Zusammenfassung

Nachdem eine Maßnahme an einer Windenergieanlage umgesetzt wurde, die die Leistung der Anlage verbessern soll, so stellt sich oft die Frage, wie viel Mehrleistung die Maßnahme denn nun erbringt.

Zunächst liegt es sehr Nahe die Leistungskurve der Anlage in dem Zeitraum vor der Maßnahme mit der Leistungskurve nach der Maßnahme zu vergleichen. Wir wollen aber in diesem Artikel aufzeigen, dass dieser Vergleich einige Ungenauigkeiten beinhaltet. 

Wir möchten Ihnen gerne einen völlig neuen Ansatz erklären, wie man einen genaueren Leistungsvergleich mithilfe von Machinellem Lernen anstellen kann.



Beispiel: Gondelfehlstellungen korrigieren

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), mindestens in der Theorie zu einer Verbesserung der Leistung einer Windenergieanlage führt. Dies haben wir ausführlich in diesem Artikel beschrieben.

Artikel lesen  Turbit Measurement System

Odoo Text- und -Bildbaustein
Odoo-Bild- und -Textbaustein

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.

Odoo Text- und -Bildbaustein


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.



Odoo-Bild- und -Textbaustein

Abhängigkeit der Leistungskurve von der Luftdichte

Die Luftdichte ist einer der wichtigsten Faktoren auf die Leistungskurve von Windenergieanlagen neben der Windgeschwindigkeit. 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 ernten.

Die Luftdichte ist wiederum hauptsächlich abhängig von Temperatur, Luftdruck und Luftfeuchtigkeit. 

Links sieht man einen eindeutigen Unterschied der Leistungskurve einer Anlage zwischen Sommer und Winter. Hauptsächlicher Grund ist die Durchschnittstemperatur.

Abhängigkeit der Leistungskurve von der Turbulenzintensität

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

Hier mehr lesen

Odoo Text- und -Bildbaustein


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 komplexe Zusammenhang zwischen den meteorologischen Parametern und der Leistung einer Windenergieanlage kann daher sehr gut aus historischen SCADA Daten gelernt werden. Dabei werden die 10 Minuten Daten von allen Anlagen des Windparks als Input Daten verwendet und auf die Leistung der Testanlage trainiert. 

Das Neuronale Netz hat dann das komplexe Leistungsverhalten aus verschiedenen Windrichtungen, Luftdrücken und Windgeschwindigkeiten gelernt. Wendet man Daten an, die das Neuronale Netz noch nicht kennt, so kann man die Leistung der Testanlage simulieren. 

Kalibriert man nun die Testanlage, dann kann man die Simulation mit den reel gemessenen Daten vergleichen und erhält somit eine Leistungsdifferenz, die vom Standort und von den meteorologischen Bedingen bereinigt ist.



Odoo-Bild- und -Textbaustein

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.

Odoo-Bild- und -Textbaustein

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 Overfitting entsteht, 

also das Neuronale Netz die Trainingsdaten auswendig lernt, sondern nur die prinzipiellen Zusammenhänge versteht.

Odoo-Bild- und -Textbaustein

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%.

Odoo-Bild- und -Textbaustein

4. Leistungsvergleich

 Schließlich verwenden wir Daten als Input, die in aus dem Testzeitraum, z.b. nach einer Kalibration kommen und vergleichen die Simulation des Neuronalen Netzes mit den reel gemessenen Werten. Die Differenz ergibt dann die Mehrleistung bzw. Minderleistung. 

Multipliziert man die Differenzen in Abhängigkeit von der Windgeschwindigkeit mit der WIndhäufigkeit am Standort, so bekommt man eine direkte Differenz in KWh. 


Jetzt Leistungsvergleich mittels Machine Learning anfordern.