Physics-informed learning and data-driven control of an Airborne Wind Energy system

In recent years Airborne Wind Energy (AWE) has attracted a growing interest as novel technology capable of harvesting wind power with an autonomous tethered aircraft. AWE systems fly in crosswind patterns, which generates large lift forces, sustaining the aircraft and producing substantial mechanical power, which is then converted into electricity by driving an electrical machine. Compared to traditional wind energy technologies, AWE systems aim to reach higher altitudes, where winds are stronger and steadier. Another significant advantage is to eliminate the costs related to the structure of wind turbines. Among the several companies close to the industrialization of AWE systems, the Norwegian company Kitemill has developed the KM1 prototype. Prior to this, the company also produced a smaller version, the KM0, from which some aerodynamic data are available. Then, the idea of this thesis is to exploit the aerodynamic data of the KM0 and the flight data of the KM1, to solve the modeling and control problems, relying on data-driven techniques. The thesis begins with a description of the dynamic model of the system, followed by the formulation and solution of several identification problems. The first step involves the identification of the flight controller directly from experimental data. Subsequently, a closed loop identification algorithm is applied for the estimation of the physical parameters of the KM1 prototype. Motivated by the limitations of models derived from physical laws, a hybrid modeling technique is introduced, that combines data-driven approaches and physics-based models. In particular, the main challenge of the thesis consists in developing a Physics-Informed Neural Ordinary Differential Equation and defining a suitable optimization program and training algorithm for this architecture. The resulting physics-informed architecture demonstrates higher predicting accuracy than the physical model, demonstrating the viability of this approach even in other applications.

Negli utlimi anni l'Airborne Wind Energy (AWE) ha suscitato un crescente interesse come tecnologia innovativa in grado di estrarre energia eolica utilizzando un velivolo autonomo collegato a terra con un cavo. I sistemi AWE volano in traiettorie trasversali al vento, generando una portanza elevata, che sostengono il velivolo e che producono una sostanziale potenza meccanica, la quale è convertita in elettricità azionando un generatore. Diversamente dalle tecnologie tradizionali per l'energia eolica, i sistemi AWE puntano a raggiungere altezze più elevate, dove i venti sono più forti e costanti. Un altro vantaggio significativo è l'eliminazione dei costi legati alla struttura delle turbine eoliche convenzionali. Tra le diverse aziende vicine all'industrializzazione dei sistemi AWE, la società norvegese Kitemill ha sviluppato il prototipo KM1. In precedenza, l'azienda aveva anche prodotto una versione più piccola, il KM0, di cui sono disponibili alcuni dati aerodinamici. Quindi, l'idea di questa tesi è quella di sfruttare i dati aerodinamici del KM0 e i dati di volo del KM1 per affrontare i problemi di modellazione e controllo, utilizzando tecniche basate sui dati. La tesi inizia con una descrizione del modello dinamico del sistema, seguita dalla formulazione e soluzione di diversi problemi di identificazione. Il primo passo consiste nell'identificazione del controllore di volo direttamente dai dati sperimentali. Successivamente, viene applicato un algoritmo di identificazione in anello chiuso per stimare i parametri fisici del prototipo KM1. Motivata dai limiti dei modelli derivati da leggi fisiche, viene introdotta una tecnica di modellazione ibrida che combina approcci basati sui dati e modelli basati sulla fisica. In particolare, la sfida affrontata nella tesi consiste nello sviluppo di una Physics Informed Neural Differential Equation e nella definizione di un programma di ottimizzazione adeguato e di un algoritmo di addestramento per questa architettura. Il modello ibrido ottenuto dimostra una accuratezza predittiva maggiore rispetto al modello fisico, evidenziando la validità di questo approccio anche in altre applicazioni.