Gondelfehlstellung (Yaw Error) - Warum Turbit dieses Thema depriorisiert

Bei Turbit haben wir uns stets darauf konzentriert, wissenschaftlich validierte Lösungen mit hohem Mehrwert für die Optimierung von Windenergieanlagen zu liefern. Über die Jahre haben wir erhebliches Fachwissen in das Verständnis von Gondelfehlstellungen und deren Auswirkungen auf die Anlagenperformance erlangen. Nach umfangreicher Forschung und Praxistests mit reelen Daten haben wir jedoch beschlossen, die Weiterentwicklung von Yaw-Error-Erkennungsmodulen nachrangig zu behandeln. Hier ist der Grund:

Fachwissen zu Gondelfehlstellungen – mit klaren Grenzen

Unser Team – insbesondere unser Gründer Michael – verfügt über umfassende Erfahrung im Bereich der Yaw-Error. Er hat an LiDAR-basierten Systemen zur Erkennung von Gondelfehlstellungen gearbeitet und sogar eine Methode entwickelt, um Yaw-Fehler anhand von Turm-Schwingungsmessungen zu erkennen. Dieses Know-how verschaffte uns früh einen Vorsprung bei der Entwicklung von Lösungen zur Identifizierung und Korrektur von Yaw-Error.

Die Herausforderung, Leistungsgewinne nachzuweisen

Korrekturen von Gondelfehlstellungen versprechen theoretisch Leistungssteigerungen. In der Praxis ist der Nachweis dieser Verbesserungen jedoch äußerst schwierig. Bei Turbit sind wir darauf spezialisiert, die Leistung von Windenergieanlagen unter verschiedenen Bedingungen vorherzusagen – mit weltweit führender KI-Präzision.

Dennoch haben wir festgestellt:

• Die natürliche Variabilität der Leistung durch Windgeschwindigkeit, Turbulenzintensität, Temperaturabhängigkeiten und weitere Faktoren ist deutlich größer als der systematische Gewinn, der durch die Korrektur eines Yaw-Errors erwartet werden kann.

• Selbst mit fortschrittlichen KI-Modellen lässt sich der Effekt im Rauschen der normalen Schwankungen kaum isolieren – insbesondere, wenn lediglich 10-Minuten-Mittelwerte zur Verfügung stehen.

• Theoretische Modelle zeigen, dass selbst ein Yaw-Error größer als 15° oft zu weniger als 3 % Leistungssteigerung führt – ein Signal, das praktisch mit keiner Methode im Rauschen eindeutig nachweisbar ist.

SCADA-basierte Yaw-Error-Erkennung – ein Teilerfolg

Wir haben zudem eine Methode entwickelt, um Gondelfehlstellungen ausschließlich anhand von SCADA-Daten zu erkennen – mit Ergebnissen, die später durch LiDAR-Messungen bestätigt wurden. Wir konnten Gondelfehlstellungen also identifizieren. Was jedoch nicht gelang: den wissenschaftlich belastbaren Nachweis eines tatsächlichen Leistungsgewinns nach einer Korrektur. Trotz intensiver Untersuchungen ließ sich kein messbarer Power-Curve-Effekt in realen Betriebsbedingungen belegen.

Unser Anspruch: Nur wissenschaftlich belegte Lösungen

Bei Turbit gilt ein klares Prinzip: Wir verkaufen nichts, das nicht wissenschaftlich nachgewiesen ist. Während andere Unternehmen möglicherweise alternative Yaw-Erkennungsmethoden entwickeln, konzentrieren wir uns bewusst auf Bereiche, in denen der Nutzen unserer Meinung nach klar messbar ist.

Unsere Energie fließt in Lösungen, die nachweisbar hohe Wirkung haben – etwa Predictive Maintenance, die Erkennung von Leistungseinbußen durch Drosselungen und die Reduktion von Ausfallrisiken durch kontinuierliches Monitoring von Hauptkomponenten, Rotorblättern und weiteren Windenergieanlagenkomponenten. Hier sehen wir die wirklich großen Hebel zur wirtschaftlichen Performanceverbesserung.

Fazit

Wir sind überzeugt, dass Betreiber Lösungen verdienen, die messbare, wissenschaftlich fundierte Vorteile liefern. Durch unseren Fokus auf High-Impact-Themen stellen wir sicher, dass unsere Kunden den größtmöglichen Mehrwert aus Investitionen in Predictive Maintenance und Performance-Optimierung erhalten.