IG(MW) de los controladores PI para realizar el control sin pérdida de rendimiento. Esto abre
Viento PI de referencia Controlador borroso la puerta a aplicaciones de control avanzadas en las que se
12m/s A 2.0032 1.9394 tomen mayor cantidad de entradas. Dichas entradas pueden
considerar efectos provocados por las interacciones con el
15m/s A 1.6364 1.4894
movimiento de la plataforma o con los convertidores de oleaje,
18m/s A 1.7254 1.2367
para lo que pueden tener una componente de conocimiento
experto. Además, permitirían al control tomar en cuenta
Nuevamente, se refleja que en vientos nominales el condiciones ambientales de operación, condiciones de
comportamiento entre los controladores no difiere en gran operación relativas a la red eléctrica o aspectos relativos a la
medida. Sin embargo, la producción eléctrica cuando el viento vida útil y el mantenimiento, lo que permitiría obtener un mayor
pasa de los 15 m/s con el controlador borroso es mejor que con rendimiento de los parques eólicos offshore basados en la
el PI; en torno al 25% en el tercer caso de estudio. plataforma OC4. El desarrollo de este tipo de controladores
puede abordarse a partir de la implantación del controlador
Tabla 4. Comportamiento según IV(rpm) de los controladores. propuesto en el modelo de simulación que se describe en la
Viento PI de referencia Controlador borroso sección 2. Como líneas de desarrollo futuro, puede mencionarse
12m/s A 385.0007 361.9512 la extensión del control borroso al control de par, como grado
15m/s A 324.0395 289.5254 de libertad adicional para permitir una operación más
18m/s A 361.6476 246.9447 conservadora en base a prognosis. Asimismo, se plantea la
incorporación de sistemas de control para los convertidores de
Respecto de la velocidad, el controlador borroso mejora oleaje, y el estudio de la interacción de convertidores,
sustancialmente al PI en todos los casos. En el primero lo hace plataforma y aerogenerador.
en un 6% sólo, pero en el tercero en un 30%.
Agradecimientos
6. Conclusiones
Este trabajo ha sido realizado parcialmente gracias al apoyo
Una alternativa para aumentar la capacidad de generación de del Ministerio de Economía y Competitividad del Gobierno de
energía a partir de fuentes renovables la constituyen las España, a través del proyecto ORPHEO (RTC-2016-5712-3)
plataformas semisumergibles. Este tipo de plataforma puede del Plan Estatal de Investigación Científica y Técnica y de
desplegarse en localizaciones offshore, donde hay menos Innovación 2013-2016, Programa Estatal de Investigación,
perturbaciones en el viento, y menos impacto ambiental. Desarrollo e Innovación orientada a los Retos de la Sociedad, y
Permiten integrar aerogeneradores y convertidores de oleaje, lo de la Unión Europea a través del proyecto WIP10+ de la
que mejora la capacidad de extracción energética. Sin embargo, convocatoria ERA-NET DEMOWIND, de CDTI (España) y
la integración de estos elementos en una plataforma BEISS (Reino Unido), a través del programa de investigación e
semisumergible produce interacciones entre ellos, y entre ellos innovación H2020.
y la plataforma. Estas interacciones dificultan el desarrollo de Asimismo, los autores desean agradece a D. Miguel Martín
los sistemas de control que permiten mejorar el rendimiento en Guzmán su colaboración en este trabajo.
 P. Mayorga Rubio et al. / Revista Iberoamericana de Automática e Informática Industrial 16 (2019) 480-491 491

Referencias

Abdullah, M. A., A. H M Yatim, C. W. Tan, and R. Saidur. 2012. “A Review González-González, Asier et al. 2014. “Pitch Based Wind Turbine Intelligent
of Maximum Power Point Tracking Algorithms for Wind Energy Speed Setpoint Adjustment Algorithms.” Energies 7(6): 3793–3809.
Systems.” Renewable and Sustainable Energy Reviews 16(5): 3220–27. http://www.mdpi.com/1996-1073/7/6/3793 (November 9, 2018).
http://dx.doi.org/10.1016/j.rser.2012.02.016. IEC. 2009. European Committee for Electrotechnical Standardization Wind
Alexiadis, M. C., P. S. Dokopoulos, H. S. Sahsamanoglou, and I. M. Turbines - Part 3: Design Requirements for Offshore Wind Turbines.
Manousaridis. 1998. “Short-Term Forecasting of Wind Speed and Related IRENA. 2017. Irena Renewable Energy Capacity Statistics 2017.
Electrical Power.” Solar Energy 63(1): 61–68. Jonkman, J., S. Butterfield, W. Musial, and G. Scott. 2009. “Definition of a
Babarit, A., and A.H. Clément. 2006. “Optimal Latching Control of a Wave 5-MW Reference Wind Turbine for Offshore System Development.”
Energy Device in Regular and Irregular Waves.” Applied Ocean Research (February). http://www.osti.gov/servlets/purl/947422-nhrlni/.
28(2): 77–91. Kariniotakis, G. N., G. S. Stavrakakis, and E. F. and Nogaret. 1996. “Wind
https://www.sciencedirect.com/science/article/pii/S0141118706000423?v Power Forecasting Using Advanced Neural Networks Models.” IEEE
ia%3Dihub (November 13, 2018). Transactions on Energy Conversion 11(4): 762–67.
Babarit, Aurélien, Michel Guglielmi, and Alain H. Clément. 2009. http://ieeexplore.ieee.org/lpdocs/epic03/wrapper.htm?arnumber=556376.
“Declutching Control of a Wave Energy Converter.” Ocean Engineering Kaur, Tarlochan, Sanjay Kumar, and Ravi Segal. 2016. “Application of
36(12–13): 1015–24. Artificial Neural Network for Short Term Wind Speed Forecasting.” 2016
https://www.sciencedirect.com/science/article/pii/S0029801809001115?v Biennial International Conference on Power and Energy Systems:
ia%3Dihub (November 13, 2018). Towards Sustainable Energy (PESTSE): 1–5.
Barbounis, T G, J B Theocharis, M C Alexiadis, and P S Dokopoulos. 2006. http://ieeexplore.ieee.org/document/7516458/.
“Long-Term Wind Speed and Power Forecasting Using Local Recurrent Kim, Yun Su, Il Yop Chung, and Seung Il Moon. 2015. “Tuning of the PI
Neural Network Models.” IEEE Transactions on Energy Conversion Controller Parameters of a PMSG Wind Turbine to Improve Control
21(1): 273–84. Performance under Various Wind Speeds.” Energies 8(2): 1406–25.
Brekken, T. K. A. 2011. “On Model Predictive Control for a Point Absorber Lasheen, Ahmed, and Abdel Latif Elshafei. 2016. “Wind-Turbine Collective-
Wave Energy Converter.” In 2011 IEEE Trondheim PowerTech, IEEE, Pitch Control via a Fuzzy Predictive Algorithm.” Renewable Energy.
1–8. http://ieeexplore.ieee.org/document/6019367/ (November 13, 2018). Leung, Dennis Y C, and Yuan Yang. 2012. “Wind Energy Development and
Budar, K., and J. Falnes. 1975. “A Resonant Point Absorber of Ocean-Wave Its Environmental Impact: A Review.” Renewable and Sustainable
Power.” Nature 256(5517): 478–79. Energy Reviews 16(1): 1031–39.
http://www.nature.com/doifinder/10.1038/256478a0 (November 13, http://dx.doi.org/10.1016/j.rser.2011.09.024.
2018). Li, Gong, and Jing Shi. 2010. “On Comparing Three Artificial Neural
Cárdenas, Roberto, and Rubén Peña. 2004. “Sensorless Vector Control of Networks for Wind Speed Forecasting.” Applied Energy 87(7): 2313–20.
Induction Machines for Variable-Speed Wind Energy Applications.” Lin, Whei-Min, and Chih-Ming Hong. 2010. “Intelligent Approach to
IEEE Transactions on Energy Conversion. Maximum Power Point Tracking Control Strategy for Variable-Speed
Castro-Santos, Laura, Almudena Filgueira-Vizoso, Luis Carral-Couce, and Wind Turbine Generation System.” Energy 35(6): 2440–47.
José Ángel Fraguela Formoso. 2016. “Economic Feasibility of Floating http://linkinghub.elsevier.com/retrieve/pii/S0360544210000964.
Offshore Wind Farms.” Energy 112: 868–82. Pérez de la Portilla, Marina, Amable López Piñeiro, José Andrés Somolinos
https://www.sciencedirect.com/science/article/pii/S0360544216309094?v Sánchez, and Rafael Morales Herrera. 2017. “Modelado Dinámico y
ia%3Dihub (November 9, 2018). Control de Un Dispositivo Sumergido Provisto de Actuadores
Cheng, Ming, and Ying Zhu. 2014. “The State of the Art of Wind Energy Hidrostáticos.” Revista Iberoamericana de Automática e Informática
Conversion Systems and Technologies: A Review.” Energy Conversion industrial 15(1): 12.
and Management 88: 332–47. https://polipapers.upv.es/index.php/RIAI/article/view/8824 (February 21,
Costa, Alexandre et al. 2008. “A Review on the Young History of the Wind 2019).
Power Short-Term Prediction.” Renewable and Sustainable Energy Pucci, Marcello, and Maurizio Cirrincione. 2011. “Neural MPPT Control of
Reviews 12(6): 1725–44. Wind Generators with Induction Machines without Speed Sensors.” IEEE
Damousis, Ioannis G., Minas C. Alexiadis, John B. Theocharis, and Petros S. Transactions on Industrial Electronics 58(1): 37–47.
Dokopoulos. 2004. “A Fuzzy Model for Wind Speed Prediction and Red Eléctrica de España. 2017. El Sistema Eléctrico Español.
Power Generation in Wind Parks Using Spatial Correlation.” IEEE Sahin, Ahmet Duran. 2004. “Progress and Recent Trends in Wind Energy.”
Transactions on Energy Conversion. Progress in Energy and Combustion Science 30(5): 501–43.
Ekinci, Firat, Tuǧçe Demirdelen, and Mehmet Bilgili. 2017. “Modelling of Santos, M. 2011. “Un Enfoque Aplicado Del Control Inteligente.” Revista
Wind Turbine Power Output by Using ANNs and ANFIS Techniques.” In Iberoamericana de Automática e Informática Industrial RIAI 8(4): 283–
7th International Conference on Innovative Computing Technology, 96.
INTECH 2017,. https://www.sciencedirect.com/science/article/pii/S1697791211000501
Falnes, Johannes. 2002. Ocean Waves and Oscillating Systems. Cambridge: (November 9, 2018).
Cambridge University Press. Shahmaleki, Pourya. 2018. “Enhancing Wind Turbine’s Performance Using
http://ebooks.cambridge.org/ref/id/CBO9780511754630 (November 9, Fuzzy Pitch and Torque Controllers.” In World Automation Congress
2018). Proceedings,.
Farfán, Roberto F., Carlos A. Cadena, and Luis T. Villa. 2015. “Experiencia Simoes, M G, B K Bose, and R J Spiegel. 1997. “Fuzzy Logic Based
En El Uso de La Lógica Difusa Para El Control Del Seguimiento Del Intelligent Control of a Variable Speed Cage Machine Wind Generation
Punto de Máxima Potencia En Convertidores Para Módulos System.” Power Electronics, IEEE Transactions on 12(1): 87–95.
Fotovoltaicos.” Revista Iberoamericana de Automática e Informática Soman, S S, H Zareipour, O Malik, and P Mandal. 2010. “A Review of Wind
Industrial RIAI 12(2): 208–17. Power and Wind Speed Forecasting Methods with Different Time
http://linkinghub.elsevier.com/retrieve/pii/S1697791215000102. Horizons.” North American Power Symposium (NAPS): 1–8.
Farhat, Maissa et al. 2015. “Diseño e Implementación de Un Sistema de Wakui, Tetsuya, Motoki Yoshimura, and Ryohei Yokoyama. 2017.
Control Estable Basado En Lógica Borrosa Para Optimizar El “Multiple-Feedback Control of Power Output and Platform Pitching
Rendimiento de Un Sistema de Generación Fotovoltaico.” RIAI - Revista Motion for a Floating Offshore Wind Turbine-Generator System.” Energy
Iberoamericana de Automatica e Informatica Industrial 12(4): 476–87. 141: 563–78.
García, E., A. Correcher, E. Quiles, and F. Morant. 2016. “Recursos y https://www.sciencedirect.com/science/article/pii/S0360544217316195?v
Sistemas Energéticos Renovables Del Entorno Marino y Sus ia%3Dihub (November 9, 2018).
Requerimientos de Control.” RIAI - Revista Iberoamericana de Wunsch, D.C., E.A. O’Hair, and M.G. Giesselmann. 2001. “Using Neural
Automatica e Informatica Industrial. Networks to Estimate Wind Turbine Power Generation.” IEEE
Garcia, Mari Cruz, Miguel A. Sanz-Bobi, and Javier del Pico. 2006. Transactions on Energy Conversion 16(3): 276–82.
“SIMAP: Intelligent System for Predictive Maintenance. Application to http://www.scopus.com/inward/record.url?eid=2-s2.0-
the Health Condition Monitoring of a Windturbine Gearbox.” Computers 0035451837&partnerID=tZOtx3y1.
in Industry 57(6): 552–68.