SUBPROGRAMA HE (Programa específico): Pilar 1. MSCA - HE-MSCA-Postdoctoral Fellowships (PF)

Tipo de acción: HORIZON TMA MSCA Postdoctoral Fellowships - Global Fellowships

UPV/EHU: Coordinador

IP UPV/EHU: AITOR JOSU GARRIDO HERNANDEZ

Inicio del proyecto: 01/09/2024

Fin del proyecto: 31/08/2027

Breve descripción:

Las turbinas eólicas marinas flotantes (FOWTs) se han convertido en una tendencia emergente en el desarrollo de la energía eólica en los últimos años. Ofrecen la posibilidad de un suministro de energía limpia para países altamente poblados con acceso a un área marina más profunda. El principal obstáculo de las FOWT es que necesitan ser estabilizadas, ya que el movimiento de la plataforma es indeseable. Hace que la aerodinámica y el control del rotor sean más complejos y reduce la eficiencia aerodinámica. Además, el movimiento de la plataforma aumenta la tensión en las palas, el eje del rotor, el cojinete de guiñada y la base de la torre y puede reducir la vida útil de los componentes.

Los movimientos de la plataforma FOWT en cabeceo, balanceo y elevación deben limitarse dentro de un rango aceptable. Algunos investigadores plantearon la hipótesis de que la estabilización de la plataforma puede reducir la necesidad de masa de acero, lastre activo o/y líneas de amarre tensas.

Optimización del rendimiento de una plataforma híbrida de energía eólica y undimotriz marina (POHOWEP) es un proyecto que tiene como objetivo (1) combinar una FOWT con columnas de agua oscilantes (OWC) para aprovechar las energías de las olas y el viento y (2) mejorar la estabilización de la FOWT utilizando las OWC como un control estructural activo. Las OWC se integrarán en la plataforma de barcaza flotante, lo que no se ha investigado en trabajos de investigación anteriores. Se desarrollará una estrategia de control basada en Machine Learning para controlar todos los sistemas de toma de fuerza de las OWC a la vez.

El control de múltiples OWC en una única FOWT requiere una estrategia adecuada que tenga en cuenta no solo las variables de estado de la planta sino también las condiciones ambientales externas (velocidad del viento, velocidad de las olas, alturas de las olas, etc.). La consideración de estos datos externos motiva el uso de un módulo de Machine Learning (ML) para los problemas de estimación y predicción. Un módulo de ML ayudará en la predicción de las velocidades futuras del viento y las olas y estimará el valor de entrada de referencia adecuado de los controladores diseñados. Se han publicado muchos trabajos de investigación que utilizan ML para FOWT y han demostrado que ML es una solución prometedora.