KI im Betrieb von Windkraftanlagen

Turbit BWE Vortrag Q2 2023 - KI in der Betriebsführung von WEA.pdf

PDF herunterladen • 4.94MB

Transkript:

Einführung

Mein Name ist Michael Tegtmeier, und ich habe einen Hintergrund in Physik. Ich habe bei Senvion gearbeitet und mich auf verschiedene Messungen konzentriert. Ich habe viele Daten analysiert und festgestellt, dass Hersteller trotz einer Fülle von Sensoren und Daten diese nicht wirklich so analysieren, wie es heute möglich wäre, besonders mit KI. Dies war besonders 2017 deutlich zu erkennen.

Heute möchte ich vorstellen, was wir bisher entdeckt haben, und einen Einblick in den aktuellen Zustand der Windindustrie geben. Am wichtigsten ist, dass ich die potenziellen Vorteile besprechen werde, die KI für Windenergieanwendungen bringen kann, und einen Ausblick darauf geben, wohin sich die Dinge in den nächsten fünf Jahren entwickeln könnten.

KI-Fortschritte und Anwendungen

Ich werde also die Fähigkeiten der KI diskutieren, nicht nur allgemein, sondern auch speziell im Windenergiesektor. Ich werde über den Mehrwert sprechen, den sie bringt, und warum die Richtung der KI-Entwicklung entscheidend ist. Es ist allgemein bekannt, dass maschinelles Lernen und Big Data zu Schlagwörtern geworden sind, aber ich werde versuchen zu erklären, warum sie wichtig sind.

Es gab in den letzten Jahren drei große Fortschritte in der KI, und einer der wichtigsten ist das Training von KI mit großen Datensätzen, um zu verstehen, wie diese Daten zusammenhängen. Zum Beispiel habe ich in den Chat eingegeben: "Du bist der technische Betreiber einer Windenergieanlage. Am Hauptlager einer Senioranlage ist ein Schaden aufgetreten, der durch erhöhte Temperatur angezeigt wird. Schreibe eine E-Mail an das Serviceteam mit der Bitte um eine Ölprobe aus dem Lager so schnell wie möglich, und bitte mache das innerhalb von 300 Zeichen."

Das Ergebnis war eine gut formulierte Nachricht, die zeigt, dass Prozesse wie das Schreiben einer E-Mail bereits effektiv automatisiert werden können. Auf einer leichteren Note kann KI auch Bilder generieren. Obwohl das generierte Windturbinenbild vier Rotorblätter hatte, eine kleine Diskrepanz, zeigt es dennoch die Fähigkeiten der KI.

Dies bringt uns zum zweiten Fortschritt: Objekterkennung, die große Mengen an Messdaten oder gekennzeichneten Datensätzen erfordert. Dies hat eine breite Anwendung, besonders beim autonomen Fahren, aber auch für Startups und Unternehmen, die Blattschäden oder Risse an Türmen mittels KI erkennen.

Heute möchte ich einen anderen Ansatz vorstellen, der sich auf Reinforcement Learning konzentriert. Es handelt sich um einen Algorithmus, der besonders gut darin ist, komplexe Spiele zu lernen. Die Idee hier ist, dass ein KI-Agent sein Verhalten in einer Umgebung gemäß einer bestimmten Zielfunktion anpasst, selbst wenn er die Umgebung nicht kennt. Dieses Konzept ist auch sehr gut auf eine Windenergieanlage anwendbar.

Herausforderungen in der Windbranche

Die Vorteile der KI-Anwendung können bereits sehr gut hervorgehoben werden. Aber bevor wir darauf eingehen, lassen Sie uns diskutieren, warum es relevant ist und welche Probleme es löst. Mit der Vergrößerung der Windturbinen stehen wir vor spezifischen Herausforderungen. Zum Beispiel, wenn in einem Repowering-Projekt eine von 50 Turbinen ausfällt, ist das kein größeres Problem. Aber nach dem Repowering, wenn ich 17 viel leistungsstärkere Turbinen habe und eine davon ausfällt, sind das Risiko und der Ertragsverlust viel größer.

Mit zunehmender Größe der Turbinen steigt auch die physische Belastung, wodurch sie empfindlicher und störanfälliger werden. Es gibt auch das Problem des Personalmangels und des demografischen Wandels; wer wird all die notwendigen Aufgaben durchführen? Zusätzlich neigen Original Equipment Manufacturers (OEMs) dazu, diese Risiken von ihren Büchern in Full-Service-Verträge zu verlagern, wodurch sie nachsichtiger werden, was dazu führt, dass Opportunitätskosten aus Ertragsverlusten in den Bilanzen der Betreiber landen.

Wenn zum Beispiel ein Problem mit der Transformatorstation oder einer Turbine in einem Windpark mit 17 Turbinen auftritt, können die Kosten durch Ertragsverluste aufgrund langer Lieferzeiten schnell in die Millionen steigen. Wenn man diese Schäden summiert und bewertet, welche Schäden zu einem Ertragsverlust führen können, kommt man auf etwa 26.000 Euro pro Megawatt pro Jahr durch Ausfallzeiten. Wenn dies mit Software geändert werden kann, dann hat man eine gute Rendite auf Investitionen erzielt.

Praxisbeispiele

Hier ist eine Grafik mit Schadensstatistiken. Auf der Y-Achse haben wir die Wahrscheinlichkeit des Schadenseintritts, und die Blasengröße repräsentiert die Ausfallzeit bei Schadenseintritt. Der Punkt ist, dass wir viele Ereignisse verhindern können, die zu Ausfallzeiten führen und derzeit in den Bilanzen der Betreiber liegen.

Schauen wir uns ein reales Beispiel an. Wir haben einen Betreiber und einen OEM gewarnt, dass ein Generator kurz vor dem Ausfall steht. Der Temperaturtrend wird hier gezeigt, aber unsere Warnung wurde ignoriert. Als die Turbine einen Totalausfall erlitt, wurde der Betrieb der anderen beiden Turbinen mit ähnlichem Verhalten geändert, wodurch das gleiche Schicksal verhindert wurde. Was ich hier hervorheben möchte, ist, dass Fehler Monate im Voraus erkannt werden können. Dies gibt Ihnen Zeit, den Komponententausch zu planen und die Ausfallzeit erheblich zu reduzieren.

Hier ist ein weiteres Beispiel. Ein Foto wurde von schwarzem Fett an einer Turbine gemacht; ursprünglich war es weiß. Mehrere Wochen später haben wir eine Warnung gesendet, obwohl wir keine erhöhte Temperatur im Rotorlager festgestellt haben. Einfache vorbeugende Maßnahmen können ergriffen werden, was Eric später besser erklären wird, glaube ich.

KI-Infrastruktur und Methodik

Das Ganze fällt unter den Schirm des maschinellen Lernens und Big Data. Wir nehmen historische Daten und trainieren ein neuronales Netzwerk basierend auf vergangenen Verhaltensweisen. Wir wissen, wie gut wir das machen können, weil wir Datensätze aus den Trainings- und Validierungsdatensätzen nehmen, die es uns ermöglichen, Vorhersagen über die Temperatur innerhalb von +/- 0,5 Grad und die Leistungsabgabe innerhalb von +/- 30 kW zu treffen.

Wir nehmen externe Temperatur, Windgeschwindigkeit und Windrichtung als Eingangsparameter, um die Leistungsabgabe einer Turbine vorherzusagen. Wir können dann sehr genaue Vorhersagen über das Verhalten der Leistungsabgabe treffen und somit kleine Abweichungen, Pitch-Probleme oder Probleme im Steuerungssystem identifizieren. Wir können Dinge erkennen, die vorher nicht sichtbar waren.

Hier können Sie sehen, dass die Leistungskurve nicht dem Standard des Herstellers entspricht, sondern mit einer Simulation verglichen wurde. Kleine Abweichungen sind deutlich sichtbar. Unten sehen Sie den Unterschied zwischen der Simulation und den tatsächlichen Daten.

Ein entscheidender Aspekt ist nun, was mit all diesen Berichten über Anomalien, hohe Temperaturen usw. zu tun ist. Wenn ich ein Portfolio von mehreren hundert Turbinen habe, ist es unmöglich, alles zu überprüfen. Was wir tun, ist, ständig Feedback von unseren Kunden über die Relevanz dieser Warnungen zu sammeln. Im Laufe der Zeit entsteht ein vorhergesagter Relevanzwert mit einem 1-5-Sterne-Bewertungssystem. In diesem Beispiel stieg der Relevanzwert, bevor der Algorithmus ein Problem markierte, was die Wirksamkeit dieses Systems anzeigt.

Also hat der Algorithmus irgendwie erkannt, dass er aufpassen muss. Er hat hier etwas als relevant eingestuft. Das ist hervorragend für die Priorisierung innerhalb großer Portfolios und die Identifizierung, welche Ereignisse unsere Aufmerksamkeit benötigen.

Der heilige Gral sozusagen ist die Fehlermodus-Vorhersage, was diesen Vortrag über Schadensklassifizierung besonders spannend macht. Am Ende möchte ich eine Analyse - nicht immer manuell durchgeführt, sondern vorzugsweise automatisiert, die mögliche Ursachen anzeigt, wie eine Leistungsreduzierung.

Allerdings habe ich nicht immer alle notwendigen Informationen. Ich könnte einige Statuscodes haben, aber sie können schwer zu interpretieren sein. All dies zuzuordnen ist eine enorme Arbeitsmenge. Was wir also hier tun, ist, Labels auf die Daten unserer Kunden oder die Anomalien anzuwenden, die unser Erkennungssystem identifiziert. Dann geben wir eine Wahrscheinlichkeitsschätzung ab, wie ein zukünftiger Kunde es wahrscheinlich kennzeichnen würde.

In diesem Fall sehen wir Raum für Verbesserungen, aber wir sehen bereits in Orange den Anstieg jedes Patches, was als erste Indikation äußerst spannend ist. Wahrscheinlich müssen wir uns keine Sorgen um den Patch machen.

Die Vier Stufen unserer KI-Infrastruktur

Lassen Sie uns einen Moment über unsere KI-Infrastruktur sprechen, die wir in vier Stufen entwickelt haben. Wir glauben, dass sich das System im Laufe der Zeit weiter verbessern wird. Die erste Stufe umfasst klassisches Data Engineering, die Untersuchung von Rohdaten und die Herausfindung, wie man sie erfassen kann. In der zweiten Stufe reinigen wir die Daten mithilfe von KI-Methoden oder statistischen Methoden. Dann definieren wir in der dritten Stufe den Trainingssatz für die Anomalieerkennung. All dies ist Teil der Anomalieerkennungsstufe, in der wir traditionelle neuronale Netzwerke und andere statistische Methoden zur Ausreißererkennung verwenden.

Transfer Learning ist besonders wichtig. Manchmal haben wir nicht viele Daten und lernen daher aus größeren Datensätzen. Wenn zum Beispiel ein Windpark neu gebaut wurde, habe ich noch keine Daten, benötige aber dennoch Überwachung. Wir lernen also vorher von benachbarten Anlagen oder ähnlichen Typen und trainieren dann schnell das System, um zu verstehen, wie diese neue Anlage funktioniert.

Die dritte Stufe, die vielleicht die wichtigste ist, umfasst die Klassifizierung oder Fehlermodus-Vorhersage. Wir verwenden hier eine weitere KI-Schicht, die alle verfügbaren Daten, Statuscode-Unterschiede, Anomalien und alles andere, was wir finden können, einbezieht, um diese Vorhersage zu treffen.

Nichts davon würde funktionieren, wenn der Prozess des Kunden oder das Feedback vom Serviceteam nicht stimmte. Daher haben wir viel Zeit und Mühe investiert, um diesen Prozess zu differenzieren. Die entscheidende Frage bei Tausenden von Anlagen ist: Wie können wir das skalieren? Die Priorisierung der Alarme über KI ist entscheidend, und ein weiteres großes Problem, das wir in der Zusammenfassung besprechen sollten, ist, wie wir den Servicepartner dazu bringen können, die Ereignisse tatsächlich zu verbessern oder sogar Ereignisse an der Anlage zu initiieren?

Vertrauen in die Daten und die Sicherstellung einer niedrigen Falsch-Positiv-Rate sind wichtig. Wir streben an, schnell zu sein - eine Warnung innerhalb von 36 Stunden zu senden. Wir tun dies anlagenweise. Zum Beispiel haben wir 4.000 Netzwerke in Produktion und erhalten durchschnittlich 120 Alarme pro Woche, die von Kunden gekennzeichnet werden. Dies hat uns eine Fülle von Erfahrungen in der Fehlererkennung gebracht.

Die Zukunft des Windenergiebetriebs

Wohin führt das alles? Ich habe hier einen alten Zeitungsartikel mitgebracht. Er berichtet von Mathematiklehrern, die besorgt waren, als Taschenrechner eingeführt wurden, und befürchteten, sie würden ihre Jobs verlieren. Natürlich wissen wir, dass das nicht passiert ist - es gibt immer noch Mathematiklehrer, aber die Lehrmittel und -methoden haben sich geändert. Ähnlich verändern sich Berufsrollen. Zum Beispiel verändert sich die Rolle des technischen Betreibers schneller als wir denken könnten, aber sie verschwindet nicht - es ist wichtig, dies zu betonen.

Welche Veränderungen sehe ich voraus? KI-unterstützter Betrieb wird eine Realität sein, wobei KI berät, worauf man sich konzentrieren oder welche Maßnahmen ergriffen werden sollten. Gleichzeitig wird die Entscheidungsfindung auf höherer Ebene mit Tools unterstützt, die abwägen, ob es sich lohnt, ein Serviceteam zu entsenden. Es ist wichtig, immer eine menschliche Aufsicht zu haben, besonders wenn erhebliche Kosten beteiligt sind.

Ein weiteres großes Thema ist Big Data. Wir müssen weg von 10-Minuten-Datenintervallen und hin zu 60-Sekunden- oder sogar Sekunden-für-Sekunden-Daten. Darin steckt viel mehr Information und Präzision, und es kann die Granularität der Überwachung verbessern. Wenn ich zum Beispiel einen Azimut überwache, der hin und her schwingt, werde ich in 10-Minuten-Intervallen nichts sehen. Aber wenn ich die Lebensdauer des Azimutmotors berechnen möchte, muss ich mir Minutendaten ansehen.

In den nächsten fünf Jahren glauben wir, dass Anlagen in Echtzeit gesteuert werden. Das bedeutet, dass wir Dinge berücksichtigen können, wie zum Beispiel: Wenn eine Komponente komplett kaputt ist und der Marktstrompreis derzeit niedrig ist, können wir die Leistung reduzieren. Alternativ, wenn ich am Abend einen guten Marktstrompreis habe und weiß, dass ich einen Fehler habe, könnte ich die Leistung am Nachmittag reduzieren und mit maximaler Leistung fahren, wenn der Marktpreis und die Windbedingungen gut sind.

Wir können Agenten einsetzen, die lernen können, diese ständig wechselnden Faktoren wie Verbrauch und Marktstrompreise in Echtzeit zu verwalten. Diese Trends sind auch im Offshore-Bereich zu beobachten, mit vielen Kunden und Projekten, die bereits stattfinden. Großprojekte, die offshore passieren, werden auch onshore auftreten. Mehr Verantwortung fällt auf den Betreiber statt auf den OEM aufgrund der großen damit verbundenen Risiken, und Servicevereinbarungen werden weniger umfassend.

Die Automatisierung von Prozessen und Entscheidungen, auch mit KI, ist im Offshore-Bereich bereits üblich.

Vielen Dank für Ihre Zeit!