top of page

Maschinelles Lernen in der Leistungsanalyse von Windparks

Aktualisiert: 23. Jan. 2022



Zusammenfassung


Nach einer technischen Verbesserung einer Windkraftanlage stellt sich oft die Frage, welche Veränderung die Verbesserung auf die Leistung der Anlage hat. So möchte man z. B. wissen, wie viel mehr Leistung nach dem Abgleich eines Gondelversatzes erzeugt wird.


Dazu bietet es sich zunächst an, die Leistungskurve der Turbine in den Zeiträumen vor und nach der Maßnahme zu vergleichen.


In diesem Artikel zeigen wir Ungenauigkeiten in diesem Ansatz auf und stellen einen modernen Ansatz vor, der mit Hilfe von maschinellem Lernen zuverlässige Leistungskurvenvergleiche ermöglicht.


Korrektur der Gondelfehlstellung


Man kann davon ausgehen, dass die Kalibrierung eines systematischen Gondelfehlstellung zu einer Verbesserung der Gesamtleistung der Windenergieanlage führt. Dieser Artikel beschreibt den theoretischen und physikalischen Hintergrund der Auswirkungen einer Gondelfehlstellung auf die Leistung von Windenergieanlagen.


Steigerungen der Gesamtleistung


Nimmt man die Jahreserträge einer Windenergieanlage und rechnet eine theoretische Mehrleistung von 1-3% hinzu, so erkennt man schnell den wirtschaftlichen Nutzen einer Gondelversatzkalibrierung.





Beweise für eine Ertragssteigerung?


Es stellt sich jedoch die Frage, wie diese Leistungssteigerung durch reale Leistungsmessungen nachgewiesen werden kann. Der Prozess der Umwandlung von kinetischer Windenergie in elektrische Energie ist sehr komplex und stark abhängig von meteorologischen Parametern.


Probleme eines normalen Leistungskurvenvergleich


Wenn Sie eine Änderung an einer Windturbine vornehmen, möchten Sie wissen, wie sehr diese Änderung die Leistung der Turbine verändert. Die Leistung einer Windturbine hängt nicht nur von der Windgeschwindigkeit ab. Dies führt zu einer Änderung der Leistungskurve (Leistung pro Windgeschwindigkeit) unter verschiedenen meteorologischen Bedingungen.

Ein normaler Leistungskurvenvergleich zweier Zeiträume reicht nicht aus, um die genaue Ursache erkennen zu können. Z. B. können sich 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 Faktoren auf der Leistungskurve von Windkraftanlagen. Bei gleicher Windgeschwindigkeit ändert sich der Energiegehalt des Windes in Abhängigkeit von der Luftdichte. Je dichter die Luft ist, desto mehr Energie hat der Wind und desto mehr Leistung kann die Windkraftanlage aus dem Wind umwandeln.


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

Die nebenstehende Abbildung zeigt einen deutlichen Unterschied in der Leistungskurve einer Anlage zwischen Sommer und Winter. Der Hauptgrund ist die Durchschnittstemperatur und die damit verbundene unterschiedliche Luftdichte.




Abhängigkeit der Leistungskurve von der Turbulenzintensität


Ebenso ist die Leistung bei gleicher Windgeschwindigkeit abhängig von der Turbulenzintensität.





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


Konventionelle Messungen mit Messmasten sind zu teuer und aufwändig.


Neuer Ansatz: Maschinelles Lernen


Neuronale Netze sind sehr gut darin, komplexe Zusammenhänge zu lernen. Die nichtlineare und daher komplexe Beziehung zwischen den meteorologischen Parametern und der Leistung einer Windturbine kann mit dieser Methode sehr gut aus historischen SCADA-Daten gelernt werden. Die 10 Minuten Daten aller Turbinen eines Windparks werden als Eingabedaten für das Modell verwendet und das Modell wird trainiert, um die Leistung der Testturbine vorherzusagen.


Das neuronale Netz lernt so das komplexe Leistungsverhalten aus verschiedenen Windrichtungen, Luftdrücken und Windgeschwindigkeiten. Wird dieses Modell auf neue Daten angewendet, kann die Leistung der Testturbine für verschiedene Wetterbedingungen simuliert werden.


Wird nun z. B. der Gondelversatz der Testanlage kalibriert, kann die Simulation mit den realen Messdaten verglichen werden. Die ermittelte Leistungsdifferenz, die an den Standort und die meteorologischen Bedingungen angepasst ist, kann zur Bewertung des Erfolgs der Maßnahme herangezogen werden.






1.Training


Zum Trainieren der Leistungskurve verwenden wir nur einen Teil der Daten (Trainingsdaten). Dadurch erhalten wir einen Datensatz (Validierungsdaten), mit dem wir überprüfen können, wie gut die Vorhersage der Leistung durch das neuronale Netzwerk funktioniert.






2.Training Loss vs. Validation Loss


Wenn wir nun den Fehler unseres Trainings aus den Trainingsdaten und aus den Validierungsdaten vergleichen, müssen wir darauf achten, dass kein sogenanntes Overfitting auftritt,


das heißt, das neuronale Netz lernt die Trainingsdaten auswendig, versteht aber nur die grundlegenden Zusammenhänge.






3.Self Consistency Check


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


Wir erreichen in der Regel eine Genauigkeit von 99%.




4.Power Comparison


Schließlich verwenden wir als Eingabedaten Daten, die im Testzeitraum, z. B. nach einer Kalibrierung, gemessen wurden, und vergleichen die Ergebnisse des Machine-Learning-Modells mit den realen Messwerten. Die Differenz ergibt dann die erhöhte oder verringerte Ausgabe.


Wenn diese Differenzen über einen bestimmten Zeitraum integriert werden, erhält man eine direkte Differenz in kWh zwischen der erwarteten und der tatsächlich erzeugten Leistung der Testturbine.





Comments


bottom of page