Zusammenfassung
Nach einer technischen Verbesserung einer Windenergieanlage stellt sich häufig die Frage, welche Auswirkung die Maßnahme auf die Leistung der Anlage hat. So möchte man beispielsweise wissen, wie viel mehr Energie nach der Kalibrierung einer Gondelfehlstellung erzeugt wird.
Zunächst bietet es sich an, die Leistungskurve der Anlage in den Zeiträumen vor und nach der Maßnahme zu vergleichen.
In diesem Artikel beleuchten wir Ungenauigkeiten dieses Ansatzes und stellen einen völlig neuen Ansatz vor, der mithilfe von maschinellem Lernen zuverlässige Leistungskurvenvergleiche ermöglicht.
Beispiel: Korrektur einer Yaw-Fehlstellung
Wir möchten unsere Überlegungen am Beispiel einer Gondelfehlstellungskorrektur vorstellen.
Es lässt sich davon ausgehen, dass die Kalibrierung eines systematischen Yaw-Fehlers – z. B. durch unser Turbit Measurement System (TMS) – zu einer Verbesserung der Gesamtleistung der Windenergieanlage führt. Dieser Artikel beschreibt den theoretischen und physikalischen Hintergrund der Auswirkungen eines Yaw-Fehlers auf die Leistung von Windenergieanlagen.
Theoretische Steigerung der Gesamtleistung
Wenn man den Jahresertrag einer Windenergieanlage zugrunde legt und einen theoretischen Mehrertrag von 1–3 % hinzurechnet, wird der wirtschaftliche Nutzen einer Gondelfehlstellungskalibrierung schnell deutlich.
Nachweis einer Ertragssteigerung?
Es stellt sich jedoch die Frage, wie diese Leistungssteigerung anhand realer Leistungsmessungen nachgewiesen werden kann. Der Prozess der Umwandlung kinetischer Windenergie in elektrische Energie ist sehr komplex und stark von meteorologischen Parametern abhängig.
Probleme eines normalen Leistungskurvenvergleichs
Wenn an einer Windenergieanlage eine Änderung vorgenommen wird, möchte man wissen, wie stark diese Änderung die Leistung der Anlage beeinflusst. Die Leistung einer Windenergieanlage hängt jedoch nicht nur von der Windgeschwindigkeit ab. Dies führt dazu, dass sich die Leistungskurve (Leistung pro Windgeschwindigkeit) unter verschiedenen meteorologischen Bedingungen verändert.
Ein einfacher Leistungskurvenvergleich zweier Zeiträume reicht nicht aus, um genau feststellen zu können, was die Ursache war. So können sich beispielsweise die meteorologischen Bedingungen im Laufe der Zeit ändern und damit die Leistungskurve beeinflussen.
Abhängigkeit der Leistungskurve von der Luftdichte
Die Luftdichte ist neben der Windgeschwindigkeit einer der wichtigsten Einflussfaktoren auf die Leistungskurve von Windenergieanlagen. Bei gleicher Windgeschwindigkeit verändert sich der Energieinhalt des Windes in Abhängigkeit von der Luftdichte. Je dichter die Luft, desto mehr Energie enthält der Wind und desto mehr Leistung kann die Windenergieanlage aus dem Wind gewinnen.
Die Luftdichte wiederum hängt hauptsächlich von Temperatur, Luftdruck und Luftfeuchtigkeit ab.
Die Abbildung auf der linken Seite zeigt einen deutlichen Unterschied in der Leistungskurve einer Anlage zwischen Sommer und Winter. Der Hauptgrund ist die durchschnittliche Temperatur und die damit verbundene unterschiedliche Luftdichte.
Abhängigkeit der Leistungskurve von der Turbulenzintensität
Ebenso hängt die Leistung bei gleicher Windgeschwindigkeit von der Turbulenzintensität ab.
Wir können nicht davon ausgehen, dass die Leistungskurve zweier zeitlich getrennter Messungen vergleichbar ist, wenn wir ausschließlich die Windgeschwindigkeit messen.
Herkömmliche Messungen mit Messmasten sind zu kostspielig und aufwendig.
Neuer Ansatz: Machine Learning
Neuronale Netze sind sehr gut darin, komplexe Zusammenhänge zu erlernen. Die nichtlineare und daher komplexe Beziehung zwischen den meteorologischen Parametern und der Leistung einer Windenergieanlage lässt sich mit dieser Methode sehr gut aus historischen SCADA-Daten erlernen. Die 10-Minuten-Daten aller Windturbinen eines Windparks werden als Eingabedaten für das Modell verwendet, und das Modell wird darauf trainiert, die Leistung der Testanlage vorherzusagen.
Das neuronale Netz erlernt so das komplexe Leistungsverhalten bei unterschiedlichen Windrichtungen, Luftdrücken und Windgeschwindigkeiten. Wird dieses Modell auf neue Daten angewendet, kann die Leistung der Testanlage für verschiedene Wetterbedingungen simuliert werden.
Wenn die Gondelfehlstellung der Testanlage kalibriert wird, kann die Simulation mit den Realdaten verglichen werden. Die ermittelte Leistungsdifferenz, die um den Standort und die meteorologischen Bedingungen bereinigt wurde, kann zur Bewertung des Erfolgs der Maßnahme herangezogen werden.
1. Training
Zum Training der Leistungskurve verwenden wir nur einen Teil der Daten (Training Data). Dies ergibt einen Datensatz (Validation Data), mit dem wir überprüfen können, wie gut die Vorhersage der Leistung durch das neuronale Netz funktioniert.
2. Training Loss vs. Validation Loss
Wenn wir nun den Fehler unseres Trainings aus den Trainingsdaten und aus den Validierungsdaten vergleichen, müssen wir sicherstellen, dass kein sogenanntes Overfitting auftritt,
d. h., dass das neuronale Netz die Trainingsdaten nicht auswendig lernt, sondern nur die grundlegenden Zusammenhänge versteht.
3. Self Consistency Check
Um zu prüfen, ob das Netz das Leistungsverhalten gut erlernt hat, verwenden wir historische Daten aus dem vollständigen Trainings- und Validierungsdatensatz und überprüfen, wie gut die Simulation funktioniert.
Wir erreichen in der Regel eine Genauigkeit von 99 %.
4. Leistungsvergleich
Abschließend verwenden wir Daten als Eingabedaten, die im Testzeitraum gemessen wurden – z. B. nach einer Kalibrierung –, und vergleichen die Ergebnisse des Machine-Learning-Modells mit den tatsächlich gemessenen Werten. Die Differenz ergibt dann die gestiegene oder gesunkene Leistungsabgabe.
Werden diese Differenzen über einen bestimmten Zeitraum integriert, erhält man eine direkte Differenz in kWh zwischen der erwarteten und der tatsächlich erzeugten Leistung der Testanlage.
