Zusammenfassung
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 völlig neuen Ansatz, durch den verlässliche Leistungskurvenvergleiche mit der Hilfe von machinellem Lernens angestellt werden können.
Beispiel: Korrektur einer Gondelfehlstellung
Wir möchten unsere Überlegungen gerne an einem konkreten Beispiel erläutern.
Es ist anzunehmen, dass die Kalibration einer systematischen Gondelfehlstellung, z.B. durch unser Turbit Measurement System (TMS), zu einer Verbesserung der Leistung einer Windenergieanlage führt. Dies haben wir ausführlich in diesem Artikel beschrieben.
Theoretische Mehrerträge
Nimmt man die jährlichen Erträge einer Windenergieanlage und addiert man eine theoretische Mehrleistung von 1-3%, so kann man schnell den wirtschaftlichen Nutzen einer Gondelfehlstellungskalibration erkennen.
Nachweis einer 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 normalen 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. Hauptsächlicher Grund ist die Durchschnittstemperatur bzw. 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: 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 von allen Anlagen eines Windparks als Eingangsdaten des Modells verwendet und damit das Modell trainiert, das die Leistung der Testanlage vorhersagt.
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.
Kalibriert man nun z.B. die Gondelfehlstellung der Testanlage, dann kann die Simulation mit den reel 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.
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%.
Integriert man diese Differenzen über einen gewissen Zeitraum , so erhält man eine direkte Differenz in kWh zwischen erwarteter und tatsächlich generierter Leistung der Testanlage.
