Nach einer technischen Maßnahme an einer Windenergieanlage stellt sich häufig die Frage, welche Veränderung die Maßnahme auf die Leistung der Anlage haben wird. So möchte man beispielsweise wissen, wie viel zusätzliche Leistung die Kalibrierung einer Gondel-Fehlstellung bringt.

Naheliegend ist es zunächst, die Leistungskurve der Anlage in den Zeiträumen vor und

nach der Maßnahme miteinander zu vergleichen. In diesem Artikel beleuchten wir die Ungenauigkeiten dieses Ansatzes und stellen einen präziseren Ansatz vor, mit dem zuverlässige Leistungskurvenvergleiche mithilfe von maschinellem Lernen durchgeführt werden können.

Optimierung des Yaw-Fehlers

Bei der Korrektur einer Gondel-Fehlstellung kann davon ausgegangen werden, dass die Kalibrierung einer systematischen Gondel-Fehlstellung zu einer Verbesserung der Leistung einer Windenergieanlage führt. Dies haben wir im Detail in diesem Artikel beschrieben.

Theoretische Mehrerträge

Addiert man die Jahreserträge einer Windenergieanlage mit einem theoretischen Mehrertrag von 1–3 %, wird der Nutzen einer Gondel-Fehlstellungskalibrierung schnell deutlich.

Nachweis des gesteigerten Ertrags

Die Frage ist jedoch, wie diese Leistungssteigerung nachgewiesen werden kann.

Der Prozess der Umwandlung kinetischer Windenergie in elektrische Energie ist

sehr komplex und stark abhängig von

meteorologischen Parametern.

Die Probleme eines einfachen Leistungskurvenvergleichs

Wenn man eine Änderung an einer Windenergieanlage vornimmt, möchte man wissen, wie stark diese Änderung die Leistung der Anlage beeinflusst. Die Leistung einer Windenergieanlage hängt jedoch nicht nur von der Windgeschwindigkeit ab. Das bedeutet, dass sich die Leistungskurve (Leistung je Windgeschwindigkeit) unter unterschiedlichen meteorologischen Bedingungen verändert. Um genau bestimmen zu können, welchen Einfluss beispielsweise eine Kalibrierung der Windrichtungsnachführung auf die Leistungskurve hat, reicht ein einfacher Leistungskurvenvergleich zweier Zeiträume nicht aus, da sich die meteorologischen Bedingungen auch über Jahre hinweg verändern können.

Abhängigkeit der Leistungskurve von der Luftdichte

Neben der Windgeschwindigkeit ist die Luftdichte einer der wichtigsten Einflussfaktoren auf die Leistungskurve von Windenergieanlagen. Bei gleicher Windgeschwindigkeit verändert sich der Energieinhalt des Windes in Abhängigkeit von der Luftdichte. Je dichter die Luft, desto mehr Energie enthält der Wind und desto mehr Leistung kann die Windenergieanlage aus dem Wind gewinnen.

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

In der Abbildung links ist ein deutlicher Unterschied in der Leistungskurve einer Anlage zwischen Sommer und Winter zu erkennen.

Abhängigkeit der Leistungskurve von der Turbulenzintensität

Ebenso hängt die Leistung bei gleicher Windgeschwindigkeit von der Turbulenzintensität ab.

Wir können daher nicht davon ausgehen, dass die Leistungskurve zweier zeitlich getrennter Messungen vergleichbar ist, wenn wir lediglich die Windgeschwindigkeit messen.

Validierter Ansatz: Machine Learning

Neuronale Netze sind sehr gut darin, komplexe Zusammenhänge zu erlernen. Die nichtlineare und damit komplexe Beziehung zwischen den meteorologischen Parametern und der Leistung einer Windenergieanlage lässt sich mit dieser Methode sehr gut aus historischen SCADA-Daten erlernen. Die 10-Minuten-Daten werden als Eingabedaten für das Modell verwendet und dienen dazu, das Modell zu trainieren, das die Leistung der Testanlage vorhersagt.

Vor der Kalibrierung

Das neuronale Netz erlernt das komplexe Leistungsverhalten aus verschiedenen Windrichtungen, Luftdrücken und Windgeschwindigkeiten. Durch die Anwendung dieses Modells auf neue Daten lässt sich die Leistung der Testanlage für unterschiedliche Wetterbedingungen simulieren.

Nach der Kalibrierung

Wird nun beispielsweise die Gondel-Fehlstellung der Testanlage kalibriert, kann die Simulation mit den tatsächlich gemessenen Daten verglichen werden. Die ermittelte Leistungsdifferenz, die um Standort- und meteorologische Bedingungen bereinigt ist, kann zur Bewertung des Erfolgs der Maßnahme herangezogen werden.

1. Training

Wir verwenden nur einen Teil der Daten (Trainingsdaten), um die Leistungskurve zu trainieren. Dadurch erhalten wir einen Datensatz (Validierungsdaten), mit dem wir überprüfen können, wie gut die Leistungsvorhersage des neuronalen Netzes funktioniert.

2. Training Loss vs. Validation Loss

Wenn wir nun den Fehler unseres Trainings aus den Trainings- und Validierungsdaten vergleichen, müssen wir sicherstellen, dass kein sogenanntes Overfitting auftritt, d. h. das neuronale Netz lernt die Trainingsdaten auswendig, versteht aber nur die grundlegenden Zusammenhänge.

3. Self Consistency Check

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

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

4. Leistungsvergleich

Schließlich verwenden wir Daten als Eingabe, die während des Testzeitraums gemessen wurden, z. B. nach der Kalibrierung, und vergleichen die Ergebnisse des ML-Modells mit den tatsächlich gemessenen Werten. Die Differenz ergibt dann die gesteigerte oder verringerte Leistung.

Integriert man diese Differenzen über einen bestimmten Zeitraum, erhält man eine direkte Differenz in kWh zwischen der erwarteten und der tatsächlich erzeugten Leistung der Testanlage.