Data-driven learning of an optimal control policy for Wave Energy Converters: A comparison of metamodels

Le onde marine sono una fonte di energia rinnovabile non ancora sfruttata. Sono caratterizzate da alta predicibilità, bassa variabilità e alta densità di energia. Negli ultimi anni, c’è stato un crescente interesse in questo campo di studi, con la creazione di diversi Wave Energy Converters. L’Inertial Sea Wave Energy Converter (ISWEC) trasforma l’energia delle onde marine in energia elettrica, usando un sistema di giroscopi. Il sistema è composto da uno scafo galleggiante, ancorato al fondale marino, che contiene il sistema giroscopico e dei generatori. Il beccheggio dello scafo viene sfruttato dal sistema giroscopico che lo converte in energia elettrica. Il sistema è stato sviluppato da Eni in collaborazione con il Politecnico di Torino. Lo scopo di questa tesi è trovare una strategia di controllo per i Wave Energy Converters che massimizza l’assorbimento medio di energia in diverse condizioni di stato di mare. Sono stati considerati due modelli: un modello a un grado di libertà che rappresenta il funzionamento di un Point Absorber e un modello a tre gradi di libertà che rappresenta il funzionamento di un Inertial Sea Wave Energy Converter (ISWEC). Un sistema di Power Take Off (PTO) converte l’energia delle onde in energia elettrica, smorzando la dinamica del sistema. Un approccio data-driven per trovare il controllo ottimale non è influenzato da errori di modellazione e si può adattare a diverse condizioni del sistema e diverse installazioni. La strategia ottimale di controllo è trovata con un metamodello in due fasi: regressione che consiste nell’usare un algoritmo di regressione per stimare, date le condizioni dello stato di mare e i parametri di controllo, la potenza media assorbita e ottimizzazione, per trovare il controllo ottimale per ogni stato di mare considerato. Inizialmente, è stata adottata una strategia di esplorazione casuale dei parametri di controllo. In questa prima parte, verranno descritte le onde marine e i modelli di Wave Energy Converter considerati. In seguito, verrà fatta un’analisi delle due fasi del metamodello, presentando i diversi algoritmi usati e le loro performance sui due casi di studio. Infine. le strategie ottenute dai diversi metamodelli saranno valutate e confrontate in termini di potenza media assorbita. Successivamente sono proposte due diverse strategie: la prima bilancia la distribuzione degli stati di mare nel dataset di training del metamodello e la seconda definisce una strategia di esplorazione online concentrata nell’intorno dei parametri di controllo ottimali.