Modelado del coeficiente de potencia de un

aerogenerador por efecto de fricción∗

Juvenal Villanueva Maldonado† y Luis Alvarez-Icaza‡
Instituto de Ingenierı́a
Universidad Nacional Autónoma de México
04510 Coyoacán DF, México

Resumen— En este artı́culo se propone un modelo para y

el coeficiente de potencia (Cp ), el elemento más importante
para obtener la potencia mecánica del aerogenerador. Se
Rω
utiliza como variable principal la velocidad relativa entre el λ= (4)
viento y las hélices y, a través de un modelo de fricción, se ẋ
propone un nuevo modelo para el coeficiente de potencia de Aquı́,
un aerogenerador. El modelo obtenido se compara con un
• AR es el área de barrido por la turbina
modelo heurı́stico de referencia.
Palabras clave: Coeficiente de potencia, velocidad relativa y • Cp es el coeficiente de potencia
modelo de fricción. • ẋ es la velocidad del viento
• ρ es la densidad del viento
I. Introducción
• λ es la velocidad de punta en la hélice
La energı́a cinética que está contenida en las corri- • α es el ángulo de ataque de la hélice
entes de aire, y que es extraida por las turbinas eólicas • R es el radio de las hélices
para generar energı́a eléctrica es una de las fuentes • ω es la velocidad angular
renovables con mayor crecimiento en el mundo. Se En la Fig. 1, se observan las curvas caracterı́sticas del
desea que estas turbinas maximicen la energı́a generada, coeficiente de potencia (Cp ) dados por (2).
siempre y cuando se puedan mantener condiciones
seguras de operación. Para esto, el control tiene un
papel muy importante en el estudio de la conversión y 0.45 α=0
α=1
extracción segura de la energı́a disponible en el viento. α=2
α=5
α=7
0.4
En la literatura se pueden encontrar trabajos donde se α = 10
α = 12
α = 15
α = 20
lleva a cabo el diseño y la simulación de controladores 0.35 α = 21
α = 25
α = 30
a través de diferentes técnicas que buscan mejorar el
0.3
funcionamiento de las turbinas eólicas y que hacen uso
Cp [adimencional]

de modelos heurı́sticos para la potencia mecánica, (P ), 0.25

y del coeficiente de potencia, (Cp ), de la turbina. En

0.2
(Heier, 1998) se puede encontrar un modelo que se
utiliza frecuentemente y que está dado por 0.15

0.1
1
P = ρCp (λ, α)AR ẋ3 (1)
2 0.05

donde 0
0 2 4 6 8 10 12 14 16 18 20

 λ [adimencional]

116 − 21
Cp = 0.5 − 0.4α − 5 e λi (2)
λi
Figura 1. Curvas características de Cp vs λ, para distintos
con ángulos de ataque.

 En este trabajo se supone que la velocidad del viento

1 1 0.035 (ẋ) es conocida, aunque se sabe que la determinación
= − (3)
λi λ + 0.08α α3 + 1 precisa de esta velocidad es un problema abierto en el
∗ Investigación apoyada por los proyectos CONACYT 47583 y
diseño de controladores para aerogeneradores que debe
UNAM-PAPIIT IN109306
ser resuelto con el diseño de observadores o estimadores
† Estudiante de posgrado, JVillanuevaMa@iingen.unam.mx apropiados (Sbarbaro y Peña, 2000) y que será trabajo
‡ Investigador, alvar@pumas.iingen.unam.mx, corresponsal. para futuras investigaciones.

Congreso Nacional de Control Automático A.M.C.A. 2007 24-26 de octubre, Monterrey, N.L.
 El modelo dado por (1) deja de lado el fenómeno de Se conocen ẋm , ẋ y R, de esta forma r es la variable
fricción y la velocidad relativa que existe entre el viento que relaciona a λ y λ
. Para encontrar el valor de r se
y las hélices. En este trabajo se propone modelar el postula que
coeficiente de potencia a través de un modelo de fricción
λ
= 0 ⇔ Cp = 0
dinámico que permita el modelado de la potencia.
En muchos sistemas, la fricción es un fenómeno no de esta forma se tiene que
deseado que provoca perdida de energı́a, en este caso

116 − 21
se puede decir que la fricción es un fenómeno benéfico 0.5 − 0.4α − 5 e λi = 0 (9)
que permite la transformación de la energı́a cinética del λi
viento en energı́a cinética en las hélices. Lo que se espera despejando λi se obtiene que
es obtener la máxima fuerza de fricción entre el viento
y las hélices, para obtener una máxima transformación 1 0.4α + 5
= (10)
y un mejor rendimiento. λi 116
Al igualar (3) y (10) se tiene que
II. Transformación del modelo de coeficiente de
1
potencia, Cp . λ=
− 0.08α (11)
0.4α + 5 0.035
El coeficiente de potencia es un elemento muy impor- + 3
116 α +1
tante dentro del modelo del aerogenerador, ya que es
Si se utiliza (7) y (11) se llega a
el factor que determina la cantidad de energı́a cinética
que se puede extraer del viento. Tiene un lı́mite teórico 
4.06 
(0.4α + 5) + 3
(lı́mite de Betz) dado por Cp ≤ 0.59. r=R α + 1
 4.06 
(12)
Al ver la Fig. 1 se puede observar que el valor de λ 116 − 0.08α (0.4α + 5) + 3
se encuentra en un rango de 0 a 20. Por otro lado, la α +1
estructura de la Ec. (4) impide tener la capacidad de De esta manera, Cp está dado por
manejar una relación negativa entre ẋ y Rω que ocurre

cuando existen cambios repentinos en los valores de ẋ
116 − 21
Cp = sgn(λ )0.5 − 0.4α − 5 e λi (13)
o ω. El objetivo de este trabajo es obtener un modelo λi
que esté en función de la velocidad relativa (ẋR ), dada
con dependencia de (3), (6), (7) y (12). La Fig. 2
por
muestra las curvas caracterı́sticas que presenta este
ẋR = ẋ − Rω. (5) nuevo modelo. Debe notarse la simetrı́a del modelo
que describe indistintamente los regı́menes de turbina
Para esto, se propone una transformación que permita o ventilador.
manejar esta variable. Considere que

λ ≤ 0 ∀α
Cp = 0 para 0.5
λ > 0 ∀α ∈ [0, 30]o
0.4
Para encontrar una transformación en términos de Cp ,
0.3
se hace la suposición de que existe una variable
λ
∈  0.2
Cp [adimencional]

0.1
dada por
ẋ − rω 0
λ
= , ẋm = 0 (6)
ẋm −0.1

donde ẋm es la velocidad media del viento y r es un −0.2

radio anular equivalente, (r = R). Si se toman (4) y α=0
(6), se despeja ω en ambas y se igualan, se obtiene −0.3 α=1
α=2
α=5
  α=7
α = 10
α = 12
R ẋm
−0.4 α = 15

1 − λ

α = 20
λ= (7) α = 21
α = 25
r ẋ −0.5
α = 30

−1.5 −1 −0.5 0 0.5 1 1.5

λ
[adimencional]


o, si se despeja a λ , se tiene
 

ẋ r
λ = 1−λ (8) Figura 2. Curvas características de Cp vs λ .
ẋm R

Congreso Nacional de Control Automático A.M.C.A. 2007 24-26 de octubre, Monterrey, N.L.
 III. Modelo dinámico de fricción. donde Θ̂ es el vector de los parámetros estimados.
El modelo de fricción dinámico de referencia es el Al utilizar el método de mı́nimos cuadrados recursivo
modelo de LuGre (Canudas et al., 1994) que está dado normalizado sin factor de olvido (Ioannou y Sun, 1996),
por se llegó a los siguientes resultados.
|ẋR | IV. Resultados
ż = ẋr − σ0 z (14)
g(ẋr ) Se analizaron tres casos para obtener un modelo
equivalente a Cp , que toma como modelo de referencia
Ff = σ0 z + σ1 ż + σ2 ẋr (15) el que se muestra en las Ecs. (3), (6), (7), (12) y (13).
con
2
A. Caso 1
g(ẋr ) = Fc + (Fs − Fc )e−(ẋr /ẋs ) (16) Para este caso, Ĉp está parametrizado por la Ec. (22)
y se realiza la estimación paramétrica con los datos
ẋr = ẋ − rω (17) siguientes
este modelo supone que la superficie de contacto es • k1 =3
irregular y trata de representar el comportamiento entre • k2 =1
las superficies por medio de z, un estado interno que • ẋ= 25 m/s
mide la deformación microscópica de la superficie, ẋr • ẋm = 15 m/s
es la velocidad relativa y σ0 , σ1 y σ2 son los valores • R= 6 mts.
de rigidez, amortiguamiento y fricción viscosa respec- y como señal de excitación se usa la curva de λ

tivamente, mientras que g(ẋr ) es una función positiva mostrada en la Fig. 3. Esta señal se diseñó para
que representa el efecto Stribeck, la cual depende de la proporcionar excitación persistente.
fuerza de Coulomb, (Fc ), la fuerza estática, (Fs ), y de
la velocidad Stribeck, (ẋs ).
1.5

A. Modelado de Cp a través de modelo de LuGre

1
modificado.
Se tomaron (14) y (15), que representan a Cp , y 0.5

se propusieron las siguientes modificaciones. Para la

ecuación del estado interno z, se tomó g(ẋr ) = 1, σ0 =
λ

σ3 y se agregaron potencias k1 y k2 en algunos de los −0.5

términos. Para obtener

ż = sgn(ẋr )|ẋr |k2 − σ3 z|ẋr |
−1
(18)
−1.5
0 100 200 300 400 500 600 700 800 900 1000

Cp = σ0 z + σ1 ż + σ2 sgn(ẋr )|ẋr |k1 (19) tiempo [seg]

si se sustituye (18) en (19), se obtiene

Figura 3. Señal de exitación λ vs tiempo.
Cp = σ0 z + σ1 sgn(ẋr )|ẋr |k2 − σ1 σ3 z|ẋr | + σ2 sgn(ẋr )|ẋr |k1
(20) En las Fig. 4 (a) y (b) se muestra el resultado
que se parametriza de la siguiente forma de la estimación para los valores de α = 0˚ y 30˚
respectivamente, en (a) se observa una muy buena
⎡⎤ ⎡ ⎤ estimación en comparación con la que se muestra en
θ0 σ0
⎢ θ1 ⎥ ⎢ σ1 ⎥ (b). En la Fig. 5 (a) y (b) se observan los errores para
Θ=⎢ ⎥ ⎢
⎣ θ2 ⎦ = ⎣ σ2
⎥
⎦ estos dos casos.
θ3 σ1 σ3 En la Fig. 6 se puede observar la evolución de los
y parámetros. Se observa que dos de ellos, σ0 y σ3 ,
muestran una oscilación en su valor que se reduce al
Φ = [z sgn(ẋr )|ẋr |k2 sgn(ẋr )|ẋr |k1 − |ẋr |z] transcurrir el tiempo y que es debida a la naturaleza de
De esta manera se tiene el modelo en la forma la señal de excitación y a limitaciones en la estructura
del modelo propuesto. El valor final tomado corresponde
Cp = ΦΘ (21) al valor medio al que tienden a converger. Como los
que permite utilizar cualquier algoritmo convencional parámetros resultaban en juegos de valores distintos
de identificación directa, donde el estimado de Cp está para cada valor de α, se buscó la manera de codificar los
dado por cambios de σi con respecto a α. Para ello se obtuvieron
estimaciones de los parámetros para varios valores de
Ĉp = ΦΘ̂ (22) α. Se propuso de manera heurı́stica una curva en α que

Congreso Nacional de Control Automático A.M.C.A. 2007 24-26 de octubre, Monterrey, N.L.
 0.03

0.6

0.5 0.02

0.4

0.3 0.01
Cp[-], Ĉp [-.-]

0.2

Cp - Ĉp
0
0.1

0
−0.01
−0.1

−0.2
−0.02
−0.3

−0.4
−0.03
0 50 100 150 200 250 300 350 400 450 500 0 100 200 300 400 500 600 700 800 900 1000
tiempo [seg] tiempo [seg]

(a) Respuesta de la estimación de Cp para α = 0o . (a) Error de estimación para α = 0o .

0.08 0.04

0.06 0.03

0.04 0.02

0.01
Cp [-], Ĉp[-.-]

0.02

Cp - Ĉp
0
0

−0.01
−0.02

−0.02
−0.04

−0.03
−0.06
−0.04
0 50 100 150 200 250 300 350 400 450 500 0 100 200 300 400 500 600 700 800 900 1000
tiempo [seg] tiempo [seg]

(b) Respuesta de la estimación de Cp para α = 30o . (b) Error de estimación para α = 30o .

Figura 4. Señal de Cp (lı́nea continua) y Ĉp (lı́nea punteada) vs Figura 5. Señal de error vs tiempo. Caso 1.
tiempo. Caso 1.
−5
x 10
0.04
2

codificara la variación observada. El resultado obtenido 1 0.03

se puede ver en la Fig. 7. Las ecuaciones (23) - (26) 0

σ0

σ1
0.02

representan la codificación lograda para representar la −1

0.01
dependencia de σi sobre α. Puede notarse que estas −2
0
ecuaciones presentan un alto grado de complejidad en 200 400 600
tiempo [seg]
800 1000 0 500
tiempo [seg]
1000

α. x 10
−7 −4
x 10

2
−2.2

−14 2.5 −12 1.4

σ0 = −5.2925 × 10 α + 3.2925 × 10 α − −2.4
1
σ2

σ3

−10 0.1 −10 0.06

− 3.8531 × 10 α + 3.7778 × 10 α + −2.6
0

+ 8.3556 × 10−12 (23) −1

−2.8
200 400 600 800 1000 200 400 600 800 1000
tiempo [seg] tiempo [seg]

σ1 = 0.00088388α2.2 − 0.0014201α2.1 +
+ 0.029167α1.05 − 0.040587α0.9 + 0.063485 (24)
Figura 6. Comportamiento de los parámetros σ vs tiempo, para
valores de α=0o , 1o , 5o , 15o , 25o y 30o , para el Caso 1.
−23 12.1 α/20 −22 11.9
σ2 = −1.541 × 10 α e + 1.42 × 10 α +
+ 1.8223 × 10−6 α1.1 + 9.3817 × 10−5 α0.009 −
− 0.00021274 (25) B. Caso 2
Para mejorar los resultados del Caso 1, se buscó otra
σ3 = −3.4341 × 10−14 α3.2 + 1.9491 × 10−12 α2.1 +
forma de representación con k2 =1.1, σ3 =0 y k1 dada
+ 2.2601 × 10−11 α0.1 − 3.3524 × 10−11 α0.6 +
por
+ 2.1279 × 10−11 (26)

α
En la Fig. 8 se observa el comportamiento del k1 = −4.2347(e− 4 )4 + 7.2838 × 10−7α4 −
modelo dado por (18) y (19) con la integración de − 5.0131 × 10−5 α3 + 0.16456α − 2.5383α0.4 + 6.8171 (27)
los parámetros σi , dados por (23) - (26), teniendo un
error medio cuadrático del 16%. Se pueden apreciar el
error que se presenta en las curvas caracterı́sticas de Cp , Aunque k1 presenta una complejidad en su repre-
obtenido con el modelo propuesto (lı́neas discontinuas) sentación, el estado interno ż se reduce y se elimina un
en relación al modelo heurı́stico (lı́neas continuas). parámetro. Por lo que se tiene que

Congreso Nacional de Control Automático A.M.C.A. 2007 24-26 de octubre, Monterrey, N.L.
 −7
x 10
8 0.04

0.035 0.6
6

0.03 0.5
4
σ0 [-], σ̂0 [-*-]

σ1 [-], σ̂1 [-*-]

0.025
0.4
2
0.02
0.3
0
0.015

Cp[-], Ĉp [–]

0.2
−2 0.01

0.1
−4 0.005
0 5 10 15 20 25 30 0 5 10 15 20 25 30
0

−7 −5
−0.1
x 10 x 10
−2.5 0
−0.2
−3
−0.2
−0.3
−3.5
σ2 [-], σ̂2 [-*-]

σ3 [-], σ̂3 [-*-]

−0.4 −0.4
−4
0 50 100 150 200 250 300 350 400 450 500
−0.6 tiempo [seg]
−4.5

(a) Respuesta de la estimación de Cp para α = 0o .

−0.8
−5

−5.5 −1
0 5 10 15 20 25 30 0 5 10 15 20 25 30
α α

0.06

0.04

Figura 7. Parámetros σ[-] y σ̂[-*-] vs α, para el Caso 1. 0.02

Cp [-], Ĉp[–]
0

−0.02
0.4

0.35 −0.04

0.3 −0.06
0 50 100 150 200 250 300 350 400 450 500
Cp [-] y Ĉp [-.-]

tiempo [seg]
0.25

0.2 (b) Respuesta de la estimación de Cp para α = 30o .

0.15

0.1
Figura 9. Señal de Cp (linea continua) y Ĉp (linea punteada) vs
tiempo, para el Caso 2.
0.05

0
0.2 0.4 0.6 0.8 1 1.2
λ

de generar dos modelos para los parámetros σi , pero el
error se reduce significativamente. En el primer caso se
Figura 8. Curvas caracterı́sticas de Cp vs λ , para el Caso 1. toman valores de α=[0, 17]o con k2 =1 y
α
k1 = 4.0315(e− 4 )4 − 1.7915 × 10−6 α4 + 2.043 × 10−5 α3 +
+ 0.13959α − 2.1485α0.4 + 6.5253 (29)

Ĉp = σ0 z + σ1 sgn(ẋr )|ẋr |k2 + σ2 sgn(ẋr )|ẋr |k1 (28)

mientras que para α=[17, 30]o , k2 =1.6 y
Se puede observar que este modelo depende directa-
mente de ẋr , el cual es uno de los objetivos principales α
k1 = −3.9968αe− 0.435 − 0.096059α1.6 + 0.66582α1.4 −
de este trabajo. Realizando el mismo procedimiento
− 0.68264α1.3 + 0.72932α0.0006 + 1.5 (30)
de parametrización y estimación que en el Caso 1,
se obtuvieron los siguientes resultados; en la Fig. 9
se puede ver que en la gráfica (a) se mantiene una De esta manera se encontró que para α = [0, 17]o los
muy buena estimación, y en (b) se ve que se mejoró parámetros están dados por
notablemente. Esto también se observa en la Fig. 10,
que muestra el error de estimación para ambos casos. α
σ0 = 6.8931 × 10−6 α0.95 e− 0.33 − 1.8946 × 10−10 α3 +
En (a) se observa que el error se mantiene con la
+ 1.103 × 10−9 α2.5 − 3.27 × 10−6 α0.4 + 4.986 × 10−6α0.3 −
misma magnitud, mientras que en (b), éste se redujo.
− 2.1754 × 10−6 α0.0006 + 3.8793 × 10−7 (31)
Al momento de codificar los parámetros σi en función
de α se tuvo el mismo grado de complejidad en las α
σ1 = −0.048255α0.43 e− 2 − 0.0036092α1.5 + 0.013588α1.2 −
ecuaciones. El resultado global se puede observar en la
−0.065058α0.5006 + 0.066142α0.0006 + 0.071483 (32)
Fig. 11, donde se muestran las curvas de Cp . En dicha
figura se puede ver que el error que se presenta es de σ2 = 0.0010247α0.9 e− 0.9 + 3.21 × 10−7 α2.5 +
α

20%, mayor al del caso anterior. + 2.4537 × 10 −5 1.8

α − 0.0008173α1.1 + 0.001499α0.8 −
C. Caso 3 − 0.00020991α0.0006 − 0.00097305 (33)

Para reducir el error que se presenta en los casos mientras que para el caso de α=[17, 30]o , están dados
anteriores se realizó la estimación en dos partes, en por
relación a los valores de α. Esto tiene la desventaja

Congreso Nacional de Control Automático A.M.C.A. 2007 24-26 de octubre, Monterrey, N.L.
 0.1

0.08 0.4

0.06
0.3

0.04
0.2
0.02

0


0.1

Cp [-], Ĉp [–]

−0.02
0
−0.04

−0.06 −0.1

−0.08
−0.2

−0.1
0 100 200 300 400 500 600 700 800 900 1000
tiempo [seg] −0.3

(a) Error de estimación para α = 0o . −0.4

−1 −0.5 0 0.5 1
λ

0.1

0.08

0.06

0.04 Figura 12. Curvas caracterı́sticas de Cp vs λ , para el Caso 3.

0.02

0


−0.02

−0.04
V. Conclusiones
−0.06
Se presentó un estudio que deriva nuevas formas de
−0.08

−0.1
modelar la potencia de los aerogeneradores por medio
0 100 200 300 400 500 600 700 800 900 1000
tiempo [seg] del efecto de fricción que existe entre el viento y las
(b) Error de estimación para α = 30o . hélices. Se obtuvó un modelo equivalente para el coefi-
ciente de potencia a través de un modelo modificado
Figura 10. Señal de error vs tiempo, para el Caso 2. de LuGre que permite comprender el fenómeno real
que existe en la transformación de energı́a cinética del
0.5
viento. Se obtuvo una transformación del modelo de Cp
0.45 que muestra una serie de curvas simétricas que permiten
0.4 modelar las dos posibles formas en que una hélice
0.35 puede funcionar, turbina o ventilador, y que utiliza
0.3 como variable clave la diferencia de velocidades entre
Cp [-], Ĉp [-.-]

0.25 el viento y las hélices. Se obtuvieron tres modelos para

0.2 la representación del Cp , los dos últimos muestran un
0.15 muy buen comportamiento para valores fijos del ángulo
0.1
de ataque.
0.05
Se obtuvo un modelo global del coeficiente de po-
0
0 0.2 0.4 0.6
λ

0.8 1 1.2 tencia válido para el ángulo de ataque de [0, 30]o ,
que reproduce muy bien el comportamiento del modelo
heurı́stico de referencia, pero que sin embargo presenta
Figura 11. Curvas caracterı́sticas de Cp vs λ , para el Caso 2. una estructura muy compleja con dependencia en α.
Es necesario seguir con el estudio de la relación
que existe entre las variables α, ω y λ, y ası́ obtener
caracterizaciones menos complejas de los parámetros σi .
α
σ0 = 1.4117 × 1039 α0.8 e− 0.15 + 1.3915 × 10−10 α3 −
− 1.4935 × 10−9 α2.5 + 2.9322 × 10−8 α1.5 +
Referencias
+ 9.4239 × 10−8 α0.6 − 1.9411 × 10−6
(34) Canudas, C., P. Dupont y B. Armstrong-Hélouvry (1994). A
survey of models, analysis tools and compensation meth-
α ods for the control of machines with friction. Automatica
σ1 = −2.452 × 1067 α1.8 e− 0.1 − 9.6495 × 10−7 α3.5 + 30(7), 1083–1138.
−5 2.75 1.6
+ 3.1404 × 10 α − 0.0017569α + Heier, S. (1998). Grid Integration of Wind Energy Conversion
+ 2.2003α0.06 − 2.515 (35) Systems. Wiley.
Ioannou, Petros A. y Jing Sun (1996). Robust Adaptive Control.
α PTR Prentice-Hall.
σ2 = 2.434 × 1067 α1.8 e− 0.1 + 7.6088 × 10−7 α3.5 − Sbarbaro, D. y R. Peña (2000). A non linear wind velocity observer
− 2.4046 × 10−5 α2.75 + 0.001305α1.6 − 1.9472α0.06 + 2.2636 (36) for a small wind energy system. En: Proceedings of the 39th
IEEE Conference on Decision and Control. pp. 3086 – 3087.
Con estos datos se pueden observar en la Fig. 12
las curvas de Cp , donde las curvas dadas por el modelo
propuesto (lı́neas punteadas) presenta una buena aprox-
imación con respecto al modelo heurı́stico, mostrando
un error del 2%.

Congreso Nacional de Control Automático A.M.C.A. 2007 24-26 de octubre, Monterrey, N.L.