Der KPI „Verfügbarkeit" wird in der Windindustrie oft genannt – aber selten wirklich verstanden. Wer die tatsächliche technische Leistung einer Windenergieanlage (WEA) erfassen möchte, sollte sich auf die energetische Verfügbarkeit (EV) konzentrieren.

Dank moderner KI lässt sich diese Kennzahl nun realistischer und präziser als je zuvor bestimmen, da KI Effekte wie Turbulenz, Temperatur, Luftdichte und den Windpark-Layout berücksichtigen kann.

Was ist energetische Verfügbarkeit?

Die energetische Verfügbarkeit (EV) misst, wie viel der potenziellen Energieproduktion einer Windenergieanlage in einem bestimmten Zeitraum tatsächlich verfügbar war – das heißt, ohne technische oder betriebliche Einschränkungen.

Anders als die klassische zeitliche, vertragliche oder technische Verfügbarkeit berücksichtigt die EV nicht nur, ob eine Turbine in Betrieb ist, sondern wie viel Energie verloren geht, wenn sie es nicht ist.

Ein Stillstand bei starkem Wind ist energetisch deutlich relevanter als einer bei schwachem Wind.

Warum die energetische Verfügbarkeit ein starker KPI für den Vergleich der Turbinenleistung ist

1. Realistische Leistungsbewertung

Ein kurzer Ausfall bei turbulenten Starkwindbedingungen kann zu erheblichen Energieverlusten führen. Die EV gewichtet solche Verluste nach Windbedingungen und zeigt, wie viel Energie tatsächlich nicht erzeugt wurde.

2. Präzisere Ursachenanalyse

Die energetische Verfügbarkeit hilft dabei, kritische Stillstände mit hohem Energieeinfluss zu identifizieren. Dies ermöglicht eine gezielte Priorisierung von Wartungs- und Servicemaßnahmen.

3. Objektive Vergleichbarkeit

Die EV normalisiert für die Windverfügbarkeit. Das bedeutet, dass Turbinen, Modelle und Standorte fair verglichen werden können, unabhängig von der Windhäufigkeit oder saisonalen Effekten.

Wie KI die Berechnung deutlich präziser macht

Historisch gesehen wurde die energetische Verfügbarkeit anhand einfacher Windgeschwindigkeitsmodelle oder Leistungskurven berechnet. Diese Ansätze vereinfachen die Realität zu stark und ignorieren viele Einflüsse, die die tatsächliche Energieausbeute erheblich beeinflussen.

Mit KI-basierten Modellen hat sich das grundlegend geändert. Moderne Machine-Learning-Ansätze (wie sie Turbit für das Performance-Monitoring einsetzt) erlernen das individuelle Verhalten jeder Turbine unter realen Standortbedingungen.

Diese Modelle berücksichtigen Parameter wie:

  • Turbulenz und Windrichtung: beeinflussen die aerodynamische Effizienz der Turbine
  • Temperatur und Luftdichte: wirken sich auf Drehmoment und Energieumwandlung aus

Durch die Einbeziehung dieser Faktoren kann KI die potenzielle Leistungsabgabe deutlich präziser vorhersagen als traditionelle leistungskurvenbasierte Modelle – und damit die energetische Verfügbarkeit wesentlich genauer berechnen.

Beispiel

Als technischer Betreiber möchte ich zwei Turbinen in einem fiktiven Windpark mit zwei Windenergieanlagen vergleichen und die Frage beantworten: Welche arbeitet effizienter?

Natürlich könnte ich einfach die Gesamtenergieerzeugung über einen bestimmten Zeitraum vergleichen. Es gibt jedoch ein Problem: Windturbine 2 wird teilweise von Windturbine 1 beschattet und umgekehrt. Je nach Windhäufigkeit in verschiedenen Jahren erscheint mal die eine, mal die andere leistungsstärker.

Da sich beide Turbinen am selben Standort befinden, unterliegen sie identischer Temperatur und Luftdichte, sodass diese Faktoren hier herausfallen – sie würden jedoch eine Rolle spielen, wenn sich die Turbinen an verschiedenen Standorten befänden.

Schließlich beeinflusst auch die Geländehöhe (Höhe über dem Meeresspiegel) die Leistungskurve. Bei all diesen Faktoren handelt es sich nicht um echte technische Leistungsfaktoren, sondern um umweltbedingte oder physikalische Einflüsse – keine Probleme wie beschädigte Rotorblätter oder Bauteildefekte.