HE AZPIPROGRAMA (programa espezifikoa): 1. zutabea. MSCA - HE-MSCA-Flulowships doktoretza (PF)

Ekintza mota: HORIZON TMA MSCA Doktoretza ondokoa Fellowships - Global Fellowships

UPV/EHU: Koordinatzailea

UPV/EHU IP: AITOR JOSU GARRIDO HERNANDEZ

Proiektuaren hasiera: 2024/09/01

Proiektuaren amaiera: 2027/08/31

Deskribapen laburra:

Itsas turbina eoliko flotatzaileak (FOWTak) energia eolikoaren garapenean goranzko joera bihurtu dira azken urteotan. Itsas eremu sakonago batera sarbidea duten goi-populazioko herrialdeetarako energia garbiaren hornidura egiteko aukera eskaintzen dute. FOWTen oztopo nagusia da egonkortu egin behar direla, plataformaren mugimendua desiraezina baita. Aerodinamika eta errotorearen kontrola konplexuagoak izatea eragiten du, eta eraginkortasun aerodinamikoa murrizten du. Gainera, plataformaren mugimenduak tentsioa areagotzen du paletan, errotorearen ardatzean, keinu-kojinetean eta dorrearen oinarrian, eta osagaien balio-bizitza murriztu dezake.

FOWT plataformaren mugimenduak, buruan, kulunkan eta goratzean, mugatu egin behar dira tarte onargarri baten barruan. Ikertzaile batzuek hipotesia planteatu zuten, plataformaren egonkortzeak altzairuzko masaren, lasta aktiboaren edo/eta lotzeko linea tenkatuen beharra murriztu dezakeela.

Energia eolikoaren eta itsasoko olatu-energiaren plataforma hibrido baten errendimendua optimizatzea (POHOWEP) proiektu honen helburua da (1) FOWT bat ur-zutabe oszilatzaileekin (OWC) konbinatzea olatuen eta haizearen energiak aprobetxatzeko eta (2) FOWTaren egonkortzea hobetzea OWCak egiturazko kontrol aktibo gisa erabiliz. OWCak gabar flotatzailearen plataforman sartuko dira, aurreko ikerketa-lanetan ikertu ez dena. Machine Learning-en oinarritutako kontrol-estrategia bat garatuko da, OWCen indarra hartzeko sistema guztiak aldi berean kontrolatzeko.

FOWT bakar batean hainbat OWC kontrolatzeko, estrategia egokia behar da, instalazioaren egoeraren aldagaiak ez ezik kanpoko ingurumen-baldintzak ere kontuan hartzeko (haizearen abiadura, olatuen abiadura, olatuen altuerak, etab.). Kanpoko datu horiek kontuan hartzeak Machine Learning (ML) modulu bat erabiltzea eragiten du estimazio- eta iragarpen-arazoetarako. ML modulu batek haizearen eta olatuen etorkizuneko abiadurak aurreikusten lagunduko du, eta diseinatutako kontrolatzaileen erreferentziako sarrera-balio egokia zenbatetsiko du. ML FOWTerako erabiltzen duten ikerketa-lan asko argitaratu dira, eta ML etorkizun handiko soluzioa dela frogatu dute.