Energetische Verfügbarkeit von Windenergieanlagen

Die Kennzahl „Verfügbarkeit“ wird in der Windbranche häufig genannt, aber selten richtig verstanden. Wer die tatsächliche technische Leistungsfähigkeit einer Windenergieanlage (WEA) erfassen will, sollte auf energetische Verfügbarkeit (EV) setzen.

Dank moderner künstlicher Intelligenz (KI) lässt sich diese heute realistischer und genauer bestimmen als je zuvor, da KI Einflüsse wie Turbulenzen, Temperatur, Luftdichte und Parklayout einbeziehen kann.

Was ist energetische Verfügbarkeit?

Die energetische Verfügbarkeit (EV) misst, wie viel der möglichen Energieproduktion einer Windenergieanlage im betrachteten Zeitraum tatsächlich verfügbar war, also ohne technische oder betriebliche Einschränkungen.

Im Gegensatz zur klassischen zeitlichen, vertraglichen oder technischen Verfügbarkeit betrachtet sie nicht nur ob eine Anlage läuft, sondern wie viel Energie dadurch verloren geht.

Ein Ausfall bei starkem Wind ist energetisch viel relevanter als ein Ausfall bei schwachem Wind.

Formel

Warum die energetische Verfügbarkeit eine gute KPI ist um die Performance von Windenergieanlagen miteinander zu vergleichen

1. Realistische Performancebewertung

Ein kurzer Ausfall während starker Turbulenzen kann große Energieeinbußen bedeuten. EV bewertet Verluste gewichtet nach Windbedingungen und zeigt, wie viel Energie tatsächlich auf dem Tisch bleibt.

2. Präzisere Ursachenanalyse

Mit der energetischen Verfügbarkeit lassen sich kritische Stillstände mit hohem Energieeinfluss erkennen. Das erlaubt eine gezielte Priorisierung von Wartung und Serviceeinsätzen.

3. Objektive Vergleichbarkeit

EV neutralisiert das Windangebot, dadurch können Anlagen, Typen und Standorte fair verglichen werden, unabhängig von Windhäufigkeit oder Jahreszeit.

Wie KI die Berechnung wesentlich genauer macht

Früher beruhte die Berechnung der energetischen Verfügbarkeit auf einfachen Windgeschwindigkeitsmodellen oder Leistungskurven. Diese vereinfachen die Realität stark und ignorieren viele Einflüsse, die den realen Energieertrag massiv verändern.

Mit KI-gestützten Modellen ändert sich das grundlegend. Moderne Machine-Learning-Ansätze (wie sie Turbit z.B. im Leistungsmonitoring einsetzt) lernen das individuelle Anlagenverhalten unter realen Standortbedingungen. Dabei fließen u. a. folgende Parameter mit ein:

• Turbulenzen bzw. Windrichtung: beeinflussen die aerodynamische Effizienz der WEA

• Temperatur bzw. Luftdichte: verändern das Drehmoment und den Energieumsatz

  
  

Durch diese Faktoren kann die KI die potenzielle Leistung besser abschätzen als ein klassisches (Leistungskurven-)Modell und damit auch die energetische Verfügbarkeit präziser berechnen.

Beispiel

Als technischer Betriebsführer möchte ich gerne zwei WEA in einem fiktiven Windpark mit nur 2 WEA miteinander vergleichen und die Frage beantworten, welche von den beiden Anlagen effizienter läuft. Natürlich könnte ich für beide WEA einfach die totale Leistung über einen Zeitraum miteinander vergleichen. Allerdings ergibt sich dann das Problem, dass WEA2 von WEA1 abgeschattet wird und umgekehrt. Je nach Windrichtungshäufigkeit in unterschiedlichen Jahren ist mal die eine oder mal die andere WEA performanter. Da beide WEA an demselben Standort sind und somit dieselbe Temperatur und Luftdichte haben, ist dieses Problem nicht vorhanden, würde aber auftreten, wenn man zwei WEA mit unterschiedlichem Standort vergliche.

Letztendlich hat auch noch das Terrain und damit die höhe über NN einen Einfluss auf die Leistungskurve. All das sind keine technischen Leistungsparameter, also keine Einflüsse, die durch z.B. schlechte Rotorblätter verursacht sind.