top of page

Machine Learning in der Performance Analyse vom Windpark

Aktualisiert: 28. Jan. 2022


Nach einer technischen Maßnahme an einer Windenergieanlage, stellt sich oft die Frage, welche Veränderung die Maßnahme auf die Leistung der Anlage hat. Z.B. möchte man wissen, wie viel Mehrleistung die Kalibration einer Gondelfehlstellung bringt.


Zunächst liegt es Nahe die Leistungskurve der Anlage in den Zeiträumen vor und

nach der Maßnahme miteinander zu vergleichen. In diesem Artikel zeigen wir Ungenauigkeiten dieses Ansatzes auf und präsentieren einen genaueren Ansatz, durch den verlässliche Leistungskurvenvergleiche mit der Hilfe von maschinellem Lernens angestellt werden können.


Optimierung des Yaw Errors


Bei einer Korrektur einer Gondelfehlstellung ist anzunehmen, dass die Kalibration einer systematischen Gondelfehlstellung, zu einer Verbesserung der Leistung einer Windenergieanlage führt. Dies haben wir ausführlich in diesem Artikel beschrieben.



Theoretische Mehrerträge

Addiert man die jährlichen Erträge einer Windenergieanlage mit einer theoretische Mehrleistung von 1-3%, kann man schnell den Nutzen einer Gondelfehlstellungskalibration erkennen.



Nachweis der Ertragssteigerung



Es fragt sich allerdings, wie man diese Leistungssteigerung nachweisen kann.

Der Prozess der Umwandlung von kinetischer Windenergie in elektrische Energie ist

sehr komplex und stark abhängig von

meteorologischen Parametern.




Die Probleme eines einfachen Leistungskurvenvergleiches


Führt man eine Veränderung an einer Windenergieanlage durch, möchte man wissen, wie viel diese Veränderung an der Leistung der Anlage ändert. Die Leistung einer Windenergieanlage ist allerdings nicht nur alleine von der Windgeschwindigkeit abhängig. Dies führt dazu, dass sich bei unterschiedlichen meteorologischen Bedingungen die Leistungskurve (Leistung pro Windgeschwindigkeit) ändert. Um genau erkennen zu können welche Ursache z.B. eine Kalibration der Windrichtungsnachführung auf die Leistungskurve hat, reicht ein normaler Leistungskurvenvergleich von zwei Zeiträumen nicht aus, da sich die meteorologischen Bedingungen auch über Zeiträume von Jahren ändern können.


Abhängigkeit der Leistungskurve von der Luftdichte


Die Luftdichte ist, neben der Windgeschwindigkeit, einer der wichtigsten Faktoren auf die Leistungskurve von Windenergieanlagen. Bei gleicher Windgeschwindigkeit ändert sich der Energiegehalt des Windes in Abhängigkeit von der Luftdichte. Je dichter die Luft ist, desto mehr Energie besitzt der Wind und desto mehr Leistung kann die Windenergieanlage aus dem Wind umwandeln.


Die Luftdichte hängt wiederum hauptsächlich von Temperatur, Luftdruck und Luftfeuchtigkeit ab.

In der Abbildung links sieht man einen eindeutigen Unterschied der Leistungskurve einer Anlage zwischen Sommer und Winter.


Abhängigkeit der Leistungskurve von der Turbulenzintensität

Ebenso ist die Leistung bei gleicher Windgeschwindigkeit abhängig von der Turbulenzintensität

Wir können also nicht davon ausgehen, dass die Leistungskurve von zwei zeitlich getrennten Messungen vergleichbar ist, wenn wir nur die Windgeschwindigkeit messen.

Validierter Ansatz: Machine Learning


Neuronale Netzte sind sehr gut darin komplexe Zusammenhänge zu lernen. Der nichtlineare und daher komplexe Zusammenhang zwischen den meteorologischen Parametern und der Leistung einer Windenergieanlage kann mit dieser Methode sehr gut aus historischen SCADA Daten gelernt werden. Dabei werden die 10 Minuten Daten der als Eingangsdaten des Modells verwendet und damit das Modell trainiert, welches die Leistung der Testanlage vorhersagt.


Vor der Kalibrierung


Das Neuronale Netz lernt so das komplexe Leistungsverhalten aus verschiedenen Windrichtungen, Luftdrücken und Windgeschwindigkeiten. Wendet man dieses Modell auf neue Daten an, so kann man die Leistung der Testanlage für verschiedene Wetterbedingungen simulieren.


Nach der Kalibrierung


Kalibriert man nun z.B. die Gondelfehlstellung der Testanlage, dann kann die Simulation mit den real gemessenen Daten verglichen werden. Die ermittelte Leistungsdifferenz, die vom Standort und von den meteorologischen Bedingen bereinigt ist, kann für die Bewertung des Erfolgs der Maßnahme hinzugezogen werden.



1. Training


Zum Training der Leistungskurve benutzen wir nur einen Teil der Daten (Training Data). Dadurch haben wir einen Datensatz (Validation Data) mit dem wir überprüfen können, wie gut die Vorhersage der Leistung durch das Neuronale Netzt funktioniert.


2. Training Loss vs Validation Loss


Vergleichen wir nun den Fehler unseres Trainings aus den Trainings-Daten und aus den Validations-Daten so muss man darauf achten, dass kein sogenanntes Over Fitting entsteht, also das Neuronale Netz die Trainingsdaten auswendig lernt, sondern nur die prinzipiellen Zusammenhänge versteht.


3. Self Consistency Check


Um zu schauen, ob das Netz das Leistungsverhalten gut gelernt hat, verwenden wir historische Daten aus dem kompletten Trainings und Validation Datensatz und überprüfen wie gut die Simulation funktioniert.

In den meisten Fällen erreichen wir eine Genauigkeit von 99%.



4. Leistungsvergleich


Schließlich verwenden wir Daten als Eingangsdaten (Input), die in aus dem Testzeitraum, z.B. nach einer Kalibration gemessen wurden und vergleichen die Ergebnisse des Machine-Learning Modells mit den real gemessenen Werten. Die Differenz ergibt dann die Mehrleistung bzw. Minderleistung.

Integriert man diese Differenzen über einen gewissen Zeitraum , so erhält man eine direkte Differenz in kWh zwischen erwarteter und tatsächlich generierter Leistung der Testanlage


Comments


bottom of page